CN116188719A - 一种实景三维数据的碎片去除方法 - Google Patents
一种实景三维数据的碎片去除方法 Download PDFInfo
- Publication number
- CN116188719A CN116188719A CN202310471321.9A CN202310471321A CN116188719A CN 116188719 A CN116188719 A CN 116188719A CN 202310471321 A CN202310471321 A CN 202310471321A CN 116188719 A CN116188719 A CN 116188719A
- Authority
- CN
- China
- Prior art keywords
- live
- dimensional data
- action
- model
- fragments
- 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.)
- Granted
Links
- 239000012634 fragment Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000011176 pooling Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims abstract description 6
- 238000013499 data model Methods 0.000 claims description 31
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/61—Scene description
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种实景三维数据的碎片去除方法，涉及实景三维数据技术领域，具体为一种实景三维数据的碎片去除方法，具体步骤如下：步骤一：将实景三维数据划分成大小为n*n*n的小块；步骤二：设计一个卷积神经网络模型，该模型包括卷积层、池化层和全连接层，其中每个卷积层包括多个卷积核，每个池化层采用最大池化，每个全连接层包含多个神经元，卷积层和全连接层之间加入dropout和batch normalization；步骤三：利用标注好的实景三维数据和人工生成的碎片数据对模型进行训练。该实景三维数据的碎片去除方法，能够实现高效的实景三维数据的碎片去除。
Description
技术领域
本发明涉及实景三维数据技术领域，具体为一种实景三维数据的碎片去除方法。
背景技术
三维实景是运用数码相机对现有场景进行多角度环视拍摄然后进行后期缝合并加载播放程序来完成的一种三维虚拟展示技术，三维实景英文称为3DIVR；它是一种运用数码相机对现有场景进行多角度环视拍摄然后进行后期缝合并加载播放程序来完成的一种三维虚拟展示技术；三维实景在浏览中可以由观赏者对图像进行放大、缩小、移动、多角度观看等操作；三维实景技术广泛应用于诸多领域网络虚拟展示；三维实景的技术特点如下：通过专业相机把现场场景完整、细致地拍摄记录下来，不留死角；再通过播放器将图片一切景致，多角度、全方位展示给访问者，一览无遗；三维实景图像源自对真实场景的摄影捕捉，虽然通过实景制作出虚拟空间，但此虚拟空间完全源自于真实的场景，有别于电脑绘制出的虚拟空间，给访问者更加真实的视觉享受；360°环视播放效果，让访问者置身于三维立体空间里，任意穿行、观赏，身临其境，享受虚拟世界带来的奇妙幻境；
该技术通过新增多个不同角度的镜头，从一个垂直、四个倾斜、五个不同的角度同时采集影像数据，获取到丰富的建筑物顶面及侧视的高分辨率纹理数据，可以同时获得同一位置多个不同角度的、具有高分辨率的三维影像。
随着三维扫描技术的发展，实景三维数据的获取变得越来越普遍。然而，在实际应用中，由于各种原因，实景三维数据中可能存在碎片，即存在未能被完整扫描的区域，这会影响实景三维数据的质量和应用效果。因此，需要一种高效的方法来去除实景三维数据中的碎片。
现有专利（公开号：CN115512344A）公开了一种三维实景图像识别处理方法、系统及云平台，对目标三维实景图像的植物分布情况和建筑物分布情况进行位置关系确定得到位置分布变量，并根据位置分布变量对目标三维实景图像进行分类决策，以得到目标三维实景图像的目标事物信息种类和不少于一个异常描述，并将目标事物信息种类和异常描述确定为异常警示数据加载至图像优化线程，以实现对所述目标三维实景图像的优化处理，因此，能够实现三维实景图像的自动识别，能够精确的确定出目标三维实景图像的目标事物信息种类和异常描述，能够准确地识别到异常警示数据，这样一来，能够准确的对异常警示数据进行优化，从而实现准确地对图像进行识别处理，保证三维实景图像的可信度。实景三维数据中可能存在碎片，即存在未能被完整扫描的区域，这会影响实景三维数据的质量和应用效果，传统的碎片去除方法主要基于传统的图像处理技术，如滤波和插值等，然而，这些方法往往需要人工干预和大量的计算资源，且效果不尽如人意，不能很好满足人们的使用需求等缺点。
发明内容
针对现有技术的不足，本发明提供了一种实景三维数据的碎片去除方法，解决了上述背景技术中提出实景三维数据中可能存在碎片，即存在未能被完整扫描的区域，这会影响实景三维数据的质量和应用效果，传统的碎片去除方法主要基于传统的图像处理技术，如滤波和插值等，然而，这些方法往往需要人工干预和大量的计算资源，且效果不尽如人意的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种实景三维数据的碎片去除方法，所述实景三维数据的碎片去除方法的具体步骤如下：
步骤一：将实景三维数据划分成大小为n*n*n的小块；
步骤二：设计一个卷积神经网络模型，该模型包括卷积层、池化层和全连接层，其中每个卷积层包括多个卷积核，每个池化层采用最大池化，每个全连接层包含多个神经元，卷积层和全连接层之间加入dropout和batch normalization；
步骤三：利用标注好的实景三维数据和人工生成的碎片数据对模型进行训练；
步骤四：对于每个小块，将其输入到模型中进行预测。如果模型预测该小块存在碎片，则将该小块中的碎片去除。如果模型预测该小块不存在碎片，则该小块不做处理；
步骤五：将处理后的小块拼接成完整的实景三维数据。
可选的，所述步骤一中的实景三维数据包括点云数据或图像数据中的其中任意一种。
可选的，所述步骤一种的实景三维数据小块的大小尺寸为32*32*32px。
可选的，所述步骤二中的卷积神经网络模型采用ReLU作为激活函数值。
可选的，所述步骤三中对标注好实景三维数据模型的训练采用Adam优化器进行模型训练。
可选的，所述步骤三中实景三维数据模型的训练采用100个epoch。
可选的，所述步骤三中实景三维数据模型的训练时，采用数据增强技术，包括旋转、平移、缩放和添加噪声等，以增加实景三维数据模型的鲁棒性和泛化能力。
可选的，所述步骤三中实景三维数据模型的训练过程中，对实景三维数据模型进行交叉验证和调参，以提高实景三维数据模型的准确率和稳定性。
可选的，所述步骤四中将实景三维数据模型部署到云端服务器上，以实现分布式计算和在线实时处理的功能。
可选的，所述步骤一至步骤四中的实景三维数据的碎片去除方法适用于自动化处理实景三维数据，其中包括城市建筑、道路、桥梁以及水利设施领域中的任意一种。
本发明提供了一种实景三维数据的碎片去除方法，具备以下有益效果：
该实景三维数据的碎片去除方法，采用基于深度学习的方法进行实景三维数据的碎片去除。利用深度学习技术可以有效地提取实景三维数据中的特征，从而识别和去除碎片。此外，本发明的方法可以自动化地处理大量的实景三维数据，并且处理效果良好；
采用深度学习技术进行实景三维数据的碎片去除，可以自动化地处理大量的实景三维数据，设计了一个基于深度学习的模型，能够高效地识别和去除碎片；采用了dropout和batch normalization等技术，提高了模型的泛化能力，该方法可广泛应用于实景三维数据的处理和应用中。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明提供一种技术方案：一种实景三维数据的碎片去除方法，实景三维数据的碎片去除方法的具体步骤如下：
步骤一：将实景三维数据划分成大小为n*n*n的小块；
步骤二：设计一个卷积神经网络模型，该模型包括卷积层、池化层和全连接层，其中每个卷积层包括多个卷积核，每个池化层采用最大池化，每个全连接层包含多个神经元，卷积层和全连接层之间加入dropout和batch normalization；
步骤三：利用标注好的实景三维数据和人工生成的碎片数据对模型进行训练；
步骤四：对于每个小块，将其输入到模型中进行预测。如果模型预测该小块存在碎片，则将该小块中的碎片去除。如果模型预测该小块不存在碎片，则该小块不做处理；
步骤五：将处理后的小块拼接成完整的实景三维数据。
本实施例中，步骤一中的实景三维数据包括点云数据或图像数据中的其中任意一种。
本实施例中，步骤一种的实景三维数据小块的大小尺寸为32*32*32px。
本实施例中，步骤二中的卷积神经网络模型采用ReLU作为激活函数值。
本实施例中，步骤三中对标注好实景三维数据模型的训练采用Adam优化器进行模型训练。
本实施例中，步骤三中实景三维数据模型的训练采用100个epoch。
本实施例中，步骤三中实景三维数据模型的训练时，采用数据增强技术，包括旋转、平移、缩放和添加噪声等，以增加实景三维数据模型的鲁棒性和泛化能力。
本实施例中，步骤三中实景三维数据模型的训练过程中，对实景三维数据模型进行交叉验证和调参，以提高实景三维数据模型的准确率和稳定性。
本实施例中，步骤四中将实景三维数据模型部署到云端服务器上，以实现分布式计算和在线实时处理的功能。
本实施例中，步骤一至步骤四中的实景三维数据的碎片去除方法适用于自动化处理实景三维数据，其中包括城市建筑、道路、桥梁以及水利设施领域中的任意一种。
实施例2
本发明提供一种技术方案：一种实景三维数据的碎片去除方法，实景三维数据的碎片去除方法的具体步骤如下：
步骤一：将实景三维数据划分成大小为n*n*n的小块，实景三维数据包括点云数据或图像数据中的其中任意一种，实景三维数据小块的大小尺寸为32*32*32px；
步骤二：设计一个卷积神经网络模型，该模型包括卷积层、池化层和全连接层，其中每个卷积层包括多个卷积核，每个池化层采用最大池化，每个全连接层包含多个神经元，卷积层和全连接层之间加入dropout和batch normalization，卷积神经网络模型采用ReLU作为激活函数值；
步骤三：利用标注好的实景三维数据和人工生成的碎片数据对模型进行训练，对标注好实景三维数据模型的训练采用Adam优化器进行模型训练，实景三维数据模型的训练采用100个epoch；
步骤四：对于每个小块，将其输入到模型中进行预测。如果模型预测该小块存在碎片，则将该小块中的碎片去除。如果模型预测该小块不存在碎片，则该小块不做处理；
步骤五：将处理后的小块拼接成完整的实景三维数据。
在实景三维数据模型训练时，采用数据增强技术，包括旋转、平移、缩放和添加噪声等，以增加实景三维数据模型的鲁棒性和泛化能力，对实景三维数据模型进行交叉验证和调参，以提高实景三维数据模型的准确率和稳定性；
将实景三维数据模型部署到云端服务器上，以实现分布式计算和在线实时处理的功能；
该实景三维数据的碎片去除方法适用于自动化处理实景三维数据，其中包括城市建筑、道路、桥梁以及水利设施领域中的任意一种。
实施例3
本发明提供一种技术方案：一种实景三维数据的碎片去除方法，实景三维数据的碎片去除方法的具体步骤如下：
步骤一：将实景三维数据划分成大小为32x32x32px的小块；
步骤二：设计一个卷积神经网络，包括3个卷积层、2个池化层和2个全连接层；其中，每个卷积层包含64个5x5x5的卷积核，每个池化层采用最大池化，每个全连接层包含128个神经元；采用ReLU作为激活函数，并在卷积层和全连接层之间添加dropout和batchnormalization；
步骤三：利用标注好的实景三维数据和人工生成的碎片数据，采用Adam优化器进行模型训练；训练100个epoch，每个epoch使用随机的batch数据进行训练；
步骤四：利用训练好的模型对实景三维数据中的碎片进行检测和去除；对于每个小块，将其输入到模型中进行预测；如果模型预测该小块存在碎片，则将该小块中的碎片去除；如果模型预测该小块不存在碎片，则该小块不做处理；
步骤五：将处理后的小块拼接成完整的实景三维数据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种实景三维数据的碎片去除方法，其特征在于：所述实景三维数据的碎片去除方法的具体步骤如下：
步骤一：将实景三维数据划分成大小为n*n*n的小块；
步骤二：设计一个卷积神经网络模型，该模型包括卷积层、池化层和全连接层，其中每个卷积层包括多个卷积核，每个池化层采用最大池化，每个全连接层包含多个神经元，卷积层和全连接层之间加入dropout和batch normalization；
步骤三：利用标注好的实景三维数据和人工生成的碎片数据对模型进行训练；
步骤四：对于每个小块，将其输入到模型中进行预测；如果模型预测该小块存在碎片，则将该小块中的碎片去除；如果模型预测该小块不存在碎片，则该小块不做处理；
步骤五：将处理后的小块拼接成完整的实景三维数据。
2.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤一中的实景三维数据包括点云数据或图像数据中的其中任意一种。
3.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤一种的实景三维数据小块的大小尺寸为32*32*32px。
4.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤二中的卷积神经网络模型采用ReLU作为激活函数值。
5.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤三中对标注好实景三维数据模型的训练采用Adam优化器进行模型训练。
6.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤三中实景三维数据模型的训练采用100个epoch。
7.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤三中实景三维数据模型的训练时，采用数据增强技术，包括旋转、平移、缩放和添加噪声，以增加实景三维数据模型的鲁棒性和泛化能力。
8.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤三中实景三维数据模型的训练过程中，对实景三维数据模型进行交叉验证和调参，以提高实景三维数据模型的准确率和稳定性。
9.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤四中将实景三维数据模型部署到云端服务器上，以实现分布式计算和在线实时处理的功能。
10.根据权利要求1所述的一种实景三维数据的碎片去除方法，其特征在于：所述步骤一至步骤四中的实景三维数据的碎片去除方法适用于自动化处理实景三维数据，其中包括城市建筑、道路、桥梁以及水利设施领域中的任意一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310471321.9A CN116188719B (zh) | 2023-04-27 | 2023-04-27 | 一种实景三维数据的碎片去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310471321.9A CN116188719B (zh) | 2023-04-27 | 2023-04-27 | 一种实景三维数据的碎片去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116188719A true CN116188719A (zh) | 2023-05-30 |
| CN116188719B CN116188719B (zh) | 2023-11-17 |
Family
ID=86452684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310471321.9A Active CN116188719B (zh) | 2023-04-27 | 2023-04-27 | 一种实景三维数据的碎片去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116188719B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2972183A1 (en) * | 2015-12-14 | 2017-06-22 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
| CN108961429A (zh) * | 2018-06-08 | 2018-12-07 | 大连理工大学 | 一种文物碎片模型自动分割及拼接方法 |
| WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| CN110276839A (zh) * | 2019-06-20 | 2019-09-24 | 武汉大势智慧科技有限公司 | 一种基于实景三维数据的底部碎片去除方法 |
| CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
| CN112419261A (zh) * | 2020-11-19 | 2021-02-26 | 江汉大学 | 具有异常点去除功能的视觉采集方法及装置 |
| CN112669230A (zh) * | 2020-12-23 | 2021-04-16 | 天津博迈科海洋工程有限公司 | 基于卷积神经网络的点云数据去噪方法 |
| US20210158495A1 (en) * | 2019-11-22 | 2021-05-27 | Adobe Inc. | Image manipulation using deep learning techniques in a patch matching operation |
| CN113515969A (zh) * | 2020-04-09 | 2021-10-19 | 广西壮族自治区自然资源信息中心 | 基于卷积神经网络的多时态遥感影像地表覆盖分类方法 |
| KR20220052147A (ko) * | 2020-10-20 | 2022-04-27 | 국방과학연구소 | 파편 검출 방법 및 장치 |
| CN114998103A (zh) * | 2022-05-27 | 2022-09-02 | 中国计量大学 | 一种基于孪生网络的点云文物碎片的三维虚拟拼接方法 |
| EP4075325A1 (en) * | 2021-04-15 | 2022-10-19 | Ardigen S.A. | Method and system for the classification of histopathological images based on multiple instance learning |
| CN115439456A (zh) * | 2022-09-18 | 2022-12-06 | 湖南智享未来生物科技有限公司 | 一种病理图像中对象检测识别方法及装置 |
| CN115512344A (zh) * | 2022-09-21 | 2022-12-23 | 童继叶 | 一种三维实景图像识别处理方法、系统及云平台 |
-
2023
- 2023-04-27 CN CN202310471321.9A patent/CN116188719B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190012768A1 (en) * | 2015-12-14 | 2019-01-10 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
| CA2972183A1 (en) * | 2015-12-14 | 2017-06-22 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
| WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| CN108961429A (zh) * | 2018-06-08 | 2018-12-07 | 大连理工大学 | 一种文物碎片模型自动分割及拼接方法 |
| CN110276839A (zh) * | 2019-06-20 | 2019-09-24 | 武汉大势智慧科技有限公司 | 一种基于实景三维数据的底部碎片去除方法 |
| US20210158495A1 (en) * | 2019-11-22 | 2021-05-27 | Adobe Inc. | Image manipulation using deep learning techniques in a patch matching operation |
| CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
| CN113515969A (zh) * | 2020-04-09 | 2021-10-19 | 广西壮族自治区自然资源信息中心 | 基于卷积神经网络的多时态遥感影像地表覆盖分类方法 |
| KR20220052147A (ko) * | 2020-10-20 | 2022-04-27 | 국방과학연구소 | 파편 검출 방법 및 장치 |
| CN112419261A (zh) * | 2020-11-19 | 2021-02-26 | 江汉大学 | 具有异常点去除功能的视觉采集方法及装置 |
| CN112669230A (zh) * | 2020-12-23 | 2021-04-16 | 天津博迈科海洋工程有限公司 | 基于卷积神经网络的点云数据去噪方法 |
| EP4075325A1 (en) * | 2021-04-15 | 2022-10-19 | Ardigen S.A. | Method and system for the classification of histopathological images based on multiple instance learning |
| CN114998103A (zh) * | 2022-05-27 | 2022-09-02 | 中国计量大学 | 一种基于孪生网络的点云文物碎片的三维虚拟拼接方法 |
| CN115439456A (zh) * | 2022-09-18 | 2022-12-06 | 湖南智享未来生物科技有限公司 | 一种病理图像中对象检测识别方法及装置 |
| CN115512344A (zh) * | 2022-09-21 | 2022-12-23 | 童继叶 | 一种三维实景图像识别处理方法、系统及云平台 |
Non-Patent Citations (2)
| Title |
|---|
| 刘琼 等: "基于深度信念卷积神经网络的图像识别与分类", 清华大学学报(自然科学版), vol. 58, no. 09, pages 781 - 787 * |
| 陆正杰 等: "基于多特征描述子自适应权重的文物碎片分类", 激光与光电子学进展, vol. 57, no. 04, pages 321 - 329 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116188719B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934862A (zh) | 一种点线特征结合的双目视觉slam方法 | |
| CN113572962B (zh) | 室外自然场景光照估计方法及装置 | |
| Wu et al. | Densely pyramidal residual network for UAV-based railway images dehazing | |
| CN108470178B (zh) | 一种结合深度可信度评价因子的深度图显著性检测方法 | |
| CN111797702A (zh) | 基于空间局部二值模式与光流梯度的人脸伪造视频检测方法 | |
| CN111683221B (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及系统 | |
| CN116363554A (zh) | 一种监控视频关键帧提取方法、系统、介质、设备及终端 | |
| Zhao et al. | Detecting deepfake video by learning two-level features with two-stream convolutional neural network | |
| CN114897742A (zh) | 一种纹理和结构特征两次融合的图像修复方法 | |
| Hsu et al. | Object detection using structure-preserving wavelet pyramid reflection removal network | |
| CN113837063B (zh) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 | |
| CN117315473B (zh) | 一种基于改进YOLOv8的草莓成熟度检测方法及系统 | |
| CN112862766B (zh) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 | |
| CN117409083A (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
| CN116188719B (zh) | 一种实景三维数据的碎片去除方法 | |
| CN116597150B (zh) | 基于深度学习的倾斜摄影模型全要素单体化方法及装置 | |
| CN116152699B (zh) | 用于水电厂视频监控系统的实时运动目标检测方法 | |
| CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
| CN116682048A (zh) | 一种羽毛球发球高度的违规检测方法及装置 | |
| CN115631108A (zh) | 一种基于rgbd的图像去雾方法及相关设备 | |
| CN115409721A (zh) | 暗光视频增强方法及装置 | |
| CN114565544A (zh) | 一种图像融合方法、设备、产品及介质 | |
| CN112200756A (zh) | 一种子弹特效短视频智能生成方法 | |
| Park et al. | Improving Instance Segmentation using Synthetic Data with Artificial Distractors | |
| CN113570596B (zh) | 一种基于人类视觉系统的无参考结构清晰度评价方法 |
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 |