CN113538599A - 神经网络标定效能评估方法、装置、介质、设备及车辆 - Google Patents
神经网络标定效能评估方法、装置、介质、设备及车辆 Download PDFInfo
- Publication number
- CN113538599A CN113538599A CN202110871467.3A CN202110871467A CN113538599A CN 113538599 A CN113538599 A CN 113538599A CN 202110871467 A CN202110871467 A CN 202110871467A CN 113538599 A CN113538599 A CN 113538599A
- Authority
- CN
- China
- Prior art keywords
- cube
- vector
- calibration
- coordinate
- edge length
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能控制技术领域,尤其涉及一种神经网络标定效能评估方法、装置、介质、设备及车辆。本发明结合工程实际需要,通过三维空间立方体的特征点坐标和三边棱长特征直接绘制出立方体;可在转速、负荷、水温三个核心维度上直观呈现各个神经元的空间分布,极大地提高了神经网络模型的标定效率。其有益效果还在于,为神经元模型作用区域的划分提供反馈,提高了标定效率,利于通过直观的技术手段检查标定的合理性,同时还为多个作用区域间位置关系的辨别提供了有效的解决方案。
Description
技术领域
本发明属于智能控制技术领域,尤其涉及一种神经网络标定效能评估方法、装置、介质、设备及车辆。
背景技术
随着神经网络模型在EMS(Engine Management System,发动机管理系统)领域的应用,标定工程师需要根据转速、负荷、水温这三个维度划分各个神经元模型的作用区域。
发明人发现:由于缺乏直观、高效的工具,标定工程师在检查标定数据合理性时,效率较低,且不易把握多个区域间的位置关系。为了解决这一问题,需要设计一个方法能够基于参照点坐标和三边棱长给出相关模型效能的评估。
发明内容
本发明公开了一种神经网络模型标定效能评估方法、装置、介质及设备。通过获取多维度的区域划分向量;其中,多维度是指,三维及三维以上的维度;区域划分向量用于为神经元模型的作用区域提供定量参照;提取区域划分向量中的一维标定参数;该一维标定参数根据区域划分向量的维度,至少划分为第一标定参数、第二标定参数、第三标定参数;获取由神经网络模型输出的核坐标;该核坐标包含与多维度的维数相同个数的坐标值,而核坐标则用于效能评估向量初始值的构建。
进一步地,构建以核坐标为参照点,以区域划分向量为棱长的第N标定向量族,其中N为自然数;比较由不同的区域划分向量构建的第N标定向量族,进行神经网络模型的标定效能评估;若标定向量族内部的向量为三维向量,则在可视化界面绘制以核坐标为支撑的立方体;其中,第一标定参数、第二标定参数和第三标定参数为棱长的数值。
进一步地,该区域划分向量包括:区域核点坐标向量和棱长向量;其中,区域核点坐标向量包括核点第一坐标、核点第二坐标和核点第三坐标;棱长向量包括第一棱长、第二棱长和第三棱长。
进一步地,区域核点坐标向量对应于笛卡尔坐标系的坐标值;核坐标即所述笛卡尔坐标系中,点元素的坐标。
进一步地,第一棱长由第一标定参数约束、第二棱长由第二标定参数约束、第三棱长由第三标定参数约束。
进一步地,第一标定参数为转速指标,第二标定参数为负荷指标,第三标定参数为水温指标。
进一步地,通过向评估显示单元输出评估参数的三位映像,可获得模型效能的评价依据;通过单立方绘制步骤获取第一核坐标及第一棱长向量,并以第一核坐标为参照点,以第一棱长向量为立方体的三个棱长,在人机交互界面绘制第一立方体;其中,第一核坐标为网络模型在第一组标定参数下得到的核坐标;第一棱长向量为网络模型在第一组标定参数下得到的第一组棱长数据;通过对比步骤保留第1立方体在人机交互界面的图像输出,并用重复单立方绘制步骤,绘制待评估第M立方体;其中,M为自然数……重复执行对比步骤,该第M立方体包括任意有限数量的立方体。
进一步地,在同一人机交互界面输出第1立方体、第2立方体……直至第M立方体,M为自然数;在对比步骤和重复执行对比步骤时,根据计算机图形学的方法,对不可见部分作虚线处理。
进一步地,第1立方体、第2立方体…直至第M立方体,依次代表需要进行标定效能评估的神经元的第M个空间分布,M为自然数,结合预设的评估标准,即可获得模型效能评估的相关结果。
与上述方法相应的评估装置,包括输入单元、提取单元、分析单元、评估单元;其中,输入单元,获取多维度的区域划分向量;其中,多维度是指,三维及三维以上的维度;区域划分向量用于为神经元模型的作用区域提供定量参照;提取单元,提取区域划分向量中的一维标定参数;一维标定参数根据区域划分向量的维度,至少划分为第一标定参数、第二标定参数、第三标定参数;分析单元,获取由网络模型输出的核坐标;核坐标包含与多维度的维数相同个数的坐标值,核坐标用于效能评估向量初始值的构建;评估单元,绘制以核坐标为起始,以区域划分向量为棱长的标定向量族;比较由不同的区域划分向量构建的标定向量族,进行神经网络模型的标定效能评估;若标定向量族内部的向量为三维向量,则在可视化界面绘制以核坐标为支撑的立方体;其中,第一标定参数、第二标定参数和第三标定参数为棱长的数值。
进一步地,单立方绘制单元:获取第一核坐标及第一棱长向量,并以第一核坐标为参照点,以第一棱长向量为立方体的三个棱长,在人机交互界面绘制第1立方体;其中,第一核坐标为网络模型在第一组标定参数下得到的核坐标;第一棱长向量为网络模型在第一组标定参数下得到的第一组棱长数据;对比单元保留第1立方体在人机交互界面的图像输出,并用重复单立方绘制步骤,绘制待评估第2立方体;重复执行对比单元的步骤,绘制待评估的第M立方体,第M立方体包括任意有限数量的立方体,M为自然数。
进一步地,在同一人机交互界面输出第1立方体、所述第2立方体……直至第M立方体,M为自然数;在对比步骤和重复执行对比步骤时,根据计算机图形学的方法,对不可见部分作虚线处理。
进一步地,第1立方体、所述第2立方体…直至第M立方体,依次代表各个需要进行标定效能评估神经元的对照特征;第1立方体、第2立方体和第M立方体的空间位置关系和空间尺度关系给出神经元的评估信息;评估信息根据预设的对照特征进行分类和辨别。
进一步地,若计算机可读存储介质包括:用于存储计算机程序的存储介质本体;计算机程序在被执行时用以实现本发明的任一方法,则相应介质也落入本发明的保护范围。
进一步地,若检测装置,包括本发明的评估装置和/或包括本发明所保护的存储介质,则相应的检测装置也落入本发明的保护范围。
进一步地,若车载设备,包括本发明的评估装置和/或包括本发明所保护的存储介质,则相应的车载设备也落入本发明的保护范围。
进一步地,若某车辆,包括本发明的评估装置和/或包括本发明所保护的存储介质,则相应的车载设备也落入本发明的保护范围。
基于上述技术方案和解决的技术问题,本发明的有益效果还在于,为神经元模型作用区域的划分提供了可视化的反馈工具,提高了标定效率,利于通过直观的技术手段检查标定的合理性,同时还为多个作用区域间位置关系的辨别提供了有效的解决方案。
需要说明的是,在本发明中采用的“第一”、“第二”等类似的语汇,仅仅是为了描述技术方案中的各组成要素,并不构成对技术方案的限定,也不能理解为对相应要素重要性的指示或暗示;带有“第一”、“第二”等类似语汇的要素,表示在对应技术方案中,该要素至少包含一个。
此外,本说明书中所用语汇“第1立方体、所述第2立方体…直至所述第M立方体”,其中的“第1”、“第2”…“第M”与前述“第一”、“第二”等,具有不同的用法,第M表示第M次获得的结果。
附图说明
为了更加清晰地说明本发明的技术方案,利于对本发明的技术效果、技术特征和目的进一步理解,下面结合附图对本发明进行详细的描述,附图构成说明书的必要组成部分,与本发明的实施例一并用于说明本发明的技术方案,但并不构成对本发明的限制。
附图中的同一标号代表相同的部件,
具体地:
图1为本发明实施例一的标定效能评估流程框图;
图2为本发明实施例二的效能评估装置组成结构框图;
图3为本发明实施例三的单立方绘制示意图;
图4为本发明实施例四的人机交互界面输出示意图;
其中:
1---输入单元;3---提取单元;5---分析单元;
7---评估单元;8---单立方绘制单元;9对比单元;
10---评估装置组成结构示意图;
100---数据输入;200---参数提取;300---参数分析;400---模型输出。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细说明。当然,下列描述的具体实施例只是为了解释本发明的技术方案,而不是对本发明的限定。此外,实施例或附图中表述的部分,也仅仅是本发明相关部分的举例说明,而不是本发明的全部。
如图1所示,为本发明实施例一的标定效能评估流程框图,步骤100获取多维度的区域划分向量,为神经元模型的作用区域提供定量参照;步骤200提取区域划分向量中的一维标定参数;即至少为第一标定参数、第二标定参数、第三标定参数;步骤300获取由神经网络模型输出的核坐标;核坐标包含与多维度的维数相同个数的坐标值,核坐标用于效能评估向量初始值的构建;构建以核坐标为参照点,以区域划分向量为棱长的第N标定向量族,其中N为自然数;步骤400比较由不同的区域划分向量构建的第N标定向量族,进行神经网络模型的标定效能评估;若标定向量族内部的向量为三维向量,则在可视化界面绘制以核坐标为支撑的立方体;其中,第一标定参数、第二标定参数和第三标定参数为棱长的数值。
进一步地,如图3所示,区域划分向量包括区域核点坐标向量和棱长向量;区域核点坐标向量包括核点第一坐标P、核点第二坐标和核点第三坐标;棱长向量包括第一棱长X、第二棱长Y和第三棱长Z。
进一步地,区域核点坐标向量对应于笛卡尔坐标系的坐标值;核坐标即笛卡尔坐标系中,点元素的坐标P。
进一步地,第一棱长由第一标定参数约束、第二棱长由第二标定参数约束、第三棱长由第三标定参数约束。
进一步地,第一标定参数为转速指标,第二标定参数为负荷指标,第三标定参数为水温指标。
进一步地,如图3的单立方绘制步骤:通过获取第一核坐标P及第一棱长向量,并以第一核坐标为参照点,以第一棱长向量为立方体的三个棱长,在人机交互界面绘制第一立方体;其中,第一核坐标为网络模型在第一组标定参数下得到的核坐标;第一棱长向量为网络模型在第一组标定参数下得到的第一组棱长数据。
如图4所示,对比步骤保留第1立方体在人机交互界面的图像输出,并用重复单立方绘制步骤,绘制待评估第M立方体;其中,M为自然数;重复执行对比步骤,绘制待评估的第M立方体,第M立方体包括任意有限数量的立方体。
进一步地,如图4所示,在同一人机交互界面输出第1立方体、第2立方体……直至第M立方体,M为自然数;如图3所示,在对比步骤和重复执行对比步骤时,根据计算机图形学的方法,对不可见部分作虚线处理。
进一步地,如图4所示,第1立方体、第2立方体…直至第M立方体,依次代表需要进行标定效能评估的神经元的第M个空间分布,M为自然数。
如图2所示,为本发明实施例二的效能评估装置组成结构框图,包括:输入单元1、提取单元3、分析单元5、评估单元7;其中,输入单元1,获取多维度的区域划分向量;提取单元3,提取区域划分向量中的一维标定参数;分析单元5,获取由网络模型输出的核坐标;核坐标用于效能评估向量初始值的构建;评估单元绘制以核坐标为起始,以区域划分向量为棱长的标定向量族;比较由不同的区域划分向量构建的标定向量族,进行神经网络模型的标定效能评估;若标定向量族内部的向量为三维向量,则在可视化界面绘制以核坐标为支撑的立方体;其中,第一标定参数、第二标定参数和第三标定参数为棱长的数值。
进一步地,其单立方绘制单元8:获取第一核坐标及第一棱长向量,并以第一核坐标为参照点,以第一棱长向量为立方体的三个棱长,在人机交互界面绘制第1立方体;其中,第一核坐标为网络模型在第一组标定参数下得到的核坐标;第一棱长向量为网络模型在第一组标定参数下得到的第一组棱长数据;对比单元9保留第1立方体在人机交互界面的图像输出,并用重复单立方绘制步骤,绘制待评估第2立方体;重复执行对比单元的步骤,绘制待评估的第M立方体,第M立方体包括任意有限数量的立方体,M为自然数。
进一步地,如图3所示,在同一人机交互界面输出第1立方体、第2立方体……直至第M立方体,M为自然数;在对比步骤和重复执行对比步骤时,根据计算机图形学的方法,对不可见部分作虚线处理。
进一步地,第1立方体、第2立方体…直至第M立方体,依次代表各个需要进行标定效能评估神经元的对照特征;第1立方体、第2立方体和第M立方体的空间位置关系和空间尺度关系给出神经元的评估信息;评估信息根据预设的对照特征进行分类和辨别。
具体地,如图3所示,假设P点的三维坐标为P(x0, y0, z0),三条棱的长度分别为X, Y,Z;其中,P`点为P点的投影;
则:
即:
同理可推导出B,C,D,E,F,G,H点的坐标分别如下:
至此已经获得8个顶点的坐标,依次链接A-B-C-D-E-F-G-H点即可绘制出三维空间的立方体形状。
如图3所示,为增加立体感, D点引出的三条棱可以用虚线连接。
如图4所示,绘制以不同参照点P和定点A-B-C-D-E-F-G-H为约束的立方体,即可获得用于效能评估的三位立方体族。
结合工程实际需要,通过三维空间立方体的中心点坐标和三边棱长直接绘制出立方体,若给出其它参照点的位置,亦可通过模型推导出相应各顶点的坐标值。本发明方法可在3个维度上直观呈现各个神经元的空间分布,极大提高了神经网络模型的标定效率。
此外,由参照点推得立方体顶点的方法不唯一,同样在绘制三维立方体时,连接立方体各顶点的次序和绘制用的线型均不是唯一的,可根据模型参数的特征,灵活配置;同时,在绘制不同立方体时,为了提升视觉分辨率降低误判率,可使用不同的颜色和/或线型绘制不同的立方体,也可以考虑将同一指标参数用同一色彩表示。
需要说明的是,上述实施例仅是为了更清楚地说明本发明的技术方案,本领域技术人员可以理解,本发明的实施方式不限于以上内容,基于上述内容所进行的明显变化、替换或替代,均不超出本发明技术方案涵盖的范围;在不脱离本发明技术方案构思的情况下,其它实施方式也将落入本发明的范围。
Claims (16)
1.一种神经网络模型的标定效能评估方法,其特征在于,包括:
获取多维度的区域划分向量;其中,所述多维度是指,三维及三维以上的维度;所述区域划分向量用于为神经元模型的作用区域提供定量参照;
提取所述区域划分向量中的一维标定参数;所述一维标定参数根据所述区域划分向量的维度,至少划分为第一标定参数、第二标定参数、第三标定参数;
获取由所述神经网络模型输出的核坐标;所述核坐标包含与所述多维度的维数相同个数的坐标值,所述核坐标用于效能评估向量初始值的构建;
构建以所述核坐标为参照点,以所述区域划分向量为棱长的第N标定向量族,其中N为自然数;比较由不同的所述区域划分向量构建的第N标定向量族,进行神经网络模型的标定效能评估;
若所述标定向量族内部的向量为三维向量,则在可视化界面绘制以所述核坐标为支撑的立方体;其中,所述第一标定参数、所述第二标定参数和所述第三标定参数为棱长的数值。
2.如权利要求1所述的评估方法,其特征在于:
所述区域划分向量包括:区域核点坐标向量和棱长向量;所述区域核点坐标向量包括核点第一坐标、核点第二坐标和核点第三坐标;所述棱长向量包括第一棱长、第二棱长和第三棱长。
3.如权利要求2所述的评估方法,其特征在于:
所述区域核点坐标向量对应于笛卡尔坐标系的坐标值;所述核坐标即所述笛卡尔坐标系中,点元素的坐标。
4.如权利要求2所述的评估方法,其特征在于:
所述第一棱长由所述第一标定参数约束、所述第二棱长由所述第二标定参数约束、所述第三棱长由所述第三标定参数约束。
5.如权利要求2-4的任一所述评估方法,其特征在于:
所述第一标定参数为转速指标,所述第二标定参数为负荷指标,所述第三标定参数为水温指标。
6.如权利要求5所述的评估方法,其特征在于,包括:
单立方绘制步骤:获取第一核坐标及第一棱长向量,并以所述第一核坐标为参照点,以所述第一棱长向量为立方体的三个棱长,在人机交互界面绘制第一立方体;其中,所述第一核坐标为所述网络模型在第一组标定参数下得到的核坐标;所述第一棱长向量为所述网络模型在第一组标定参数下得到的第一组棱长数据;
对比步骤:保留所述第1立方体在所述人机交互界面的图像输出,并用重复所述单立方绘制步骤,绘制待评估第M立方体;其中,M为自然数;
重复执行所述对比步骤,绘制待评估的所述第M立方体,所述第M立方体包括任意有限数量的立方体。
7.如权利要求6所述的评估方法,其特征在于:
在同一所述人机交互界面输出所述第1立方体、所述第2立方体……直至所述第M立方体,M为自然数;
在所述对比步骤和重复执行所述对比步骤时,根据计算机图形学的方法,对不可见部分作虚线处理。
8.如权利要求6或7所述的评估方法,其特征在于:
所述第1立方体、所述第2立方体…直至所述第M立方体,依次代表需要进行标定效能评估的神经元的第M个空间分布,M为自然数。
9.一种神经网络模型的效能评估装置,其特征在于,包括:
输入单元、提取单元、分析单元、评估单元;
所述输入单元,获取多维度的区域划分向量;其中,所述多维度是指,三维及三维以上的维度;所述区域划分向量用于为神经元模型的作用区域提供定量参照;
所述提取单元,提取所述区域划分向量中的一维标定参数;所述一维标定参数根据所述区域划分向量的维度,至少划分为第一标定参数、第二标定参数、第三标定参数;
所述分析单元,获取由所述网络模型输出的核坐标;所述核坐标包含与所述多维度的维数相同个数的坐标值,所述核坐标用于效能评估向量初始值的构建;
所述评估单元,绘制以核坐标为起始,以所述区域划分向量为棱长的标定向量族;比较由不同的所述区域划分向量构建的标定向量族,进行神经网络模型的标定效能评估;
若所述标定向量族内部的向量为三维向量,则在可视化界面绘制以所述核坐标为支撑的立方体;其中,所述第一标定参数、所述第二标定参数和所述第三标定参数为棱长的数值。
10.如权利要求9所述的效能评估装置,其特征在于,包括:
单立方绘制单元:获取第一核坐标及第一棱长向量,并以所述第一核坐标为参照点,以所述第一棱长向量为立方体的三个棱长,在人机交互界面绘制第1立方体;其中,所述第一核坐标为所述网络模型在第一组标定参数下得到的核坐标;所述第一棱长向量为所述网络模型在第一组标定参数下得到的第一组棱长数据;
对比单元:保留所述第1立方体在所述人机交互界面的图像输出,并用重复所述单立方绘制步骤,绘制待评估第2立方体;重复执行所述对比单元的步骤,绘制待评估的第M立方体,所述第M立方体包括任意有限数量的立方体,M为自然数。
11.如权利要求10所述的效能评估装置,其特征在于,包括:
在同一所述人机交互界面输出所述第1立方体、所述第2立方体……直至所述第M立方体,M为自然数;
在所述对比步骤和重复执行所述对比步骤时,根据计算机图形学的方法,对不可见部分作虚线处理。
12.如权利要求11所述的效能评估装置,其特征在于,包括:
所述第1立方体、所述第2立方体…直至所述第M立方体,依次代表各个需要进行标定效能评估神经元的对照特征;
所述第1立方体、所述第2立方体和所述第M立方体的空间位置关系和空间尺度关系给出所述神经元的评估信息;所述评估信息根据预设的所述对照特征进行分类和辨别。
13.一种计算机可读存储介质,包括:
用于存储计算机程序的存储介质本体;
所述计算机程序在被执行时用以实现如权利要求1-8的任一所述方法。
14.一种检测设备,包括:
如权利要求9-12的所述效能评估装置和/或包括如权利要求13所述的存储介质。
15.一种车载设备,包括:
如权利要求14所述的检测装置。
16.一种车辆,包括:
如权利要求9-12的所述效能评估装置和/或包括如权利要求13所述的存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110871467.3A CN113538599A (zh) | 2021-07-30 | 2021-07-30 | 神经网络标定效能评估方法、装置、介质、设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110871467.3A CN113538599A (zh) | 2021-07-30 | 2021-07-30 | 神经网络标定效能评估方法、装置、介质、设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113538599A true CN113538599A (zh) | 2021-10-22 |
Family
ID=78121578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110871467.3A Pending CN113538599A (zh) | 2021-07-30 | 2021-07-30 | 神经网络标定效能评估方法、装置、介质、设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538599A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5875108A (en) * | 1991-12-23 | 1999-02-23 | Hoffberg; Steven M. | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
JP2003323603A (ja) * | 2002-04-26 | 2003-11-14 | Asia Air Survey Co Ltd | ステレオマッチング方法、3次元計測方法及び3次元計測装置並びにステレオマッチング方法のプログラム及び3次元計測のプログラム |
WO2016171186A1 (ja) * | 2015-04-20 | 2016-10-27 | 株式会社ジョブ | X線検査用のデータ処理装置及びデータ処理方法、並びに、その装置を搭載したx線検査装置 |
CN110853743A (zh) * | 2019-11-15 | 2020-02-28 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、信息处理方法及存储介质 |
KR20200079170A (ko) * | 2018-12-24 | 2020-07-02 | 삼성전자주식회사 | 시선 추정 방법 및 시선 추정 장치 |
-
2021
- 2021-07-30 CN CN202110871467.3A patent/CN113538599A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5875108A (en) * | 1991-12-23 | 1999-02-23 | Hoffberg; Steven M. | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
JP2003323603A (ja) * | 2002-04-26 | 2003-11-14 | Asia Air Survey Co Ltd | ステレオマッチング方法、3次元計測方法及び3次元計測装置並びにステレオマッチング方法のプログラム及び3次元計測のプログラム |
WO2016171186A1 (ja) * | 2015-04-20 | 2016-10-27 | 株式会社ジョブ | X線検査用のデータ処理装置及びデータ処理方法、並びに、その装置を搭載したx線検査装置 |
KR20200079170A (ko) * | 2018-12-24 | 2020-07-02 | 삼성전자주식회사 | 시선 추정 방법 및 시선 추정 장치 |
CN110853743A (zh) * | 2019-11-15 | 2020-02-28 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、信息处理方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘奕;: "5G网络技术对提升4G网络性能的研究", 数码世界, no. 04 * |
周洪伟;吴舒;陈璞;: "有限元分析快速直接求解技术进展", 力学进展, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360260A (zh) | 一种三角网格三维模型的切挖重构算法 | |
US20070067146A1 (en) | System and method of interactively optimizing shipping density for a container | |
JP2019032820A (ja) | 画像を入力とする関数を学習するためのデータセット | |
JP7253200B2 (ja) | 三次元cad用突起解析システム、三次元cad用突起解析方法及びコンピュータプログラム | |
CN112231844B (zh) | 零件模型的曲面离散方法、装置、设备及存储介质 | |
WO2015053711A1 (en) | Method and system for intelligent crane lifting | |
CN115661374B (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
CN108830554A (zh) | 基于任务模型的数据成果信息质量智能检测方法和系统 | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN114491922A (zh) | 元器件建模及参数化的方法、系统、电子设备及存储介质 | |
CN110826122B (zh) | 一种核电三维布置设计模型体素化方法及系统 | |
Shin et al. | Data enhancement for sharing of ship design models | |
CN103268633A (zh) | 一种栅格数据的等值面构造方法 | |
Bergs et al. | Development of a voxelization tool for the calculation of vector-based workpiece representations | |
CN113538599A (zh) | 神经网络标定效能评估方法、装置、介质、设备及车辆 | |
CN111199086A (zh) | 三维几何离散化处理系统 | |
Kracker et al. | Automatic analysis of crash simulations with dimensionality reduction algorithms such as PCA and t-SNE | |
JP2701003B2 (ja) | ソリッドモデル合成装置及びソリッドモデル合成方法 | |
Neves et al. | Combination and mutation strategies to support test data generation in the context of autonomous vehicles | |
JP2004318825A (ja) | 複数のポリゴンから構成される3次元モデルを2次元平面に投影する際の陰線を消去する陰線処理方法 | |
CN113658338A (zh) | 点云树木单体分割方法、装置、电子设备及存储介质 | |
Calleya et al. | Using data driven documents (D3) to explore a whole ship model | |
CN105869213B (zh) | 一种多阶fdtd网格建模方法 | |
Roj et al. | Classification of CAD-Models Based on Graph Structures and Machine Learning | |
Inui et al. | Simple offset algorithm for generating workpiece solid model for milling simulation |
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 |