CN111612046B - 特征金字塔图卷积神经网络及其在3d点云分类中的应用 - Google Patents
特征金字塔图卷积神经网络及其在3d点云分类中的应用 Download PDFInfo
- Publication number
- CN111612046B CN111612046B CN202010355030.XA CN202010355030A CN111612046B CN 111612046 B CN111612046 B CN 111612046B CN 202010355030 A CN202010355030 A CN 202010355030A CN 111612046 B CN111612046 B CN 111612046B
- Authority
- CN
- China
- Prior art keywords
- network
- characteristic information
- resgcn
- output
- size
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种特征金字塔图卷积神经网络及其在3D点云分类中的应用。本发明通过对图卷积网络提取到的多种不同尺度的特征信息进行特征提取,在网络进行特征提取的过程中,不同深度的网络提取出的信息会有不同,通过对多种尺度可以更充分的使用网络中的特征信息,提高网络的效果。同时本发明通过深层残差图网络结构对特征进行进行提取,并构建了一种特征金字塔结构,在网络进行预测结果的以后充分的使用多种层次的特征信息,通过这种方法使得网络在进行3D点云分类的时候拥有更好的效果,同时该结构还能运用到其他任务重,本发明可以充分的利用图网络中提取的数据关系信息,提高图网络对数据的关系处理能力,提高在点云分类等图数据中的能力。
Description
技术领域
本发明涉及深度学习领域,尤其涉及图卷积神经网络,3D点云分类领域。提供一种特征金字塔图卷积神经网络及其在3D点云分类中的应用。
技术背景
最近神经网络的成功推动了模式识别和数据挖掘等的研究。随着深度学习的发展,计算机视觉,语音识别都得到了快速的发展,掀起了一股人工智能研究的热潮。当前,CNN的研究工作在神经网络中占据着重要的作用,但是这种网络有一定的局限性,只能对欧几里得数据进行处理,但现实世界中存在着大量的非欧几里德数据,例如,在电子商务中,一个基于图形的学习系统可以利用用户和产品之间的相互作用来做出高度准确的推荐。在引用网络中,论文通过引用关系相互链接,需要将它们归类到不同的组中。这种非欧几里得类的图数据的复杂性给现有的机器学习算法带来了巨大的挑战。一般CNN网络无法系统、可靠地处理这些数据。为了克服CNN这种网络结构的不足,研究人员提出了图神经网络来进行这类数据的处理,图神经网络能够很好的提取出数据节点之间的各种关系,在社交系统,化学结构研究,计算机视觉等领域都体现出了非常好的应用前景。由于图神经网络在图数据中的良好的表现,使得最近几年在图神经网络的研究有了快速的增长。图卷积神经网络(GCN)是图神经网络研究中非常重要的一种结构,由于近年来非欧几里得数据在现实应用中的不断增长以及它在这种数据中的良好表现,GCN的研究已经扩展到各种领域。但是在研究过程中也逐渐暴露出相关问题需要研究人员进一步的研究解决。基于CNN的深度神经网络成功的一个关键原因是有能力设计和可靠地训练非常深入的CNN模型以及可以构建残差结构,特征金字塔的有效的网络结构来提高网络的表现效果,但由于深层次的GCN网络在训练的过程中容易出现梯度爆炸/梯度消失等问题,使得该方面的研究还较为缓慢。
发明内容
本发明提出一种特征金字塔图卷积神经网络及其在3D点云分类中的应用。本发明可以充分的利用图网络中提取的数据关系信息,提高图网络对数据的关系处理能力,提高在点云分类等图数据中的能力。
本发明的特征金字塔图卷积神经网络的结构,具体如下:
第一ResGCN残差图网络块,用于对输入的点云进行特征提取,得到n×32大小的特征信息Ⅰ;特征信息Ⅰ依次通过多层感知机和图的最大池化操作得到256大小的特征信息,然后再通过多层感知机对得到的256大小的特征信息进行预测,输出类别的预测分数Ⅰ。
第二ResGCN残差图网络块对第一块ResGCN残差图网络块输出的的特征信息Ⅰ进行特征提取,得到n×64大小的特征信息Ⅱ;特征信息Ⅱ依次通过多层感知机和图的最大池化操作得到512大小的特征信息,然后再通过多层感知机对得到的512大小的特征信息进行预测,输出类别的预测分数Ⅱ。
第三ResGCN残差图网络块对第二块ResGCN残差图网络块输出的特征信息Ⅱ进行特征提取,得到n×128大小的特征图信息Ⅲ。对第一、第二和第三ResGCN残差图网络块输出的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ进行合并连接,得到新的特征信息Ⅳ,通过多层感知机和图的最大池化操作对合并连接后的特征信息Ⅳ进行操作,得到1024大小的特征信息,然后通过多层感知机对得到的1024大小的特征信息进行预测,输出类别的预测分数Ⅲ。
对第一、第二和第三ResGCN残差图网络块最后输出的预测分数Ⅰ、Ⅱ和Ⅲ进行融合,得出最终的预测结果。
所述的ResGCN残差图网络块通过六层ResGCN图网络组成,且中每一个图网络层的输出是下一个图网络层的输入,每一个图网络层的输出并通过跳跃连接的方式与下一个图网络层的输出进行组合,同时每一个图网络层的输出都连接到残差图块的最后,六个图网络层的输出共同组合成ResGCN残差图网络块的输出。
一种特征金字塔图卷积神经网络在3D点云分类中的应用,具体应用实现如下:
步骤1:特征金字塔图卷积神经网络的训练;
在特征金字塔图卷积神经网络训练时,初始化网络学习率为0.001,网络训练的优化器采用Adam,网络最大训练200epoch,选取网络训练中验证结果最优的模型作为网络使用的模型。
步骤2:通过训练好的特征金字塔图卷积神经网络对输入的点云进行特征提取。
2-1.通过第一ResGCN残差图网络块对输入的点云进行特征提取,得到n×32大小的特征信息Ⅰ;
2-2.通过第二ResGCN残差图网络块对第一块ResGCN残差图网络块输出的的特征信息Ⅰ进行特征提取,得到n×64大小的特征信息Ⅱ;
2-3.通过第三ResGCN残差图网络块对第二块ResGCN残差图网络块输出的特征信息Ⅱ进行特征提取,得到n×128大小的特征图信息Ⅲ。
进一步,所述的ResGCN残差图网络块结构如下:
ResGCN残差图网络块通过六层ResGCN图网络组成,每层ResGCN图网络的具体计算方式如下:
表示该层网络的输入,/>表示该层网络的输出,/>是该层网络对输入的整体映射过程,/>表示该层网络中通过网络参数对输入的映射过程,/>表示/>的输出结果。
步骤3:对得到的三种不同尺度的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ分别进行预测。
3-1.对n×32大小的特征信息Ⅰ进行预测;
先将特征信息Ⅰ依次通过多层感知机和图的最大池化操作得到256大小的特征信息,然后再通过多层感知机对得到的256大小的特征信息进行预测,输出类别的预测分数Ⅰ。
3-2.对n×64大小的特征信息Ⅱ进行预测;
先将特征信息Ⅱ依次通过多层感知机和图的最大池化操作得到512大小的特征信息,然后再通过多层感知机对得到的512大小的特征信息进行预测,输出类别的预测分数Ⅱ。
3-3.对第一、第二和第三ResGCN残差图网络块输出的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ进行合并连接,得到新的特征信息Ⅳ,通过多层感知机和图的最大池化操作对合并连接后的特征信息Ⅳ进行操作,得到1024大小的特征信息,然后通过多层感知机对得到的1024大小的特征信息进行预测,输出类别的预测分数Ⅲ。
步骤4:对第一、第二和第三ResGCN残差图网络块最后输出的预测分数Ⅰ、Ⅱ和Ⅲ进行融合,得出最终的预测结果。
所述的融合过程如下:
对预测分数Ⅰ、Ⅱ和Ⅲ进行累加,然后通过softmax计算出最终的类别预测分数(置信度),每个3D点云选择预测分数(置信度)最高的类别为最终的输出结果。
本发明的有益效果是:
本发明通过深层残差图网络结构对特征进行进行提取,并构建了一种特征金字塔结构,在网络进行预测结果的以后充分的使用多种层次的特征信息,通过这种方法使得网络在进行3D点云分类的时候拥有更好的效果,同时该结构还能运用到其他任务重,比如3D点云的语义分割,通过对多层次信息的充分使用,提高网络在任务中表现效果。
附图说明
图1是;用于3D点云分类的特征金字塔图卷积神经网络结构图;
图2是;ResGCN残差图网络块结构图。
具体实施方式
下面根据附图详细说明本发明,本发明的目的和效果将变得更加明显。
本发明通过对图卷积网络提取到的多种不同尺度的特征信息进行特征提取,在网络进行特征提取的过程中,不同深度的网络提取出的信息会有不同,通过对多种尺度可以更充分的使用网络中的特征信息,提高网络的效果。
当前在使用图网络进行3D点云分类、语义分割等任务时,由于图网络在训练过程中容易出现梯度消失/爆炸,采用的图网络比较浅,并且只使用最后一层提取到的特征进行预测,这样会使得对特征信息的利用不够充分。
1是用于3D点云分类的特征金字塔图卷积神经网络结构图。该结构采清晰的展示了图网络形成形成的三种尺度的特征图以及对三种尺度特征信息的预测。
图中n×3的输入表示每个3D点云对象有n个点组成,点的坐标信息(x,y,z)是每个点输入的信息;spatial transform是表示对输入点云信息的一种转换。ResGCN block表示ResGCN残差图网络块,由6层图网络通过残差结构的方式组合而成。第一个残差图块ResGCNblock1把n×3大小的输入信息提取得到n×32大小的特征信息,该层特征信息是得到的特征金字塔中第一层信息;第二个残差图块ResGCN block2把n×32大小的特征信息提取得到n×64大小的特征信息,该层信息是特征金字塔中的第二层信息;第二个残差图块ResGCNblock3把n×64大小的特征信息提取得到n×128大小的特征信息;然后把三层特征信息通过堆积组合的方式得到融合特征信息,通过多层感知机(mlp)和最大池化得到1024的输出特征,然后通过多层感知机输出c种类别的预测结果。同理,分别对前两层的特征信息进行处理和预测。n×32大小的特征信息通过多层感知机(mlp)和最大池化得到256的输出特征,然后通过多层感知机(mlp)输出c种类别的预测结果;n×64大小的特征信息通过多层感知机(mlp)和最大池化得到512的输出特征,然后通过多层感知机(mlp)输出c种类别的预测结果;对三种尺度的输出的预测结果进行筛选,置信度最高的类别为网络预测的类别。
图2是ResGCN残差图网络块结构图,该结构包含6层相同结构的图网络层,通过图中可以看出该结构中每一层图网络层的输出为32(f=32),在每一层计算后对点云信息进行动态构图,动态构图通过k-mean算法实现,每个点与最近的k个点连接,在图网络层中k值为16。
本发明的ResGCN残差图网络块中每一个图网络层的输出是下一个图网络层的输入,每一个图网络层的输出并通过跳跃连接的方式与下一个图网络层的输出进行组合,同时每一个图网络层的输出都连接到残差图块的最后,六个图网络层的输出共同组合成ResGCN残差图网络块的输出。
Claims (1)
1.基于特征金字塔图卷积神经网络的3D点云分类方法,其特征在于该方法中特征金字塔图卷积神经网络的构建具体包括:
第一ResGCN残差图网络块,用于对输入的点云进行特征提取,得到n×32大小的特征信息Ⅰ;特征信息Ⅰ依次通过多层感知机和图的最大池化操作得到256大小的特征信息,然后再通过多层感知机对得到的256大小的特征信息进行预测,输出类别的预测分数Ⅰ;
第二ResGCN残差图网络块对第一块ResGCN残差图网络块输出的的特征信息Ⅰ进行特征提取,得到n×64大小的特征信息Ⅱ;特征信息Ⅱ依次通过多层感知机和图的最大池化操作得到512大小的特征信息,然后再通过多层感知机对得到的512大小的特征信息进行预测,输出类别的预测分数Ⅱ;
第三ResGCN残差图网络块对第二块ResGCN残差图网络块输出的特征信息Ⅱ进行特征提取,得到n×128大小的特征图信息Ⅲ;对第一、第二和第三ResGCN残差图网络块输出的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ进行合并连接,得到新的特征信息Ⅳ,通过多层感知机和图的最大池化操作对合并连接后的特征信息Ⅳ进行操作,得到1024大小的特征信息,然后通过多层感知机对得到的1024大小的特征信息进行预测,输出类别的预测分数Ⅲ;
对第一、第二和第三ResGCN残差图网络块最后输出的预测分数Ⅰ、Ⅱ和Ⅲ进行融合,得出最终的预测结果;
所述的ResGCN残差图网络块通过六层ResGCN图网络组成,且中每一个图网络层的输出是下一个图网络层的输入,每一个图网络层的输出通过跳跃连接的方式与下一个图网络层的输出进行组合,同时每一个图网络层的输出都连接到残差图块的最后,六个图网络层的输出共同组合成ResGCN残差图网络块的输出;
基于特征金字塔图卷积神经网络在3D点云分类方法,具体实现步骤如下:
步骤1:特征金字塔图卷积神经网络的训练;
在特征金字塔图卷积神经网络训练时,初始化网络学习率为0.001,网络训练的优化器采用Adam,网络最大训练200epoch,选取网络训练中验证结果最优的模型作为网络使用的模型;
步骤2:通过训练好的特征金字塔图卷积神经网络对输入的点云进行特征提取;
2-1.通过第一ResGCN残差图网络块对输入的点云进行特征提取,得到n×32大小的特征信息Ⅰ;
2-2.通过第二ResGCN残差图网络块对第一块ResGCN残差图网络块输出的的特征信息Ⅰ进行特征提取,得到n×64大小的特征信息Ⅱ;
2-3.通过第三ResGCN残差图网络块对第二块ResGCN残差图网络块输出的特征信息Ⅱ进行特征提取,得到n×128大小的特征图信息Ⅲ;
进一步,所述的ResGCN残差图网络块结构如下:
ResGCN残差图网络块通过六层ResGCN图网络组成,每层ResGCN图网络的具体计算方式如下:
表示该层网络的输入,/>表示该层网络的输出,/>是该层网络对输入的整体映射过程,/>表示该层网络中通过网络参数对输入的映射过程,/>表示/>的输出结果;
步骤3:对得到的三种不同尺度的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ分别进行预测;
3-1.对n×32大小的特征信息Ⅰ进行预测;
先将特征信息Ⅰ依次通过多层感知机和图的最大池化操作得到256大小的特征信息,然后再通过多层感知机对得到的256大小的特征信息进行预测,输出类别的预测分数Ⅰ;
3-2.对n×64大小的特征信息Ⅱ进行预测;
先将特征信息Ⅱ依次通过多层感知机和图的最大池化操作得到512大小的特征信息,然后再通过多层感知机对得到的512大小的特征信息进行预测,输出类别的预测分数Ⅱ;
3-3.对第一、第二和第三ResGCN残差图网络块输出的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ进行合并连接,得到新的特征信息Ⅳ,通过多层感知机和图的最大池化操作对合并连接后的特征信息Ⅳ进行操作,得到1024大小的特征信息,然后通过多层感知机对得到的1024大小的特征信息进行预测,输出类别的预测分数Ⅲ;
步骤4:对第一、第二和第三ResGCN残差图网络块最后输出的预测分数Ⅰ、Ⅱ和Ⅲ进行融合,得出最终的预测结果;
所述的融合过程如下:
对预测分数Ⅰ、Ⅱ和Ⅲ进行累加,然后通过softmax计算出最终的类别预测分数,每个3D点云选择预测分数最高的类别为最终的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355030.XA CN111612046B (zh) | 2020-04-29 | 2020-04-29 | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355030.XA CN111612046B (zh) | 2020-04-29 | 2020-04-29 | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612046A CN111612046A (zh) | 2020-09-01 |
CN111612046B true CN111612046B (zh) | 2023-10-20 |
Family
ID=72203188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010355030.XA Active CN111612046B (zh) | 2020-04-29 | 2020-04-29 | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612046B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184556B (zh) * | 2020-10-28 | 2021-10-29 | 万申(北京)科技有限公司 | 一种基于口腔cbct重建点云的超分辨成像方法 |
CN112801060A (zh) * | 2021-04-07 | 2021-05-14 | 浙大城市学院 | 运动动作识别方法及装置、模型、电子设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583519A (zh) * | 2018-12-27 | 2019-04-05 | 中国石油大学(华东) | 一种基于p-Laplacian图卷积神经网络的半监督分类方法 |
CN110222771A (zh) * | 2019-06-10 | 2019-09-10 | 成都澳海川科技有限公司 | 一种零样本图片的类别识别方法 |
CN110827415A (zh) * | 2019-11-11 | 2020-02-21 | 吉林大学 | 一种全天候未知环境无人自主工作平台 |
CN111028151A (zh) * | 2019-12-03 | 2020-04-17 | 西安科技大学 | 基于图残差神经网络融合的点云数据拼接方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004202B2 (en) * | 2017-10-09 | 2021-05-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for semantic segmentation of 3D point clouds |
-
2020
- 2020-04-29 CN CN202010355030.XA patent/CN111612046B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583519A (zh) * | 2018-12-27 | 2019-04-05 | 中国石油大学(华东) | 一种基于p-Laplacian图卷积神经网络的半监督分类方法 |
CN110222771A (zh) * | 2019-06-10 | 2019-09-10 | 成都澳海川科技有限公司 | 一种零样本图片的类别识别方法 |
CN110827415A (zh) * | 2019-11-11 | 2020-02-21 | 吉林大学 | 一种全天候未知环境无人自主工作平台 |
CN111028151A (zh) * | 2019-12-03 | 2020-04-17 | 西安科技大学 | 基于图残差神经网络融合的点云数据拼接方法 |
Non-Patent Citations (2)
Title |
---|
Introduction to Graph Neural Networks;Zhiyuan Liu等;《MORGAN CLAYPOOL PUBLISHERS》;第1-41页 * |
基于多尺度特征和PointNet的LiDAR点云地物分类方法;赵中阳;程英蕾;释小松;秦先祥;李鑫;;激光与光电子学进展(第05期);第251-258页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612046A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154194B (zh) | 一种用基于张量的卷积网络提取高维特征的方法 | |
CN110929736B (zh) | 多特征级联rgb-d显著性目标检测方法 | |
CN106355248A (zh) | 一种深度卷积神经网络训练方法及装置 | |
CN113393474B (zh) | 一种基于特征融合的三维点云的分类和分割方法 | |
CN112200266B (zh) | 基于图结构数据的网络训练方法、装置以及节点分类方法 | |
CN110543890A (zh) | 一种基于特征金字塔的深度神经网络图像匹配方法 | |
CN115100574A (zh) | 基于融合图卷积网络与Transformer网络的动作识别方法及系统 | |
CN111612046B (zh) | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 | |
CN113239897B (zh) | 基于时空特征组合回归的人体动作评价方法 | |
CN110993037A (zh) | 一种基于多视图分类模型的蛋白质活性预测装置 | |
CN113128424A (zh) | 基于注意力机制的图卷积神经网络动作识别方法 | |
CN113052254A (zh) | 多重注意力幽灵残差融合分类模型及其分类方法 | |
CN111461175A (zh) | 自注意与协同注意机制的标签推荐模型构建方法及装置 | |
CN111723600A (zh) | 一种基于多任务学习的行人重识别特征描述子 | |
CN113807366B (zh) | 一种基于深度学习的点云关键点提取方法 | |
CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
CN114358246A (zh) | 三维点云场景的注意力机制的图卷积神经网络模块 | |
CN111079900B (zh) | 一种基于自适应连接神经网络的图像处理方法及装置 | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
CN115620064A (zh) | 一种基于卷积神经网络的点云下采样分类方法及系统 | |
CN115661861A (zh) | 基于动态时序多维自适应图卷积网络的骨架行为识别方法 | |
CN116484067A (zh) | 目标对象匹配方法、装置及计算机设备 | |
CN113516118A (zh) | 一种图像与文本联合嵌入的多模态文化资源加工方法 | |
Jun et al. | Two-view correspondence learning via complex information extraction | |
Fan et al. | Construction of a neural network and its application on target classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |