CN112070105B - 基于双通道卷积神经网络学习的非刚性三维模型分类方法 - Google Patents

基于双通道卷积神经网络学习的非刚性三维模型分类方法 Download PDF

Info

Publication number
CN112070105B
CN112070105B CN202010672065.6A CN202010672065A CN112070105B CN 112070105 B CN112070105 B CN 112070105B CN 202010672065 A CN202010672065 A CN 202010672065A CN 112070105 B CN112070105 B CN 112070105B
Authority
CN
China
Prior art keywords
dimensional
feature
bof
dimensional model
cnn
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
Application number
CN202010672065.6A
Other languages
English (en)
Other versions
CN112070105A (zh
Inventor
韩丽
于冰
朴京钰
佟宇宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN202010672065.6A priority Critical patent/CN112070105B/zh
Publication of CN112070105A publication Critical patent/CN112070105A/zh
Application granted granted Critical
Publication of CN112070105B publication Critical patent/CN112070105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于双通道卷积神经网络学习的非刚性三维模型分类方法，首先，提取三维模型的BoF特征向量，通过构建的BoF‑CNN学习通道，获取内蕴的深度几何特征；其次，基于MVCNN(Multi‑view CNN,多视图卷积神经网络)，建立并行的2D视图CNN学习通道，提取外蕴的深度视图特征；进而，将视图特征与几何特征连接，构建信息图像的特征表示；最终，通过神经网络进一步细化与加权融合，生成具有区分性的深度特征表示，基于Softmax实现三维模型的有效分类，不仅适用范围广，而且有效提高了分类精度及效率。

Description

基于双通道卷积神经网络学习的非刚性三维模型分类方法
技术领域
本发明属于三维模型的分类领域，尤其涉及一种适用范围广的基于双通道卷积神经网络学习的非刚性三维模型分类方法。
背景技术：
随着三维数字模型在虚拟现实、工业、影视娱乐、教育、医疗等各个领域的广泛应用，互联网上三维模型的数据量与复杂性显著提高，对于三维模型的形状识别与分类技术提出了更高的挑战。目前，常用的三维模型分类算法主要分为基于手工定义特征描述符的分类算法和基于深度学习的分类算法。基于手工定义特征的形状分类算法一般提取单个模型的低层几何特征，依赖于特定的模型或者特定的条件，不能直接推广到其他模型表示方法及应用中，适用范围窄；基于深度学习的分类算法是采用数据驱动方式，利用深度神经网络实现对三维模型的自动识别与分类，但是存在局限于特定的应用、分类精度及效率低等问题。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种适用范围广的基于双通道卷积神经网络学习的非刚性三维模型分类方法。
本发明的技术解决方案是：一种基于双通道卷积神经网络学习的非刚性三维模型分类方法，包括建立分类模型，其特征在于所述建立分类模型依次按照如下步骤进行：
步骤1：生成三维模型的BoF特征图像：
令非刚性模型的集合M＝{Mq}表示三维模型集合，其中Mq表示三维模型集合M中的一个三维模型，所述q＝1,2,3……m；从q＝1开始至q＝m，依次重复步骤1.1～1.4，获得m个三维模型Mq的BoF特征图像；
步骤1.1提取三维模型Mq的低级几何特征：p×n维的HKS热核特征矩阵
Figure BDA0002582652100000011
及1×n维的平均测地线距离AGD特征矩阵/>
Figure BDA0002582652100000012
所述p为顶点的特征维度，n为顶点数；所述i＝1,2,3……n；
步骤1.2构建联合特征描述符
Figure BDA0002582652100000021
将两个特征矩阵/>
Figure BDA0002582652100000022
和/>
Figure BDA0002582652100000023
连接起来；
步骤1.3采用特征词袋模型方法，对联合特征描述符
Figure BDA0002582652100000024
构建中级特征词袋表示F，具体步骤如下：
步骤1.3.1令
Figure BDA0002582652100000025
为三维模型Mq的联合特征描述符集合，将S进行聚类，计算聚类中心D，D＝{dl}∈R(p+1)×k，所述l＝1,2,3……k，k为分类数目；
步骤1.3.2依据平均测地线距离AGD特征对聚类中心D进行降序排列，构造D＊；
步骤1.3.3利用软量化SVQ方法，将联合特征描述符
Figure BDA0002582652100000026
量化到视觉词汇D＊上，利用公式(1)构造U＝{ui}，即BoF特征；
Figure BDA0002582652100000027
其中，α表示平滑参数，取α＝1/(8η2)；η表示聚类中心的平均值；
步骤1.3.4引入双调和距离矩阵K，利用公式(2)构建中级特征词袋表示F；
Figure BDA0002582652100000028
其中，kef代表双调和矩阵K的元素，为三维模型中任意顶点ve和vf之间的调和距离，其中λ,
Figure BDA0002582652100000029
分别代表Laplace-Beltrami算子的特征值和对应的特征向量；
步骤1.4将中级特征词袋表示F矩阵转换为图像表示，即三维模型Mq的BOF特征图像；
步骤2.构建基于BoF特征图像的卷积神经网络BoF-CNN：
步骤2.1使用Alexnet作为BoF-CNN的网络结构；
步骤2.2依次输入m个三维模型BoF特征图像，BoF特征图像统一分辨率为224*224像素；
步骤2.3网络参数设置，其中batch_size设置为16，正则化参数σ设置为0.5，学习率设置为0.01，dropout率设为0.5；
步骤2.4输出4096维长度的深度特征向量；
步骤3.建立多视图网络学习框架Views-CNN
步骤3.1构建三维模型Mq的多视图投影图像
将12台摄像机均匀放置在三维模型Mq的单位包围球上，生成12个角度的二维投影视图，每个二维投影图像统一设置分辨率为224*224像素，其中6台摄像机的放置角度为
Figure BDA0002582652100000031
3个摄像机放置角度为：/>
Figure BDA0002582652100000032
剩下3个摄像机放置角度为：/>
Figure BDA0002582652100000033
所述/>
Figure BDA0002582652100000034
为方位角，/>
Figure BDA0002582652100000035
为仰角；
步骤3.2建立一个由12个CNN1并行的VGG-16结构学习网络，分别对应学习12个二维投影视图；并行的网络CNN1共享权值与参数并具有相同的网络结构，所述网络结构第1、2层有64个卷积核，第3、4层有128个卷积核，第5、6、7层有256个卷积核，第8到13层有512个卷积核，所有卷积核大小均为3×3；最大池化层对数据进行最大值二次采样，步长为2，采样窗口大小为2×2；fc6是4096维全连接层，随后是ViewPooling层，所述ViewPooling层接收步骤2.4所输出的4096维长度的深度特征向量并将它们最大池化聚合为一个4096维的特征，fc7层4096维的倒数第二层，即CNN2为三维模型Mq特征向量；
步骤4.结合BoF-CNN与Views-CNN，构造双通道CNN联合学习模型：
步骤4.1将BoF-CNN输出的4096维特征向量与Views-CNN输出的4096维特征向量加权连接，再将构造的8192维特征向量输入到softmax分类层进行三维非刚性模型形状分类；加权后的深度特征向量为ha＝Wn[hbof,hview]，其中权值矩阵为Wn，Wn＝[w1,...,wn]，该模块的输出o为：
Figure BDA0002582652100000036
步骤4.2利用交叉熵损失函数和对比损失函数作为联合损失函数L，进行学习模型的训练优化，实现非刚性三维模型的形状分类与识别：
步骤4.2.1设Ls为交叉熵损失函数，Lc为对比损失函数，如公式(4)、(5)所示：
L＝Ls+Lc (4)
Figure BDA0002582652100000041
Figure BDA0002582652100000042
Figure BDA0002582652100000043
Figure BDA0002582652100000044
其中，DW表示成对输入的形状特征(Y2r-1，Y2r)的L2范数，
Figure BDA0002582652100000048
表示成对输入的形状特征(Y2r-1，Y2r)之间的相似性，如果匹配，设置为1，否则设置为0；Ts表示不同类别的形状特征之间的距离阈值，即0和Ts之间的欧几里德距离；
步骤4.2.2计算正向传播时联合损失函数L的值与真实值之间的损耗：
Figure BDA0002582652100000045
Figure BDA0002582652100000046
Figure BDA0002582652100000047
本发明是针对目前基于视图深度学习方法的局限性，提供了一种基于双通道卷积神经网络学习的非刚性三维模型分类方法。首先，提取三维模型的BoF特征向量，通过构建的BoF-CNN学习通道，获取内蕴的深度几何特征；其次，基于MVCNN(Multi-view CNN,多视图卷积神经网络)，建立并行的2D视图CNN学习通道，提取外蕴的深度视图特征；进而，将视图特征与几何特征连接，构建信息图像的特征表示；最终，通过神经网络进一步细化与加权融合，生成具有区分性的深度特征表示，基于Softmax实现三维模型的有效分类，不仅适用范围广，而且有效提高了分类精度及效率。
具体实施方式
本发明的基于双通道卷积神经网络学习的非刚性三维模型分类方法，包括建立分类模型，所述建立分类模型依次按照如下步骤进行：
步骤1：生成三维模型的BoF特征图像：
令非刚性模型的集合M＝{Mq}表示三维模型集合，其中Mq表示三维模型集合M中的一个三维模型，所述q＝1,2,3……m；从q＝1开始至q＝m，依次重复步骤1.1～1.4，获得m个三维模型Mq的BoF特征图像；
步骤1.1提取三维模型Mq的低级几何特征：p×n维的HKS热核特征矩阵
Figure BDA0002582652100000051
及1×n维的平均测地线距离AGD特征矩阵/>
Figure BDA0002582652100000052
所述p为顶点的特征维度，n为顶点数；所述i＝1,2,3……n；
步骤1.2构建联合特征描述符
Figure BDA0002582652100000053
将两个特征矩阵/>
Figure BDA0002582652100000054
和/>
Figure BDA0002582652100000055
连接起来；
步骤1.3采用特征词袋模型(BoF：Bag of feature)方法，对联合特征描述符
Figure BDA0002582652100000056
构建中级特征词袋表示F，具体步骤如下：
步骤1.3.1令
Figure BDA0002582652100000057
为三维模型Mq的联合特征描述符集合，使用K-means聚类算法将S进行聚类，计算聚类中心D，D＝{dl}∈R(p+1)×k，所述l＝1,2,3……k，k为分类数目；
步骤1.3.2依据平均测地线距离AGD特征对聚类中心D进行降序排列，构造D＊；
步骤1.3.3利用软量化SVQ方法，将联合特征描述符
Figure BDA0002582652100000058
量化到视觉词汇D＊上，利用公式(1)构造U＝{ui}，即BoF特征；
Figure BDA0002582652100000059
其中，α表示平滑参数，取α＝1/(8η2)；η表示聚类中心的平均值；
步骤1.3.4引入双调和距离矩阵K，利用公式(2)构建中级特征词袋表示F；
Figure BDA00025826521000000510
其中，kef代表双调和矩阵K的元素，为三维模型中任意顶点ve和vf之间的调和距离，其中λ,
Figure BDA00025826521000000511
分别代表Laplace-Beltrami算子的特征值和对应的特征向量；
步骤1.4将中级特征词袋表示F矩阵转换为图像表示，即三维模型Mq的BOF特征图像(BoF-image)；
步骤2.构建基于BoF特征图像的卷积神经网络BoF-CNN：
步骤2.1使用Alexnet作为BoF-CNN的网络结构；
步骤2.2依次输入m个三维模型BoF特征图像，BoF特征图像统一分辨率为224*224像素；
步骤2.3网络参数设置，其中batch_size设置为16，正则化参数σ设置为0.5，学习率设置为0.01，dropout率设为0.5；
步骤2.4输出4096维长度的深度特征向量；
步骤3.建立多视图网络学习框架Views-CNN
步骤3.1构建三维模型Mq的多视图投影图像
将12台摄像机均匀放置在三维模型Mq的单位包围球上，生成12个角度的二维投影视图，每个二维投影图像统一设置分辨率为224*224像素，其中6台摄像机的放置角度为
Figure BDA0002582652100000061
3个摄像机放置角度为：/>
Figure BDA0002582652100000062
剩下3个摄像机放置角度为：/>
Figure BDA0002582652100000063
所述/>
Figure BDA0002582652100000064
为方位角，/>
Figure BDA0002582652100000065
为仰角；
步骤3.2建立一个由12个CNN1并行的VGG-16结构学习网络，分别对应学习12个二维投影视图；并行的网络CNN1共享权值与参数并具有相同的网络结构，所述网络结构第1、2层有64个卷积核，第3、4层有128个卷积核，第5、6、7层有256个卷积核，第8到13层有512个卷积核，所有卷积核大小均为3×3；最大池化层对数据进行最大值二次采样，步长为2，采样窗口大小为2×2；fc6是4096维全连接层，随后是ViewPooling层，所述ViewPooling层接收步骤2.4所输出的4096维长度的深度特征向量并将它们最大池化聚合为一个4096维的特征，fc7层4096维的倒数第二层(penultimate)，即CNN2为三维模型Mq特征向量；
步骤4.结合BoF-CNN与Views-CNN，构造双通道CNN联合学习模型：
步骤4.1将BoF-CNN输出的4096维特征向量与Views-CNN输出的4096维特征向量加权连接，再将构造的8192维特征向量输入到softmax分类层进行三维非刚性模型形状分类；加权后的深度特征向量为ha＝Wn[hbof,hview]，其中权值矩阵为Wn，Wn＝[w1,...,wn]，该模块的输出o为：
Figure BDA0002582652100000071
步骤4.2利用交叉熵损失函数和对比损失函数作为联合损失函数L，进行学习模型的训练优化，实现非刚性三维模型的形状分类与识别：
步骤4.2.1设Ls为交叉熵损失函数，Lc为对比损失函数，如公式(4)、(5)所示：
L＝Ls+Lc (4)
Figure BDA0002582652100000072
Figure BDA0002582652100000073
Figure BDA0002582652100000074
Figure BDA0002582652100000075
其中，DW表示成对输入的形状特征(Y2r-1，Y2r)的L2范数，
Figure BDA0002582652100000076
表示成对输入的形状特征(Y2r-1，Y2r)之间的相似性，如果匹配，设置为1，否则设置为0；Ts表示不同类别的形状特征之间的距离阈值，即0和Ts之间的欧几里德距离；
步骤4.2.2计算正向传播时联合损失函数L的值与真实值之间的损耗：
Figure BDA0002582652100000077
Figure BDA0002582652100000078
Figure BDA0002582652100000079
本发明实施例与现有方法在SHREC2010、SHREC2011和SHREC2015数据库上进行综合实验以及对比分析(见表1、表2)，结果表明本发明适用范围广且具有更高的分类精度以及高效性。
表1准确率比较(％)
Tab.1 The comparison of performances(％)with deep learning methods
算法数据库 SHREC2010 SHREC2011 SHREC2015 mAP
ShapeGoogle[58] 90.96 92.89 83.16 89.15
GA-BoF[24] 86.02 93.20 72.93 84.11
SA-BoF[60] 91.83 98.00 84.27 91.37
SGWC-BoF[57] 95.66 97.66 92.54 95.28
DeepShape[32] 95.50 96.53 92.87 94.96
DeepGM[29] 96.33 97.89 93.03 95.75
FeaStNet[62] 97.84 98.12 96.35 97.43
MVCNN[31] 97.42 97.86 96.17 97.15
本发明BoFCNN 93.75 95.83 94.62 94.73
本发明MVCNN 97.61 98.04 96.49 97.38
本发明双通道CNN 98.72 98.86 98.64 98.74
表2各方法的效率比较
Figure BDA0002582652100000081

Claims (1)

1.一种基于双通道卷积神经网络学习的非刚性三维模型分类方法，包括建立分类模型，其特征在于所述建立分类模型依次按照如下步骤进行：
步骤1：生成三维模型的BoF特征图像：
令非刚性模型的集合M＝{Mq}表示三维模型集合，其中Mq表示三维模型集合M中的一个三维模型，所述q＝1,2,3……m；从q＝1开始至q＝m，依次重复步骤1.1～1.4，获得m个三维模型Mq的BoF特征图像；
步骤1.1提取三维模型Mq的低级几何特征：p×n维的HKS热核特征矩阵
Figure FDA0004227854180000011
及1×n维的平均测地线距离AGD特征矩阵/>
Figure FDA0004227854180000012
所述p为顶点的特征维度，n为顶点数；所述i＝1,2,3……n；
步骤1.2构建联合特征描述符
Figure FDA0004227854180000013
将两个特征矩阵/>
Figure FDA0004227854180000014
和/>
Figure FDA0004227854180000015
连接起来；
步骤1.3采用特征词袋模型方法，对联合特征描述符
Figure FDA0004227854180000016
构建中级特征词袋表示F，具体步骤如下：
步骤1.3.1令
Figure FDA0004227854180000017
为三维模型Mq的联合特征描述符集合，将S进行聚类，计算聚类中心D，D＝{dl}∈R(p+1)×k，所述l＝1,2,3……k，k为聚类中心数目；
步骤1.3.2依据平均测地线距离AGD特征对聚类中心D进行降序排列，构造D＊；
步骤1.3.3利用软量化SVQ方法，将联合特征描述符
Figure FDA00042278541800000110
量化到视觉词汇D＊上，利用公式(1)构造U＝{ui}，即BoF特征；
Figure FDA0004227854180000018
其中，α表示平滑参数，取α＝1/(8η2)；η表示聚类中心的平均值；
步骤1.3.4引入双调和距离矩阵K，利用公式(2)构建中级特征词袋表示F；
Figure FDA0004227854180000019
其中，kef代表双调和矩阵K的元素，为三维模型中任意顶点ve和vf之间的调和距离，其中λ,
Figure FDA0004227854180000021
分别代表Laplace-Beltrami算子的特征值和对应的特征向量；
步骤1.4将中级特征词袋表示F矩阵转换为图像表示，即三维模型Mq的BoF特征图像；
步骤2.构建基于BoF特征图像的卷积神经网络BoF-CNN：
步骤2.1使用Alexnet作为BoF-CNN的网络结构；
步骤2.2依次输入m个三维模型BoF特征图像，BoF特征图像统一分辨率为224*224像素；
步骤2.3网络参数设置，其中batch_size设置为16，正则化参数σ设置为0.5，学习率设置为0.01，dropout率设为0.5；
步骤2.4输出4096维长度的深度特征向量；
步骤3.建立多视图网络学习框架Views-CNN：
步骤3.1构建三维模型Mq的多视图投影图像
将12台摄像机均匀放置在三维模型Mq的单位包围球上，生成12个角度的二维投影视图，每个二维投影图像统一设置分辨率为224*224像素，其中6台摄像机的放置角度为
Figure FDA0004227854180000022
3个摄像机放置角度为：/>
Figure FDA0004227854180000023
剩下3个摄像机放置角度为：/>
Figure FDA0004227854180000024
所述/>
Figure FDA0004227854180000025
为方位角，/>
Figure FDA0004227854180000026
为仰角；
步骤3.2建立一个由12个CNN1并行的VGG-16结构学习网络，分别对应学习12个二维投影视图；并行的网络CNN1共享权值与参数并具有相同的网络结构，所述网络结构第1、2层有64个卷积核，第3、4层有128个卷积核，第5、6、7层有256个卷积核，第8到13层有512个卷积核，所有卷积核大小均为3×3；最大池化层对数据进行最大值二次采样，步长为2，采样窗口大小为2×2；fc6是4096维全连接层，随后是ViewPooling层，所述ViewPooling层接收步骤2.4所输出的4096维长度的深度特征向量并将它们最大池化聚合为一个4096维的特征，fc7层4096维的倒数第二层，即CNN1为三维模型Mq特征向量；
步骤4.结合BoF-CNN与Views-CNN，构造双通道CNN联合学习模型：
步骤4.1将BoF-CNN输出的4096维特征向量与Views-CNN输出的4096维特征向量加权连接，将构造的8192维特征向量输入到softmax分类层进行三维非刚性模型形状分类，加权后的深度特征向量为ha，权值矩阵为W＝[w1,w2]，该模块的输出为ha：
Figure FDA0004227854180000031
步骤4.2利用交叉熵损失函数和对比损失函数作为联合损失函数L，进行学习模型的训练优化，实现非刚性三维模型的形状分类与识别：
步骤4.2.1设Ls为交叉熵损失函数，Lc为对比损失函数，如公式(4)、(5)所示：
L＝Ls+Lc (4)
Figure FDA0004227854180000032
Figure FDA0004227854180000033
Figure FDA0004227854180000034
其中，DW表示成对输入的形状特征(Y2q-1，Y2q)的L2范数，
Figure FDA0004227854180000038
表示成对输入的形状特征(Y2q-1，Y2q)之间的相似性，如果匹配，设置为1，否则设置为0；Ts表示不同类别的形状特征之间的距离阈值，即0和Ts之间的欧几里德距离；
步骤4.2.2计算正向传播时联合损失函数L的值与真实值之间的损耗：
Figure FDA0004227854180000035
Figure FDA0004227854180000036
Figure FDA0004227854180000037
CN202010672065.6A 2020-07-14 2020-07-14 基于双通道卷积神经网络学习的非刚性三维模型分类方法 Active CN112070105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010672065.6A CN112070105B (zh) 2020-07-14 2020-07-14 基于双通道卷积神经网络学习的非刚性三维模型分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010672065.6A CN112070105B (zh) 2020-07-14 2020-07-14 基于双通道卷积神经网络学习的非刚性三维模型分类方法

Publications (2)

Publication Number Publication Date
CN112070105A CN112070105A (zh) 2020-12-11
CN112070105B true CN112070105B (zh) 2023-07-11

Family

ID=73657758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010672065.6A Active CN112070105B (zh) 2020-07-14 2020-07-14 基于双通道卷积神经网络学习的非刚性三维模型分类方法

Country Status (1)

Country Link
CN (1) CN112070105B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657522B (zh) * 2021-08-23 2023-11-24 天津大学 一种多视图三维模型聚类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063753A (zh) * 2018-07-18 2018-12-21 北方民族大学 一种基于卷积神经网络的三维点云模型分类方法
CN109145944A (zh) * 2018-07-11 2019-01-04 哈尔滨工程大学 一种基于纵向三维图像深度学习特征的分类方法
CN110781918A (zh) * 2019-09-23 2020-02-11 辽宁师范大学 自适应稀疏编码融合的非刚性三维模型分类算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529569B (zh) * 2016-10-11 2019-10-18 北京航空航天大学 基于深度学习的三维模型三角面特征学习分类方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145944A (zh) * 2018-07-11 2019-01-04 哈尔滨工程大学 一种基于纵向三维图像深度学习特征的分类方法
CN109063753A (zh) * 2018-07-18 2018-12-21 北方民族大学 一种基于卷积神经网络的三维点云模型分类方法
CN110781918A (zh) * 2019-09-23 2020-02-11 辽宁师范大学 自适应稀疏编码融合的非刚性三维模型分类算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于双通道C3D的基建现场人体异常行为识别;吴冬梅;卢静;蒋瑜;;信息技术与信息化(第01期);全文 *
采用深度级联卷积神经网络的三维点云识别与分割;杨军;党吉圣;;光学精密工程(第05期);全文 *

Also Published As

Publication number Publication date
CN112070105A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
EP3968179A1 (en) Place recognition method and apparatus, model training method and apparatus for place recognition, and electronic device
AU2020101435A4 (en) A panoramic vision system based on the uav platform
JP2017157138A (ja) 画像認識装置、画像認識方法及びプログラム
CN112348036A (zh) 基于轻量化残差学习和反卷积级联的自适应目标检测方法
CN109376787B (zh) 流形学习网络及基于其的计算机视觉图像集分类方法
CN107301643B (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN105631416A (zh) 采用新型密度聚类进行人脸识别的方法
CN113177612B (zh) 一种基于cnn少样本的农业病虫害图像识别方法
CN113505719B (zh) 基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统及方法
CN111723600B (zh) 一种基于多任务学习的行人重识别特征描述子
CN111523377A (zh) 一种多任务的人体姿态估计和行为识别的方法
CN112070105B (zh) 基于双通道卷积神经网络学习的非刚性三维模型分类方法
CN109948662B (zh) 一种基于K-means和MMD的人脸图像深度聚类方法
CN110188646B (zh) 基于梯度方向直方图与局部二值模式融合的人耳识别方法
CN110414431B (zh) 基于弹性上下文关系损失函数的人脸识别方法及系统
CN115147932A (zh) 一种基于深度学习的静态手势识别方法及系统
CN114639000A (zh) 一种基于跨样本注意力聚合的小样本学习方法和装置
CN112150359B (zh) 基于机器学习和特征点识别的无人机图像快速拼接方法
CN109886160A (zh) 一种非限定条件下的人脸识别方法
CN111695450A (zh) 一种基于IMobileNet的人脸快速识别方法
CN112101461A (zh) 一种基于hrtf-pso-fcm的无人机侦察视觉信息可听化方法
CN109815999B (zh) 一种简便高效的自动化煤矸识别方法
CN112784800B (zh) 一种基于神经网络和形状约束的人脸关键点检测方法
CN115861595A (zh) 一种基于深度学习的多尺度域自适应异源图像匹配方法
CN112396089B (zh) 基于lfgc网络和压缩激励模块的图像匹配方法

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