CN116246039B - 一种基于深度学习的三维流场网格分类分割方法 - Google Patents
一种基于深度学习的三维流场网格分类分割方法 Download PDFInfo
- Publication number
- CN116246039B CN116246039B CN202310534154.8A CN202310534154A CN116246039B CN 116246039 B CN116246039 B CN 116246039B CN 202310534154 A CN202310534154 A CN 202310534154A CN 116246039 B CN116246039 B CN 116246039B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- model
- grid
- curved surface
- data
- 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
Images
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的三维流场网格分类分割方法,所述方法包括如下步骤:S1:三维网格模型数据预处理;以三维网格模型数据中局部曲面作为基本处理单元,数据预处理为将局部曲面的特征分为三维的空间特征和十六维的结构特征;S2:三维网格分类模型构建;融合生成对抗网络和协同注意力网络完成三维网格分类模型构建;S3:模型训练;引入三元组损失和DCCA损失对步骤S2获得的三维网格分类模型构建的子空间特征分布进行语义对齐,使得模型构建的子空间中语义相关的特征数据对所对应的语义分布距离靠近,同时使语义不相关的特征数据对所对应的分布距离远离;S4:基于步骤S3训练完成的模型完成三维流场网格分类分割。
Description
技术领域
本发明属于流场可视技术领域,尤其涉及一种基于深度学习的三维流场网格分类分割方法。
背景技术
近年来,随着深度学习、机器学习等相关技术的不断发展,人工智能(AI)被越来越多的领域应用。在计算流体可视化领域,深度学习相关技术能拆分各类任务,使不同类型的机器辅助功能适用于实际的应用环境,有效提高计算流体力学的网格划分友好度,准确区分流场内各模块网格类型、减少人工干预,提高涡流预测效率和精度等作用。计算机视觉是帮助研发人员理解与分析图像的有效方法之一,它是指从图像中捕获视觉特征,提升对图片的理解与于分析能力,再从视觉特征角度对图形和图像进行认知,最终促使研发人员与大规模科学数据达到理解、感觉和交互。
而对于大规模流场三维网格模型的可视化处理,传统的计算机视觉方法不能准确且高效的区分壁面网格与远场网格,无法满足研发人员与大规模科学数据的正常交互需求。因此,将深度学习技术引入计算机视觉分析方法中就成为了必然选择,利用深度学习处理大规模流场网格,分离壁面和远场网格已成为大规模流场三维网格模型分析的有效手段。基于深度学习的壁面网格选取方法,通过学习不同类型网格之间的特有几何特征与数据分布语义,并结合流场中网格的先验物理知识,达到准确、高效的分离壁面网格和远场网格的目的。
针对现有的三维网格分类任务,传统的卷积神经网络无法直接操作三维网格模型,所以,近年来改进网络结构以处理该问题的深度学习模型逐渐增多。Hanocka等人提出基于卷积神经网路的网格分类分割模型MeshCNN,MeshCNN模型注重提取网格的面内结构特征,以边集为卷积基础单元,同时联合二面角、内角、三角形的高与底边比例构成5维的特征向量,使用边折叠法进行池化。Feng等人提出适用于三维网格的网络MeshNet,该网络以三角面片作为模型学习的基本单元,面片的中心坐标集作为空间特征,面片法向量与领域之间的相似度作为外部结构特征、面片的中心角偏移量作为内部结构特征,最后MeshNet针对分类分割不同任务进行局部结构修改,并在相关公开数据集上取得不错的成绩。Yang等人提出基于三维网格的卷积模型PFCNN,该模型针对网格的平移不变性和卷积神经网络的平移共变性,连接不同视角下的平行标架场编码曲面,构成新的平移结构,使其学习更精细的特征尺度。Qiao等人提出基于拉普拉斯变换的网格分类分割模型LaplacianNet,结构多尺度池化与拉普拉斯谱聚类,有效提取网格的全局信息,最后引入相关网络计算信息一致性矩阵,该矩阵与拉普拉斯聚类矩阵共同体现网格模型的特征信息。Litany等人提出一种基于图卷积的变分自编码器,用于完成三维图形补全。
上述方法都是采用深度学习中的卷积神经网络来完成三维网格模型的分类分割等其他任务,虽然有效化解了卷积网络不能直接应用于三维网格上的问题并在大多数任务上取得阶段性进展,但也存在一定局限性,主要是卷积网络中的池化操作会丢失大量高层语义,从而降低三维模型分类分割的准确率。
为解决上述问题,Hinton等人提出胶囊网络,该网络采用向量特征替换卷积神经网络中的标量特征,以向量的形式保存不同维度特征信息,减少卷积池化过程总的特征丢失。Zhen等人将胶囊网络运用在三维网格模型中,以胶囊网络替换原有的卷积网络,并优化池化层,降低了高层语义丢失,保证了特征的有效性,提高分类分割准确度。
随着数值模拟等相关技术的飞速发展和实际工程环境的切实需求,后处理可视软件变得越来越精细化、工程化和专业化,同时数值模拟所需处理的三维网格模型的数据规模与日俱增。因此,如何准确、高效地选取三维网格模型的壁面模块,整体提升可视化工业软件的交互性,是当前数值模拟后处理领域一大亟待解决的问题。
三维网格是由点、面、边构成的集合,各面片之间通过两两拓扑组合,准确的表达物体复杂的表面特征,在流场可视环境中,壁面网格与远场网格具有不同表面几何特征,呈现出各异的表现形式,三维壁面网格的选取,就是将壁面网格与远场网格分离。由于流场可视环境中的三维网格数据量总体偏大、结构复杂且壁面网格数据量占比较小,科研人员无论是从远场网格中选出壁面网格,还是从整个流场中筛出远场网格,都无法准确且高效的完成选取。
采用深度学习的方法来学习不同类型的三维网格模型, 能从表面几何特征、点位分布特征和物理先验知识特征等方面有效区分网格模型,高效的分离壁面网格。但现有的深度学习方法无法直接处理复杂且不规则的网格数据,不能有效地提取网格表面的几何特征、以面片为基本处理单元,无法高效的分离大规模三维网格模型和没有结合流场的物理先验知识,缺乏模型学习的方向性指导。
发明内容
本发明的目的在于:为了克服现有技术问题,公开了一种基于深度学习的三维流场网格分类分割方法,通过本发明三维流场网格分类分割方法实现了流场可视环境中的壁面网格选取。
本发明目的通过下述技术方案来实现:
一种基于深度学习的三维流场网格分类分割方法,所述三维流场网格分类分割方法至少包括如下步骤:
S1:三维网格模型数据预处理;以三维网格模型数据中局部曲面作为基本处理单元,数据预处理为将局部曲面的特征分为三维的空间特征和十六维的结构特征;
S2:三维网格分类模型构建;融合生成式对抗网络和协同注意力网络完成三维网格分类模型构建;
S3:模型训练;引入三元组损失和DCCA损失对步骤S2获得的三维网格分类模型构建的子空间特征分布进行语义对齐,使得模型构建的子空间中语义相关的特征数据对所对应的语义分布距离靠近,同时使语义不相关的特征数据对所对应的分布距离远离;
S4:基于步骤S3训练完成的模型完成三维流场网格分类分割。
根据一个优选的实施方式,步骤S1包括获取局部曲面的空间特征,具体包括步骤:S11:使用最远点采样算法FPS(Farthest Point Sampling,FPS)将网格模型数据进行拆分,根据网格模型数据的实际顶点数确定采样点的个数;S12:采样点确定之后,对局部曲面内空间特征进行映射,空间特征映射包括采样点中心选取、多项式局部曲面拟合和求曲面领域法向量一致性矩阵三个部分构成。
根据一个优选的实施方式,步骤S12中,局部曲面的中心点选用采样点坐标,多项式局部曲面拟合采用最小二乘估算。
根据一个优选的实施方式,步骤S1包括获取局部曲面的结构特征,局部曲面的结构特征包括内外结构特征,具体为:S13:内外结构特征分别由多项式局部曲面拟合于法向量一致性矩阵构成,多项式曲面拟合以局部曲面采样点为中心点,然后使用KNN(K-NearestNeighbor,KNN)进行无监督聚类,聚类所得的点集作为局部曲面拟合的输入,拟合曲面由常量和阈值组成,将估算的常量和阈值作为局部曲面的特征向量,该向量直接参数三维网格分类模型的学习。
根据一个优选的实施方式,步骤S2构建的三维网格分类模型中:生成式对抗网络用以训练由数据预处理生成的空间特征和结构特征,指导两类特征相互融合,构建出一个空间特征与结构特征数据分布纳什均衡的特征子空间;在生成式对抗网络加入协同注意力网络重构对抗子空间,以提高空间特征和结构特征之间的信息互补能力,其中,协同注意力网络由交叉加权与特征映射两部分组成。
根据一个优选的实施方式,步骤S3中采用余弦相似度来计算三维网格分类模型中输入子空间中语义分布之间的距离,并度量三维网格分类模型中输出特征的语义相似性。
根据一个优选的实施方式,所述三元组损失为针对每个基准数据构建正反样例集合;通过最小化三元组中相似特征数据对距离,最大化不相似特征数据对距离,达到子空间特征分布语义对齐的目的。
根据一个优选的实施方式,所述DCCA损失为通过对两个单模态的表示层增加关联约束,完成特征数据之间的关联关系挖掘。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案,均为本发明可采用并要求保护的方案。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合,均为本发明所要保护的技术方案,在此不做穷举。
本发明的有益效果:
本发明中设计了针对大规模三维网格数据的数据预处理方法,通过FPS、KNN等采样方法获取部件的空间特征,使用多项式曲面拟合和法向量一致性矩阵获取局部曲面的内部结构特征与外部结构特征,将模型处理的最小单元由网格面片转化为局部曲面,大大提高了壁面网格的提取效率。
本发明采用生成式对抗网络构建特征子空间,生成式对抗网络的生成器为针对子空间映射的映射器,而辨别器则是处理空间特征映射器与结构特征映射器之间的数据,使空间特征与结构特征的数据高斯分布一致,最后加入协同注意网络融合空间与结构特征,提高了模型分类准确度。
附图说明
图1是本发明协同注意力网络结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例1:
本实施例示出了一种基于深度学习的三维流场网格分类分割方法,所述三维流场网格分类分割方法至少包括如下步骤:
步骤S1:三维网格模型数据预处理。以三维网格模型数据中局部曲面作为基本处理单元,数据预处理为将局部曲面的特征分为三维的空间特征和十六维的结构特征。
优选地,步骤S1包括获取局部曲面的空间特征,具体包括步骤:
S11:使用FPS将网格模型数据进行拆分,根据网格模型数据的实际顶点数确定采样点的个数;
S12:采样点确定之后,对局部曲面内空间特征进行映射,空间特征映射包括采样点中心选取、多项式局部曲面拟合和求曲面领域法向量一致性矩阵三个部分构成。
进一步地,步骤S12中,局部曲面的中心点选用采样点坐标,多项式局部曲面拟合采用最小二乘估算。
优先地,步骤S1还包括获取局部曲面的结构特征,局部曲面的结构特征包括内外结构特征,具体为:
S13:内外结构特征分别由多项式局部曲面拟合于法向量一致性矩阵构成,多项式曲面拟合以局部曲面采样点为中心点,然后使用KNN进行无监督聚类,聚类所得的点集作为局部曲面拟合的输入,拟合曲面由常量和阈值组成,将估算的常量和阈值作为局部曲面的特征向量,该向量直接参数三维网格分类模型的学习。
其中,局部曲面的外部结构特征为法向量一致性矩阵,曲面法向量由采样点及周围聚类面片的法向量求和而成,然后采用一致性分析当前局部曲面与相邻曲面之间的法向量一致性,最后形成法向量一致性矩阵作为模型的输入进行分类学习。
本发明中设计了针对大规模三维网格数据的数据预处理方法,通过FPS、KNN等采样方法获取部件的空间特征,使用多项式曲面拟合和法向量一致性矩阵获取局部曲面的内部结构特征与外部结构特征,将模型处理的最小单元由网格面片转化为局部曲面,大大提高了壁面网格的提取效率。
步骤S2:三维网格分类模型构建;融合生成式对抗网络和协同注意力网络完成三维网格分类模型构建。
原始的三维网格模型数据经数据预处理之后,会生成三维的空间特征和16维的内外结构特征,构建的三维网格分类模型对空间特征与结构特征进行网格几何特征学习,从局部曲面的局部细粒度语义到由采样点构成的空间全局特征,探究壁面网格与远场网格之间的表面结合差异和内部的位置分布差异,从而实现壁面网格准确、高效的提取。
优选地,步骤S2构建的三维网格分类模型中:生成式对抗网络用以训练由数据预处理生成的空间特征和结构特征,指导两类特征相互融合,构建出一个空间特征与结构特征数据分布纳什均衡的特征子空间。
进一步地,在生成式对抗网络加入协同注意力网络重构对抗子空间,以提高空间特征和结构特征之间的信息互补能力,其中,协同注意力网络由交叉加权与特征映射两部分组成。
协同注意网络架构图如图1所示,在整个协同注意力(Coordination Attention,CoA)网络中和/>表示模型的输入,/>和/>表示模型的输出,/>与/>为多层感知机(Multilayer Perceptron,MLP),/>为常规的非线性映射器(/>和/>),/>和为三维网格数据的隐藏层表示,/>和/>为通过协同注意矩阵获得的权值特征。/>协同矩阵是由/>和/>两个输入通过/>和/>两个MLP和隐藏层权重/>进行/>非线性映射取得,/>协同注意力矩阵计算公式如下式所示:
上式中神经网络中输入参数/>,/>为三维网格的空间特征与结构特征,空间特征即采样点坐标,结构特征包括局部曲面法向量、曲面曲率和曲面拟合向量,而非线性映射函数的参数/>,/>为空间特征与结构特征映射的特征向量,/>为协同矩阵的权重特征,与模型训练同步改变。
针对主流模型处理大规模网格数据朴素处理空间特征和结构特征等问题,本发明采用生成式对抗网络构建特征子空间,生成式对抗网络的生成器为针对子空间映射的映射器,而辨别器则是处理空间特征映射器与结构特征映射器之间的数据,使空间特征与结构特征的数据高斯分布一致,最后加入协同注意网络融合空间与结构特征,提高了模型分类准确度。
步骤S3:模型训练;引入三元组损失和DCCA损失(深度典型相关损失DeepCanonical Correlation Analysis,DCCA))对步骤S2获得的三维网格分类模型构建的子空间特征分布进行语义对齐,使得模型构建的子空间中语义相关的特征数据对所对应的语义分布距离靠近,同时使语义不相关的特征数据对所对应的分布距离远离。
其中,所述三元组损失为针对每个基准数据构建正反样例集合。通过最小化三元组中相似特征数据对距离,最大化不相似特征数据对距离,达到子空间特征分布语义对齐的目的。三元组损失/>由两部分组成,分别是针对空间特征的结构三元组约束规则/>和针对结构特征的空间三元组约束规则/>,如下式所示:
进一步地,所述DCCA损失为通过对两个单模态的表示层增加关联约束,完成特征数据之间的关联关系挖掘。
步骤S4:基于步骤S3训练完成的模型完成三维流场网格分类分割。
本发明基于深度学习的三维流场网格分类分割方法能够有效的学习大规模网格之间的结构特征和空间特征,实现流场可视环境下壁面网格与远场网格分离,本发明提出的方法大大提升了流场网格的交互效率,满足研发人员的实际操作需求。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的三维流场网格分类分割方法,其特征在于,所述三维流场网格分类分割方法至少包括如下步骤:
S1:三维网格模型数据预处理;以三维网格模型数据中局部曲面作为基本处理单元,数据预处理为将局部曲面的特征分为三维的空间特征和十六维的结构特征;
步骤S1包括获取局部曲面的空间特征,具体包括步骤:
S11:使用最远点采样法FPS将网格模型数据进行拆分,根据网格模型数据的实际顶点数确定采样点的个数;
S12:采样点确定之后,对局部曲面内空间特征进行映射,空间特征映射包括采样点中心选取、多项式局部曲面拟合和求曲面领域法向量一致性矩阵三个部分构成;
步骤S1包括获取局部曲面的结构特征,局部曲面的结构特征包括内外结构特征,具体为:
S13:内外结构特征分别由多项式局部曲面拟合于法向量一致性矩阵构成,多项式曲面拟合以局部曲面采样点为中心点,然后使用最邻近结点算法KNN进行无监督聚类,聚类所得的点集作为局部曲面拟合的输入,拟合曲面由常量和阈值组成,将估算的常量和阈值作为局部曲面的特征向量,该向量直接参数三维网格分类模型的学习;
S2:三维网格分类模型构建;融合生成式对抗网络和协同注意力网络完成三维网格分类模型构建;
步骤S2构建的三维网格分类模型中:
生成式对抗网络用以训练由数据预处理生成的空间特征和结构特征,指导两类特征相互融合,构建出一个空间特征与结构特征数据分布纳什均衡的特征子空间;
在生成式对抗网络加入协同注意力网络重构对抗子空间,以提高空间特征和结构特征之间的信息互补能力,其中,协同注意力网络由交叉加权与特征映射两部分组成;
S3:模型训练;引入三元组损失和DCCA损失对步骤S2获得的三维网格分类模型构建的子空间特征分布进行语义对齐,使得模型构建的子空间中语义相关的特征数据对所对应的语义分布距离靠近,同时使语义不相关的特征数据对所对应的分布距离远离;
S4:基于步骤S3训练完成的模型完成三维流场网格分类分割。
2.如权利要求1所述的三维流场网格分类分割方法,其特征在于,步骤S12中,局部曲面的中心点选用采样点坐标,多项式局部曲面拟合采用最小二乘估算。
3.如权利要求1所述的三维流场网格分类分割方法,其特征在于,步骤S3中采用余弦相似度来计算三维网格分类模型中输入子空间中语义分布之间的距离,并度量三维网格分类模型中输出特征的语义相似性。
4.如权利要求1所述的三维流场网格分类分割方法,其特征在于,所述三元组损失为针对每个基准数据构建正反样例集合;
通过最小化三元组中相似特征数据对距离,最大化不相似特征数据对距离,达到子空间特征分布语义对齐的目的。
5.如权利要求1所述的三维流场网格分类分割方法,其特征在于,所述DCCA损失为通过对两个单模态的表示层增加关联约束,完成特征数据之间的关联关系挖掘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534154.8A CN116246039B (zh) | 2023-05-12 | 2023-05-12 | 一种基于深度学习的三维流场网格分类分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534154.8A CN116246039B (zh) | 2023-05-12 | 2023-05-12 | 一种基于深度学习的三维流场网格分类分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246039A CN116246039A (zh) | 2023-06-09 |
CN116246039B true CN116246039B (zh) | 2023-07-14 |
Family
ID=86626345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310534154.8A Active CN116246039B (zh) | 2023-05-12 | 2023-05-12 | 一种基于深度学习的三维流场网格分类分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246039B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540664B (zh) * | 2024-01-10 | 2024-04-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于图神经网络的二维流场预测与修正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489358A (zh) * | 2020-03-18 | 2020-08-04 | 华中科技大学 | 一种基于深度学习的三维点云语义分割方法 |
CN113077554A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种基于任意视角图片的三维结构化模型重建的方法 |
CN113657522A (zh) * | 2021-08-23 | 2021-11-16 | 天津大学 | 一种多视图三维模型聚类方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993825B (zh) * | 2019-03-11 | 2023-06-20 | 北京工业大学 | 一种基于深度学习的三维重建方法 |
CN109993748B (zh) * | 2019-03-30 | 2023-06-20 | 华南理工大学 | 一种基于点云处理网络的三维网格物体分割方法 |
CN112767405A (zh) * | 2021-01-18 | 2021-05-07 | 北京工商大学 | 一种基于图注意力网络的三维网格模型分割方法及系统 |
CN113808248B (zh) * | 2021-03-10 | 2022-07-29 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
CN113989699A (zh) * | 2021-09-30 | 2022-01-28 | 哈尔滨工业大学 | 基于单目视觉和深度学习的结构全场位移稠密测量方法、装置、设备及存储介质 |
CN114254460B (zh) * | 2021-12-28 | 2023-08-18 | 西安交通大学 | 基于图卷积神经网络的透平机械气动鲁棒性优化方法 |
CN115062560B (zh) * | 2022-06-16 | 2024-06-21 | 毕节高新技术产业开发区国家能源大规模物理储能技术研发中心 | 一种基于机器学习的涡轮多尺度流动降阶耦合方法 |
CN115115815A (zh) * | 2022-06-27 | 2022-09-27 | 京东科技信息技术有限公司 | 三维网格模型的特征提取网络的训练方法、装置和系统 |
CN115601404A (zh) * | 2022-11-04 | 2023-01-13 | 中广核风电有限公司(Cn) | 用于复杂地形不同攻角风场结果内插的神经网络构建方法 |
-
2023
- 2023-05-12 CN CN202310534154.8A patent/CN116246039B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489358A (zh) * | 2020-03-18 | 2020-08-04 | 华中科技大学 | 一种基于深度学习的三维点云语义分割方法 |
CN113077554A (zh) * | 2021-04-08 | 2021-07-06 | 华南理工大学 | 一种基于任意视角图片的三维结构化模型重建的方法 |
CN113657522A (zh) * | 2021-08-23 | 2021-11-16 | 天津大学 | 一种多视图三维模型聚类方法 |
Non-Patent Citations (1)
Title |
---|
面向三维模型分割的边界感知点云神经网络;关柏良 等;计算机辅助设计与图形学学报;第32卷(第01期);147-155 * |
Also Published As
Publication number | Publication date |
---|---|
CN116246039A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | CNN-enhanced graph convolutional network with pixel-and superpixel-level feature fusion for hyperspectral image classification | |
Zhou et al. | BOMSC-Net: Boundary optimization and multi-scale context awareness based building extraction from high-resolution remote sensing imagery | |
CN110222580B (zh) | 一种基于三维点云的人手三维姿态估计方法和装置 | |
Gold | The meaning of “Neighbour” | |
CN103729643A (zh) | 多模式场景中的三维对象的识别和姿势确定 | |
CN108304357A (zh) | 一种基于字体流形的中文字库自动生成方法 | |
CN116246039B (zh) | 一种基于深度学习的三维流场网格分类分割方法 | |
Wijayasekara et al. | CAVE-SOM: Immersive visual data mining using 3D Self-Organizing Maps | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN110334584B (zh) | 一种基于区域全卷积网络的手势识别方法 | |
CN117218343A (zh) | 一种基于深度学习的语义部件姿态估计方法 | |
CN116229079A (zh) | 一种基于视觉辅助和特征增强的三维点云语义分割方法及系统 | |
CN114926469A (zh) | 语义分割模型训练方法、语义分割方法、存储介质及终端 | |
Wei et al. | BushNet: Effective semantic segmentation of bush in large-scale point clouds | |
CN118351320B (zh) | 基于三维点云的实例分割方法 | |
Ouadiay et al. | Simultaneous object detection and localization using convolutional neural networks | |
Wang et al. | Toward accurate and efficient road extraction by leveraging the characteristics of road shapes | |
Yang et al. | An improved algorithm for the detection of fastening targets based on machine vision | |
Kong et al. | Explicit points-of-interest driven Siamese transformer for 3D LiDAR place recognition in outdoor challenging environments | |
CN114565774A (zh) | 基于局部几何与全局结构联合学习的3d图卷积分类方法 | |
CN116386042A (zh) | 一种基于三维池化空间注意力机制的点云语义分割模型 | |
CN115761118A (zh) | 一种基于深度学习的实时表面重建方法 | |
Guo et al. | SWPT: Spherical window-based point cloud transformer | |
Han et al. | Feature based sampling: a fast and robust sampling method for tasks using 3D point cloud | |
Wang et al. | FRCFNet: Feature Reassembly and Context Information Fusion Network for Road Extraction |
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 |