CN116304155A - 基于二维图片的三维构件检索方法、装置、设备及介质 - Google Patents
基于二维图片的三维构件检索方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116304155A CN116304155A CN202310189070.5A CN202310189070A CN116304155A CN 116304155 A CN116304155 A CN 116304155A CN 202310189070 A CN202310189070 A CN 202310189070A CN 116304155 A CN116304155 A CN 116304155A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- component
- target
- image feature
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
Abstract
本发明提供了基于二维图片的三维构件检索方法、装置、设备及介质,该方法包括:获取待检索的二维图片;对二维图片进行分类,确定二维图片对应的目标构件类别;提取二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量;基于目标构件类别和第一图像特征向量在预设图像特征向量库中进行检索,得到二维图片对应的目标三维构件。从而通过对二维图片进行构件类型分类的预检索过程,大大缩减了三维构件的检索量,提升检索效率,并通过直接利用二维图片的图像特征所构成的图像特征向量蕴含的丰富构件特征信息进行检索,能够大大提高检索结果的准确性,提高用户的使用体验。
Description
技术领域
本发明涉及计算机辅助设计技术领域,具体涉及基于二维图片的三维构件检索方法、装置、设备及介质。
背景技术
在建筑设计领域,设计师经常会收到客户发送的期望建筑设计的一些照片,或者先设计出某些建筑构件的二维设计图,为了提高设计效率,经常需要参考一些已经设计好的三维构件来进行辅助设计。如:在设计一个门时,得到用户期望的门在某一个视角下的图像,然后设计师想检索已经设计完成的门构件中是否有相同或类似的三维模型,如果有则可以直接调用而无需重复设计,提升整体建筑设计的效率。
在现有技术中,利用二维图片进行三维构件检索的检索模型大都是根据文本相似度进行过滤,即通过利用该二维图片的描述文本搜索构件库中相似文本描述的三维构件。但是由于文本信息本身就存在信息损耗,经常会出现查找错误的问题。
发明内容
有鉴于此,本发明实施例提供了基于二维图片的三维构件检索方法、装置、设备及介质,以克服现有技术中利用二维图片的文本相似度进行三维构件检索的方案,由于文本信息存在信息损耗而影响搜索准确性的问题。
根据第一方面,本发明实施例提供了一种基于二维图片的三维构件检索方法,所述方法包括:
获取待检索的二维图片;
对所述二维图片进行分类,确定所述二维图片对应的目标构件类别;
提取所述二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量;
基于所述目标构件类别和所述第一图像特征向量在预设图像特征向量库中进行检索,得到所述二维图片对应的目标三维构件,所述预设图像特征向量库中存储有不同构件类别的三维构件对应的第二图像特征向量。
可选地,所述预设图像特征向量库通过如下方式构建:
将各三维构件转换为不同视角下的目标二维图片,并为各目标二维图片添加其对应三维构件的构件标识及对应的构件类别;
分别提取各目标二维图片的图像特征,并基于提取到的图像特征构建各目标二维图片的第二图像特征向量;
基于各目标二维图片对应的第二图像特征向量、三维构件的构件标识和构件类别的关联关系,建立所述预设图像特征向量库。
可选地,所述基于所述目标构件类别和所述第一图像特征向量在预设图像特征向量库中进行检索,得到所述二维图片对应的目标三维构件,包括:
在预设图像特征向量库中筛选与所述目标构件类别对应的各第三图像特征向量;
分别计算所述第一图像特征向量与各第三图像特征向量的相似度;
提取相似度最大的第三图像特征向量对应的目标构件标识;
基于所述目标构件标识确定所述目标三维构件。
可选地,所述基于所述目标构件标识确定所述目标三维构件,包括:
从三维构件数据库检索所述目标构件标识对应的目标三维构件,所述三维构件数据库中存储有带有构件标识的三维构件。
可选地,所述对所述二维图片进行分类,包括:
将所述二维图片输入预训练的构件分类模型,得到所述二维图片对应的目标构件类别。
可选地,所述构件分类模型训练过程如下:
获取带有构件类别标签的二维图片样本集,并将所述二维图片样本集分为训练集和测试集;
通过机器学习训练集中的二维图片样本,生成构件分类训练模型;
通过测试集对所述构件分类模型的准确率进行验证,并在验证通过后将构件分类训练模型确定为所述构件分类模型。
可选地,所述构件分类模型为VGG模型。
根据第二方面,本发明实施例提供了一种基于二维图片的三维构件检索装置,所述装置包括:
获取模块,用于获取待检索的二维图片;
第一处理模块,用于对所述二维图片进行分类,确定所述二维图片对应的目标构件类别;
第二处理模块,用于提取所述二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量;
第三处理模块,用于基于所述目标构件类别和所述第一图像特征向量在预设图像特征向量库中进行检索,得到所述二维图片对应的目标三维构件,所述预设图像特征向量库中存储有不同构件类别的三维构件对应的第二图像特征向量。
根据第三方面,本发明实施例提供了一种基于二维图片的三维构件检索设备,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面及其任意一种可选实施方式所述的方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
本发明技术方案,具有如下优点:
本发明实施例提供的基于二维图片的三维构件检索方法,通过获取待检索的二维图片;对二维图片进行分类,确定二维图片对应的目标构件类别;提取二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量;基于目标构件类别和第一图像特征向量在预设图像特征向量库中进行检索,得到二维图片对应的目标三维构件。从而通过对二维图片进行构件类型分类的预检索过程,大大缩减了三维构件的检索量,提升检索效率,并通过直接利用二维图片的图像特征所构成的图像特征向量蕴含的丰富构件特征信息进行检索,能够大大提高检索结果的准确性,提高用户的使用体验。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于二维图片的三维构件检索方法的流程图;
图2为本发明实施例中二维图片检索三维构件的离线工作过程示意图;
图3为本发明实施例中二维图片检索三维构件的在线搜索工作过程示意图;
图4为本发明实施例中二维图片检索三维构件整体工作过程示意图;
图5为本发明实施例基于二维图片的三维构件检索装置的结构示意图;
图6为本发明实施例的基于二维图片的三维构件检索设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在现有技术中,利用二维图片进行三维构件检索的检索模型大都是根据文本相似度进行过滤,即通过利用该二维图片的描述文本搜索构件库中相似文本描述的三维构件。但是由于文本信息本身就存在信息损耗,经常会出现查找错误的问题。
基于上述问题,本发明实施例提供了一种基于二维图片的三维构件检索方法,如图1所示,该方法具体包括如下步骤:
步骤S101:获取待检索的二维图片。
其中,待检索的二维图片是用户拍照或者选择的图片,在用户触发图片搜索三维构件的事件后即可提取到该图片。示例性地,该二维图片可以是包含门窗的照片等。
步骤S102:对二维图片进行分类,确定二维图片对应的目标构件类别。
具体地,通过将二维图片输入预训练的构件分类模型,得到二维图片对应的目标构件类别。
进一步地,上述构件分类模型训练过程如下:获取带有构件类别标签的二维图片样本集,并将二维图片样本集分为训练集和测试集;通过机器学习训练集中的二维图片样本,生成构件分类训练模型;通过测试集对构件分类模型的准确率进行验证,并在验证通过后将构件分类训练模型确定为构件分类模型。需要说明的是,在本发明实施例中,是以上述构件分类模型为VGG模型为例进行的说明,在实际应用中,还可以采用其他分类模型,如神经网络模型等,本发明并不以此为限。
步骤S103:提取二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量。
其中,提取的图像特征可根据实际需要进行灵活的选择,图像特征提取种类越多,所构建的图像特征向量结构越复杂,检索三维构件越精准,反之,图像特征提取种类越少,所构件的图像特征向量结构越简单,检索三维构件越模糊。示例性地,在本发明实施例中,所提取的图像特征包括:颜色特征、形状特征、纹理特征和空间关系特征,仅以此为例,本发明并不以此为限。
步骤S104:基于目标构件类别和第一图像特征向量在预设图像特征向量库中进行检索,得到二维图片对应的目标三维构件,预设图像特征向量库中存储有不同构件类别的三维构件对应的第二图像特征向量。
通过执行上述步骤,本发明实施例提供的基于二维图片的三维构件检索方法,通过对二维图片进行构件类型分类的预检索过程,大大缩减了三维构件的检索量,提升检索效率,并通过直接利用二维图片的图像特征所构成的图像特征向量蕴含的丰富构件特征信息进行检索,能够大大提高检索结果的准确性,提高用户的使用体验。
具体地,在一实施例中,上述预设图像特征向量库通过如下方式构建:
步骤S21:将各三维构件转换为不同视角下的目标二维图片,并为各目标二维图片添加其对应三维构件的构件标识及对应的构件类别。
其中,在三维构件数据库中每个三维构件都标记有唯一的构件标识,并且对各个三维构件按照其所属领域进行不同层次的分类,通过构件标识即可在三维构件数据库中检索相应的三维构件。示例性地,在建筑设计领域,三维构件可划分为:机电、建筑和结构等类型,进一步地,机电又可细分为暖通、能源、通风等,结构可分为钢筋和混凝土等,本发明仅以此为例,并不以此为限。
步骤S22:分别提取各目标二维图片的图像特征,并基于提取到的图像特征构建各目标二维图片的第二图像特征向量。
其中,目标二维图片所提取的图像特征与上述待检索二维图片提取的二维图片特征类型相同,并且构建的第二图像特征向量与上述第一图像特征向量的结构也相同,以进行检索对比。
步骤S23:基于各目标二维图片对应的第二图像特征向量、三维构件的构件标识和构件类别的关联关系,建立预设图像特征向量库。
通过利用三维构件对应的大量二维图片进行图像特征向量库的构建,为后续检索三维构件提供了数据基础,保障了最终检索结果的准确性。
具体地,在一实施例中,上述步骤S104具体包括如下步骤:
步骤S41:在预设图像特征向量库中筛选与目标构件类别对应的各第三图像特征向量。
通过利用目标构件类别在预设图像特征向量库中进行预筛选,可大大缩小检索范围,提高检索效率。
步骤S42:分别计算第一图像特征向量与各第三图像特征向量的相似度。
步骤S43:提取相似度最大的第三图像特征向量对应的目标构件标识。
步骤S44:基于目标构件标识确定目标三维构件。
具体地,通过从三维构件数据库检索目标构件标识对应的目标三维构件,三维构件数据库中存储有带有构件标识的三维构件。
目前的模型搜索方式基本都是文本相似度进行搜索,本发明实施例提供的基于二维图片的三维构件检索方案,通过对机器自主学习进行三维构件分类预测并结合图片特征向量搜索,提高了搜索准确率。
下面将结合具体示例,对本发明实施例提供的基于二维图片的三维构件检索方法的具体实现过程进行详细的说明。
当该方法应用于工程建筑领域的三维构件检索时,其主要过程分为离线训练过程和在线搜索过程两部分。
其中,如图2所示,离线训练过程主要包括:
(1)语料库建立:收集数据用于训练模型
a)通过收集用户已设计的三维构件数据,并从三维构件数据中提取三维构件在各个角度的二维图片信息;
b)建立三维构件、二维图片及三维构件对应品类即构件类别的关联信息;
(2)训练分类模型:
将上述(1)阶段的数据作为输入训练模型,输入二维图片和其对应的品类预料;把上述数据按照1:9分为“测试集”数据和“训练集”数据,通过机器学习训练集数据,生成数据模型;通过测试集数据验证模型准确率,在验证通过后得到最终的分类模型;将二维图片导入模型,即可导出该二维图片对应三维构件的品类可能性列表。
如图3所示,在线搜索过程主要包括:
(1)输入图片:用户拍照或选着图片,并出发图片搜索事件;
(2)分类模型:对用户图片导入分类模型,导出对应的品类列表清单;
(3)图片特征:提取图片特征,计算图像特征向量;
(4)图片索引库:根据图像特征向量和品类信息去图片索引库进行检索,得到该图片对应的三维构件标识;
(5)业务数据库:根据构件标识信息,去业务数据库检索构件业务信息,得到三维构件,并将搜索出的三维构件返回给用户。
如图4所示,上述二维图片检索三维构件整体工作过程如下:
S1-S4为离线流程,根据数据变化情况周期执行;
S1:将构件提取出的图片,导入VGG模型得到图像特征向量;
S2:将图像向量特征、图片关联构件、构件分类,存入图片向量库;
S3:将关联构件业务信息存入业务数据库DB;
S4:将图片和分类关系训练为分类模型。
S5-S11为在线流程,为用户实时提供能力;
S5:获取用户输入图片信息;
S6:将S5通过API接口获得图片导入分类模型,得到可能分类列表;
S7:将S5获得图片导入VGG Model即VGG模型得到图像特征向量;
S8:将S6和S7的到的结果到向量数据库进行检索,得到构件标识列表;
S9:将S8得到的构件标识列表去业务数据库DB进行检索,得到完整构件信息;
S10:根据用户需求组织构件信息;
S11:将构件信息通过API接口返回给用户。
本发明实施例还提供了一种基于二维图片的三维构件检索装置,如图5所示,该基于二维图片的三维构件检索装置包括:
获取模块101,用于获取待检索的二维图片。详细内容参加上述方法实施例中步骤S101的相关描述,在此不再进行赘述。
第一处理模块102,用于对二维图片进行分类,确定二维图片对应的目标构件类别。详细内容参加上述方法实施例中步骤S102的相关描述,在此不再进行赘述。
第二处理模块103,用于提取二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量。详细内容参加上述方法实施例中步骤S103的相关描述,在此不再进行赘述。
第三处理模块104,用于基于目标构件类别和第一图像特征向量在预设图像特征向量库中进行检索,得到二维图片对应的目标三维构件,预设图像特征向量库中存储有不同构件类别的三维构件对应的第二图像特征向量。详细内容参加上述方法实施例中步骤S104的相关描述,在此不再进行赘述。
本发明实施例提供的基于二维图片的三维构件检索装置,用于执行上述实施例提供的基于二维图片的三维构件检索方法,其实现方式与原理相同,详细内容参见上述方法实施例的相关描述,不再赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的基于二维图片的三维构件检索装置,通过对二维图片进行构件类型分类的预检索过程,大大缩减了三维构件的检索量,提升检索效率,并通过直接利用二维图片的图像特征所构成的图像特征向量蕴含的丰富构件特征信息进行检索,能够大大提高检索结果的准确性,提高用户的使用体验。
本发明实施例还提供了一种基于二维图片的三维构件检索设备,如图6所示,该基于二维图片的三维构件检索设备包括:处理器901和存储器902,其中,处理器901和存储器902可以通过总线或者其他方式连接,图6中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述基于二维图片的三维构件检索设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于二维图片的三维构件检索方法,其特征在于,所述方法包括:
获取待检索的二维图片;
对所述二维图片进行分类,确定所述二维图片对应的目标构件类别;
提取所述二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量;
基于所述目标构件类别和所述第一图像特征向量在预设图像特征向量库中进行检索,得到所述二维图片对应的目标三维构件,所述预设图像特征向量库中存储有不同构件类别的三维构件对应的第二图像特征向量。
2.根据权利要求1所述的方法,其特征在于,所述预设图像特征向量库通过如下方式构建:
将各三维构件转换为不同视角下的目标二维图片,并为各目标二维图片添加其对应三维构件的构件标识及对应的构件类别;
分别提取各目标二维图片的图像特征,并基于提取到的图像特征构建各目标二维图片的第二图像特征向量;
基于各目标二维图片对应的第二图像特征向量、三维构件的构件标识和构件类别的关联关系,建立所述预设图像特征向量库。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标构件类别和所述第一图像特征向量在预设图像特征向量库中进行检索,得到所述二维图片对应的目标三维构件,包括:
在预设图像特征向量库中筛选与所述目标构件类别对应的各第三图像特征向量;
分别计算所述第一图像特征向量与各第三图像特征向量的相似度;
提取相似度最大的第三图像特征向量对应的目标构件标识;
基于所述目标构件标识确定所述目标三维构件。
4.根据权利要求3所述的方法,其特征在于,所述基于所述目标构件标识确定所述目标三维构件,包括:
从三维构件数据库检索所述目标构件标识对应的目标三维构件,所述三维构件数据库中存储有带有构件标识的三维构件。
5.根据权利要求1所述的方法,其特征在于,所述对所述二维图片进行分类,包括:
将所述二维图片输入预训练的构件分类模型,得到所述二维图片对应的目标构件类别。
6.根据权利要求5所述的方法,其特征在于,所述构件分类模型训练过程如下:
获取带有构件类别标签的二维图片样本集,并将所述二维图片样本集分为训练集和测试集;
通过机器学习训练集中的二维图片样本,生成构件分类训练模型;
通过测试集对所述构件分类模型的准确率进行验证,并在验证通过后将构件分类训练模型确定为所述构件分类模型。
7.根据权利要求6所述的方法,其特征在于,所述构件分类模型为VGG模型。
8.一种基于二维图片的三维构件检索装置,其特征在于,所述装置包括:
获取模块,用于获取待检索的二维图片;
第一处理模块,用于对所述二维图片进行分类,确定所述二维图片对应的目标构件类别;
第二处理模块,用于提取所述二维图片的图像特征,并基于提取到的图像特征构建第一图像特征向量;
第三处理模块,用于基于所述目标构件类别和所述第一图像特征向量在预设图像特征向量库中进行检索,得到所述二维图片对应的目标三维构件,所述预设图像特征向量库中存储有不同构件类别的三维构件对应的第二图像特征向量。
9.一种基于二维图片的三维构件检索设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189070.5A CN116304155A (zh) | 2023-02-22 | 2023-02-22 | 基于二维图片的三维构件检索方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189070.5A CN116304155A (zh) | 2023-02-22 | 2023-02-22 | 基于二维图片的三维构件检索方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304155A true CN116304155A (zh) | 2023-06-23 |
Family
ID=86800715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310189070.5A Pending CN116304155A (zh) | 2023-02-22 | 2023-02-22 | 基于二维图片的三维构件检索方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149710A (zh) * | 2023-09-08 | 2023-12-01 | 粤港澳大湾区(广东)国创中心 | 一种三维模型检索方法、装置及计算机可读存储介质 |
-
2023
- 2023-02-22 CN CN202310189070.5A patent/CN116304155A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149710A (zh) * | 2023-09-08 | 2023-12-01 | 粤港澳大湾区(广东)国创中心 | 一种三维模型检索方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
JP7343568B2 (ja) | 機械学習のためのハイパーパラメータの識別および適用 | |
KR102056822B1 (ko) | 학습 서비스 제공 방법 및 그 장치 | |
JP6402265B2 (ja) | 意思決定モデルを構築する方法、コンピュータデバイス及び記憶デバイス | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN111444952A (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
CN111291765A (zh) | 用于确定相似图片的方法和装置 | |
CN108228567B (zh) | 用于提取组织机构的简称的方法和装置 | |
CN112818162B (zh) | 图像检索方法、装置、存储介质和电子设备 | |
CN110362798B (zh) | 裁决信息检索分析方法、装置、计算机设备和存储介质 | |
CN110807472B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN108717519B (zh) | 一种文本分类方法及装置 | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
CN116304155A (zh) | 基于二维图片的三维构件检索方法、装置、设备及介质 | |
CN113761124B (zh) | 文本编码模型的训练方法、信息检索方法及设备 | |
CN109086386B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114372532A (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
CN111782805A (zh) | 一种文本标签分类方法及系统 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN111191065A (zh) | 一种同源图像确定方法及装置 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN112199285B (zh) | 一种测试案例优选方法、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 |