CN113657522B - 一种多视图三维模型聚类方法 - Google Patents
一种多视图三维模型聚类方法 Download PDFInfo
- Publication number
- CN113657522B CN113657522B CN202110966514.2A CN202110966514A CN113657522B CN 113657522 B CN113657522 B CN 113657522B CN 202110966514 A CN202110966514 A CN 202110966514A CN 113657522 B CN113657522 B CN 113657522B
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- contrast
- clustering
- positive
- semantic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000009977 dual effect Effects 0.000 claims abstract description 6
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多视图三维模型聚类方法，包括：基于多视图间相关性，将同一三维模型的不同视图视为正样本，不同三维模型的多视图视为负样本，以构造适于对比学习的正负样本对；采用深度学习构建基于语义‑类别映射的双重对比聚类网络，联合学习三维模型数据的判别性语义特征和视点一致的聚类分配结果；引入图信息作为先验，进一步指导对比学习过程，通过挖掘具有近邻关系的三维模型正样本对，降低错误负样本的干扰；构建由特征向量对比损失、聚类分配对比损失和正则化损失组成的网络优化的多元损失函数，并获取总损失函数；利用总体损失函数训练所构建的网络模型，实现判别性语义特征和视点一致聚类结果的联合学习，提升三维模型聚类性能。
Description
技术领域
本发明涉及三维视觉、图像聚类领域，尤其涉及一种多视图三维模型聚类方法。
背景技术
随着三维视觉技术的发展及三维模型量的不断增长，三维模型的识别与分类成为当前的热点研究领域。然而，现有的识别与分类方法通常依赖于大规模的人工标注以监督网络模型的学习。因此，在无标注三维模型不断增加的趋势下，亟需探索有效的三维模型聚类方法，以无监督的方式实现三维模型的类别划分。
不同于二维图像，三维模型具有体素、点云和多视图等多种模态，而不同模态通常侧重于从不同角度描述三维模型。体素数据的处理通常依赖于较高的存储和计算成本。点云数据则由于其无序性和稀疏性，难以应用常规的卷积运算。相比之下，多视图是将三维模型进行不同角度投影所得的二维图像集合，能够很好地描述三维模型的颜色和纹理信息，具有易于获取和处理的优点。因此，从多视图数据入手，结合多视图数据特性，研究多视图三维模型聚类方法具有较高的实际应用价值。
近年来，得益于深度神经网络强大的表征学习能力，深度聚类方法在复杂图像上表现出了良好的性能，目前已广泛应用于自然图像聚类任务。其中，基于联合优化的深度聚类方法通过将深度表征学习与聚类或其他辅助目标相结合，在表征学习的同时优化聚类分配过程，进一步保证了网络生成聚类友好的特征表达，获得了较好的聚类性能。例如，Li等人提出了对比聚类方法，通过在统一的框架中利用实例级和类别级对比学习，同时学习图像及其正例之间的不变性语义特征和一致性聚类分配。然而，该方法在构造各样本图像的正例时，仅考虑了样本自身，忽略了其余的同类样本，不可避免地存在错误负样本的严重干扰。充分考虑同类别内所有样本之间的关联关系，设计合理的正负对构造及优化策略有助于在对比聚类过程中降低错误样本影响，促使网络学习到更具判别性的语义特征，提升聚类性能。
综上所述，以基于联合优化的深度聚类方法为依托，通过挖掘多视图间相关性，设计合理的对比学习策略，探索多视图三维模型聚类方法具有重要的研究意义。
发明内容
为了探索多视图间相关性，并从视图中学习聚类友好的三维模型语义特征，本发明提出了一种多视图三维模型聚类方法，通过设计合理的正负样本对比及优化策略，在统一的框架中联合学习判别性的高级语义特征及一致性的聚类分配结果，从而获取较好的三维模型聚类性能，详见下文描述：
一种多视图三维模型聚类方法，所述方法将深度聚类扩展至三维模型领域，所述方法包括以下步骤：
基于多视图间相关性，将同一三维模型的不同视图视为正样本，不同三维模型的多视图视为负样本，以构造适于对比学习的正负样本对；
采用深度学习构建基于语义-类别映射的双重对比聚类网络，联合学习三维模型数据的判别性语义特征和视点一致的聚类分配结果；
引入图信息作为先验，进一步指导对比学习过程，通过挖掘具有近邻关系的三维模型正样本对，降低错误负样本的干扰；
构建由特征向量对比损失、聚类分配对比损失和正则化损失组成的网络优化的多元损失函数，并获取总损失函数；
利用总体损失函数训练所构建的网络模型，实现判别性语义特征和视点一致聚类结果的联合学习，提升三维模型聚类性能。
在一种实施方式中，所述基于多视图间相关性，将同一三维模型的不同视图视为正样本，不同三维模型的多视图视为负样本，以构造适于对比学习的正负样本对具体为：
在每次迭代时，随机从小批量样本集的三维模型样本Ii的若干张视图中，任选二张 构成对比学习的正样本对；
同时与该批量内其余三维模型的所选视图均构成负样本对，以用于对比学习过程。
在一种实施方式中，所述采用深度学习构建基于语义-类别映射的双重对比聚类网络包括：共享参数的双分支特征提取网络、语义映射模块和类别映射模块三部分，
在每次迭代时，网络的两分支分别以数据矩阵为输入，利用18层残差卷积组成的特征提取网络及2层全连接层组成的语义映射模块将两输入映射至语义空间中，获取语义特征；
利用18层残差卷积组成的特征提取网络及2层全连接层组成的类别映射模块将两输入映射至类别空间中，获取聚类分配矩阵；
基于聚类分配矩阵中的各元素值，获得最终聚类结果。
进一步地，所述引入图信息作为先验，进一步指导对比学习过程，通过挖掘具有近邻关系的三维模型正样本对，降低错误负样本的干扰具体为：
对于每次迭代的批量样本集，随机从三维模型Ii的视图集合中任选其一视图xi v，并与该批量内其余三维模型的所选视图构建视点v对应的邻接矩阵；
按照邻接矩阵的构建方式，分别构建其余视点对应的邻接矩阵，并筛选出高置信度邻接矩阵；
基于高置信度邻接矩阵中的各元素值将/>位置处对应的三维模型加入正样本集，同时从负样本集中删除；同理，将/>位置处对应的三维模型Ii、Ij加入负样本集。
其中，所述特征向量对比损失在设计时充分考虑了图先验中“多对多”的正负对设置，通过最大化正样本集之间的相似度、最小化负样本集之间的相似度，促使网络挖掘三维模型的高级语义信息，逐步学习到正样本之间的一致语义信息。
其中，所述特征向量对比损失的表达式为：
其中，和/>分别表示语义特征/>的第i个行向量，/>和/>分别表示语义特征/>的第j个行向量，sim(,)表示余弦相似度；τfc表示特征向量对比的权重系数。
本发明提供的技术方案的有益效果是：
1、本发明将深度聚类扩展至三维模型领域，通过挖掘视图间的相关性，设计了合理的正负例构造策略，以对比学习的方式有效提取三维模型的语义特征，并通过约束聚类分配过程，保证了多视点聚类结果的一致性；
2、本发明引入了高置信度的图信息先验，指导对比学习的过程，进一步提升了三维模型的聚类性能。
附图说明
图1为一种多视图三维模型聚类方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种多视图三维模型聚类方法，参见图1，该方法包括以下步骤：
一、构造面向多视图的正负样本对
基于多视图间相关性，将同一三维模型的不同视图视为正样本，不同三维模型的多视图视为负样本，以构造适于对比学习的正负样本对。三维模型样本集表示为其中Ii表示第i个三维模型，n表示三维模型总数。在每次迭代时，对于/>的小批量样本集其中k表示批量内的三维模型数目，随机从Ii的12张多视图/>中任选其二，记为其中h×w表示单视图的空间尺寸，r表示通道数，构成对比学习的正样本对，同时/>与该批量内其余三维模型/>的所选视图/> 均构成负样本对，以用于对比学习过程。
二、构建基于语义-类别映射的双重对比聚类框架
在选定正负样本对的基础上，利用深度学习构建基于语义-类别映射的双重对比聚类网络框架，联合学习三维模型数据的判别性语义特征和视点一致的聚类分配结果。总体框架包括：共享参数的双分支特征提取网络CNN(·)、语义映射模块MLPS(·)和类别映射模块MLPC(·)三部分。
在每次迭代时，网络的两分支分别以数据矩阵 为输入，利用18层残差卷积组成的特征提取网络及2层全连接层组成的语义映射模块将两输入映射至语义空间中，获取语义特征/>
其中，d表示语义映射后的特征维度。
与此同时，利用18层残差卷积组成的特征提取网络及2层全连接层组成的类别映射模块将两输入映射至类别空间中，获取聚类分配矩阵
其中，c表示聚类数目。此后，基于中的各元素值/>通过如下计算过程，获得最终聚类结果：
其中，pi表示第i个三维模型的预测类别。
其中，上述的残差卷积神经网络和全连接层为本领域技术人员所公知，本发明实施例对此不做赘述；类别映射模块和语义映射模块均由2层全连接层构成，但不共享参数，分别将输入特征映射至d维的语义空间和c维的类别空间中。
三、设计图信息引导的对比学习优化机制
除三维模型样本自身外，为在对比学习过程中挖掘同类别内的其余三维模型，引入图信息作为先验，进一步指导对比学习过程。
对于每次迭代的批量样本集随机从三维模型Ii的视图集合/>中任选其一xi v，并与该批量内其余三维模型/>的所选视图/>构建视点v对应的邻接矩阵Av∈Rk×k，构建方式采用K近邻。
进一步地，按照Av的构建方式，分别构建其余11个视点对应的邻接矩阵{A1,…,Av-1,Av+1,…,A12}，并根据{A1,...,A12}筛选出高置信度邻接矩阵基于中的各元素值/>将/>位置处对应的三维模型Ii、Ij加入正样本集，同时从负样本集中删除；同理，将/>位置处对应的三维模型Ii、Ij加入负样本集。
四、构建网络优化的多元损失函数
1)特征向量对比损失
特征向量对比损失Lfc通过最大化正样本之间的相似度、最小化负样本之间的相似度，促使网络挖掘三维模型的高级语义信息。
由于上述图信息先验的引入，区别于常规对比学习中“一对多”的正负对设置，本发明采用的是“多对多”的正负对设置，即正样本集同时包括样本自身及其近邻样本。
基于此，设计特征向量对比损失Lfc如下：
其中，和/>分别表示语义特征/>的第i个行向量，/>和/>分别表示语义特征/>的第j个行向量，/>表示/>和/>之间的余弦相似度，/>表示/>和/>之间的余弦相似度；τfc表示特征向量对比的权重系数，其值越小，表示网络对困难负样本的关注度越大，在本发明实施例中，将τfc设置为0.5。
其中，在语义空间中，该项约束会增大互为正样本的视图之间的特征相似度(对应公式(4)中的分子)，同时减小负样本的视图之间的特征相似度(对应分母)，通过该约束，网络能够不断挖掘正视图之间的一致信息(因为分子越大，表示正视图之间的特征相似度越高，即从正视图中挖掘到了更多的一致信息)，由于正视图之间的一致信息主要表现在语义方面，即对应类别是一致的，因此，该项损失能促进网络逐步学习到正样本之间的一致语义信息。
2)聚类分配对比损失
同一三维模型的不同视图具有一致的语义信息，应共享相同的聚类结果，基于此，本发明采用聚类分配对比损失Lcc以保证多视图之间聚类分配的一致性，具体公式表示为：
其中，分别表示聚类分配矩阵/>的转置矩阵，/>和/>分别为/>和/>的第i个行向量，即对应于聚类分配矩阵/>的第i个列向量，/>和分别为/>和/>的第j个行向量，即对应于聚类分配矩阵/>的第j个列向量，表示/>和/>之间的余弦相似度，/>表示/>和/>之间的余弦相似度，τcc表示聚类分配对比的权重系数，在本发明实施例中，将其值设置为1.0。
3)正则化损失
深度聚类容易出现网络将多数样本分配至一个或极少数类别中的平凡解现象。基于此，通过均匀化不同类别之间的聚类分配概率，本发明构建聚类正则化损失如下：
其中，表示/>中第j类的聚类分配概率，表示/>中第j类的聚类分配概率，/>和/>分别为/>和/>中第i行第j列对应的元素值。
4)构建总体损失函数
为了联合学习三维模型数据的判别性语义特征和视点一致性的聚类分配，融合各损失函数，以训练整个网络。网络优化的总损失函数Ltota表示如下：
Ltotal＝Lfc+αLcc+βLcr (7)
其中，α、β表示不同损失对应的权重系数，在本发明实施例中，分别设置为1.0、3.0。通过利用总体损失函数Ltotal训练网络，实现判别性语义特征和视点一致性聚类结果的联合学习，提升三维模型聚类性能。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种多视图三维模型聚类方法，其特征在于，所述方法将深度聚类扩展至三维模型领域，所述方法包括以下步骤：
基于多视图间相关性，将同一三维模型的不同视图视为正样本，不同三维模型的多视图视为负样本，以构造适于对比学习的正负样本对；
采用深度学习构建基于语义-类别映射的双重对比聚类网络，联合学习三维模型数据的判别性语义特征和视点一致的聚类分配结果；
引入图信息作为先验，进一步指导对比学习过程，通过挖掘具有近邻关系的三维模型正样本对，降低错误负样本的干扰；
构建由特征向量对比损失、聚类分配对比损失和正则化损失组成的网络优化的多元损失函数，并获取总损失函数；
利用总体损失函数训练所构建的网络模型，实现判别性语义特征和视点一致聚类结果的联合学习，提升三维模型聚类性能；
所述采用深度学习构建基于语义-类别映射的双重对比聚类网络包括：共享参数的双分支特征提取网络、语义映射模块和类别映射模块三部分，在每次迭代时，网络的两分支分别以数据矩阵为输入，利用18层残差卷积组成的特征提取网络及2层全连接层组成的语义映射模块将两输入映射至语义空间中，获取语义特征；
利用18层残差卷积组成的特征提取网络及2层全连接层组成的类别映射模块将两输入映射至类别空间中，获取聚类分配矩阵；
基于聚类分配矩阵中的各元素值，获得最终聚类结果；
所述特征向量对比损失的表达式为：
其中，和/>分别表示语义特征/>的第i个行向量，/>和/>分别表示语义特征/>的第j个行向量，sim(,)表示余弦相似度；τfc表示特征向量对比的权重系数；
所述聚类分配对比损失的表达式为：
其中，分别表示聚类分配矩阵/>的转置矩阵，/>和/>分别为/>和/>的第i个行向量，即对应于聚类分配矩阵/>的第i个列向量，/>和/>分别为/>和/>的第j个行向量，即对应于聚类分配矩阵/>的第j个列向量，表示/>和/>之间的余弦相似度，/>表示/>和/>之间的余弦相似度，τcc表示聚类分配对比的权重系数；
所述正则化损失的表达式如下：
其中，
表示/>中第j类的聚类分配概率，/>表示中第j类的聚类分配概率，/>和/>分别为/>和/>中第i行第j列对应的元素值；
总损失函数Ltotal表示如下：
Ltotal＝Lfc+αLcc+βLcr
其中，α、β表示不同损失对应的权重系数。
2.根据权利要求1所述的一种多视图三维模型聚类方法，其特征在于，所述基于多视图间相关性，将同一三维模型的不同视图视为正样本，不同三维模型的多视图视为负样本，以构造适于对比学习的正负样本对具体为：
在每次迭代时，随机从小批量样本集的三维模型样本Ii的若干张视图中，任选二张视图构成对比学习的正样本对；
同时视图与该批量内其余三维模型的所选视图均构成负样本对，以用于对比学习过程。
3.根据权利要求1所述的一种多视图三维模型聚类方法，其特征在于，所述引入图信息作为先验，进一步指导对比学习过程，通过挖掘具有近邻关系的三维模型正样本对，降低错误负样本的干扰具体为：
对于每次迭代的批量样本集，随机从三维模型Ii的视图集合中任选其一视图xi v，并与该批量内其余三维模型的所选视图构建视点v对应的邻接矩阵；
按照邻接矩阵的构建方式，分别构建其余视点对应的邻接矩阵，并筛选出高置信度邻接矩阵；
基于高置信度邻接矩阵中的各元素值将/>位置处对应的三维模型加入正样本集，同时从负样本集中删除；同理，将/>位置处对应的三维模型Ii、Ij加入负样本集。
4.根据权利要求1所述的一种多视图三维模型聚类方法，其特征在于，所述特征向量对比损失在设计时充分考虑了图先验中“多对多”的正负对设置，通过最大化正样本集之间的相似度、最小化负样本集之间的相似度，促使网络挖掘三维模型的高级语义信息，逐步学习到正样本之间的一致语义信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110966514.2A CN113657522B (zh) | 2021-08-23 | 2021-08-23 | 一种多视图三维模型聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110966514.2A CN113657522B (zh) | 2021-08-23 | 2021-08-23 | 一种多视图三维模型聚类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657522A CN113657522A (zh) | 2021-11-16 |
| CN113657522B true CN113657522B (zh) | 2023-11-24 |
Family
ID=78480654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110966514.2A Active CN113657522B (zh) | 2021-08-23 | 2021-08-23 | 一种多视图三维模型聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657522B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998633B (zh) * | 2022-06-28 | 2024-06-21 | 河南大学 | 一种基于视图注意力驱动的多视图聚类方法 |
| CN116246039B (zh) * | 2023-05-12 | 2023-07-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的三维流场网格分类分割方法 |
| CN116994073B (zh) * | 2023-09-27 | 2024-01-26 | 江西师范大学 | 一种自适应正负样本生成的图对比学习方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993214A (zh) * | 2019-03-08 | 2019-07-09 | 华南理工大学 | 基于拉普拉斯正则化和秩约束的多视图聚类方法 |
| CN112070105A (zh) * | 2020-07-14 | 2020-12-11 | 辽宁师范大学 | 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 |
| CN112347932A (zh) * | 2020-11-06 | 2021-02-09 | 天津大学 | 一种点云-多视图融合的三维模型识别方法 |
| CN113095172A (zh) * | 2021-03-29 | 2021-07-09 | 天津大学 | 一种基于深度学习的点云三维物体检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819019B (zh) * | 2019-11-15 | 2023-06-20 | 财团法人资讯工业策进会 | 分类模型生成装置及其分类模型生成方法 |
-
2021
- 2021-08-23 CN CN202110966514.2A patent/CN113657522B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993214A (zh) * | 2019-03-08 | 2019-07-09 | 华南理工大学 | 基于拉普拉斯正则化和秩约束的多视图聚类方法 |
| CN112070105A (zh) * | 2020-07-14 | 2020-12-11 | 辽宁师范大学 | 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 |
| CN112347932A (zh) * | 2020-11-06 | 2021-02-09 | 天津大学 | 一种点云-多视图融合的三维模型识别方法 |
| CN113095172A (zh) * | 2021-03-29 | 2021-07-09 | 天津大学 | 一种基于深度学习的点云三维物体检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多视图SIFT特征的三维模型检索;江秋鑫;华顺刚;时树胜;光电技术应用;第26卷(第004期);56-60 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657522A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657522B (zh) | 一种多视图三维模型聚类方法 | |
| CN108629367B (zh) | 一种基于深度网络增强服装属性识别精度的方法 | |
| CN113569979B (zh) | 一种基于注意力机制的三维物体点云分类方法 | |
| CN110188228A (zh) | 基于草图检索三维模型的跨模态检索方法 | |
| CN105760821A (zh) | 基于核空间的分类聚集稀疏表示的人脸识别方法 | |
| CN112464004A (zh) | 一种多视角深度生成图像聚类方法 | |
| CN113780389B (zh) | 基于一致性约束的深度学习半监督密集匹配方法及系统 | |
| CN110263855B (zh) | 一种利用共基胶囊投影进行图像分类的方法 | |
| CN113343974A (zh) | 考虑模态间语义距离度量的多模态融合分类优化方法 | |
| CN112115806A (zh) | 基于Dual-ResNet小样本学习的遥感影像场景精确分类方法 | |
| CN113610139A (zh) | 一种多视角强化图像聚类方法 | |
| Sharma et al. | Prifit: Learning to fit primitives improves few shot point cloud segmentation | |
| CN115272696A (zh) | 一种基于自适应卷积和局部几何信息的点云语义分割方法 | |
| Tang et al. | Learning inter-superpoint affinity for weakly supervised 3d instance segmentation | |
| Lee | A geometric perspective on autoencoders | |
| CN113505831A (zh) | 一种基于核范数约束的多视图聚类方法及系统 | |
| Yan et al. | Vaccine-style-net: Point cloud completion in implicit continuous function space | |
| CN111506832B (zh) | 一种基于块矩阵补全的异构对象补全方法 | |
| CN106529601B (zh) | 基于稀疏子空间多任务学习的图像分类预测方法 | |
| CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
| CN116580036A (zh) | 基于Transformer和U-Net融合网络的腹部多器官分割方法 | |
| CN110781972A (zh) | 一种增量无监督多模态相关特征学习模型 | |
| CN116188428A (zh) | 一种桥接多源域自适应的跨域组织病理学图像识别方法 | |
| CN115019053A (zh) | 一种用于点云分类分割的动态图语义特征提取方法 | |
| CN115690439A (zh) | 基于图像平面的特征点聚集方法、装置及电子设备 |
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 |