-
公开(公告)号：CN116543206A
公开(公告)日：2023-08-04
申请号：CN202310497177.6
申请日：2023-05-05
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明涉及点云数据处理领域，尤其涉及一种点云样本选择方法、装置及计算机设备。所述方法包括获取多个待标注点云样本；将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测，以得到每一待标注点云样本分类得分概率最高和次高的所属类别；计算待标注点云样本的最小边际分数和上下文不确定性得分；将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果；根据待标注点云样本的不确定结果，确定目标标注点云样本。
-
公开(公告)号：CN114299536A
公开(公告)日：2022-04-08
申请号：CN202111530948.4
申请日：2021-12-15
Applicant: 重庆邮电大学
IPC: G06V40/10 , G06K9/62 , G06V10/74 , G06V10/774 , G06V10/80
Abstract: 本发明属于人体姿态估计领域，具体涉及一种基于关键点相关性的人体姿态估计方法；该方法包括：实时获取图像数据，对获取的图像数据进行预处理；将预处理好的图像数据输入到训练好的基于关键点相关性的人体姿态估计模型中，得到人体姿态估计结果；本发明通过构建基于强相关性的关键点分组，使用关系网络将强相关性关键点的关系信息融合，并构建相关性损失和相关系混淆惩罚损失，有效地增强了关键点之间的特征融合，改善了关键点之间的混淆问题，进一步提高了预测精度，估计更准确，具有良好的经济效益。
-
公开(公告)号：CN112927248A
公开(公告)日：2021-06-08
申请号：CN202110307518.X
申请日：2021-03-23
Applicant: 重庆邮电大学
Abstract: 本发明涉及点云处理、三维点云分割领域技术领域，具体涉及一种基于局部特征增强和条件随机场的点云分割方法，该方法包括：将数据集输入训练好的点云分割网络模型中进行分割，得到分割结果，点云分割网络模型先训练后使用，其训练过程包括：将训练集输入到点云分割网络模型中，经处理后点云分割网络模型输出预测的标签图；真实标签做监督，根据真实标签和预测的标签图计算交叉熵损失函数；迭代多次，采用随机梯度下降算法优化损失函数，最终得到训练好的点云分割网络模型。本发明可以即解决局部特征提取能力差的问题，同时可以解决边缘分割效果差的问题。
-
公开(公告)号：CN112330699A
公开(公告)日：2021-02-05
申请号：CN202011273565.9
申请日：2020-11-14
Applicant: 重庆邮电大学
Abstract: 本发明涉及三维点云分割技术领域，特别是涉及一种基于重叠区域对齐的三维点云分割方法，包括确定需要进行分割的点云重叠区域对齐模型，并选择和构建该模型的点云数据集；对点云数据集中的点云进行区域化操作，生成点云数据对；构建基于重叠区域对齐的点云分割模型；设置基于重叠区域对齐的点云分割模型的损失函数计算点云数据对重叠区域估计产生的误差，以及点云数据对之间对齐的旋转误差；利用点云数据对对模型进行训练，在训练过程中使用随机梯度下降来优化模型预测输出与真实标签的误差，得到分割模型；本发明采用深度学习方法进行点云分割，解决边缘分割效果差的问题，并在分割过程中考虑了该问题造成的影响，提高了点云分割的精度。
-
公开(公告)号：CN118351239A
公开(公告)日：2024-07-16
申请号：CN202410449279.5
申请日：2024-04-15
Applicant: 重庆邮电大学
Abstract: 本发明属于增强现实、虚拟现实、计算机视觉领域，涉及一种基于单张图像的高质量三维服装生成方法，包括：获取图像，将图像输入训练好的三维服装生成模型，得到位移贴图和粗糙服装网格；根据位移贴图和粗糙服装网格得到细节三维服装网格；三维服装生成模型包括：粗糙网络和细节网络；本发明根据粗糙网络采用显式的方法对服装模型进行建模，能够从单张图片中建模出粗糙的服装网格，并且本发明根据不同的服装类型选择不同的服装解码器，并且在损失函数中加入中线的损失，使得在应对前开式服装时，本发明的粗糙网络在建模粗糙服装网格时更具有鲁棒性；本发明通过在二维层面预测位移贴图来在粗糙的服装网格中添加细节，提高了细节建立的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118334090A
公开(公告)日：2024-07-12
申请号：CN202410435939.4
申请日：2024-04-11
Applicant: 重庆邮电大学
Abstract: 本发明属于增强现实、虚拟现实、计算机视觉领域，涉及面向三维服装模型的非刚性配准方法，包括：获取原始扫描数据和SMPL模型，利用原始扫描数据对SMPL模型进行初步整体配准，得到初步人体配准模型及其形状参数和姿态参数；根据SMPL模型制作服装模板；根据分割标签选择服装模板，根据形状和姿态参数对选择的服装模板进行形变，得到初始服装模板；根据扫描网格采用拉普拉斯变换约束的最小二乘法对初始服装模板进行配准，得到服装配准模型；本发明在衬衫模板中引入中线和锚点，以适应不同状态的上半身衣物，确保了对开胸衬衫等服装的准确配准；对于闭合式服装，本发明根据软约束以最小化中间间隙的左右距离差异，确保更准确的配准结果。
-
公开(公告)号：CN113947531A
公开(公告)日：2022-01-18
申请号：CN202111272653.1
申请日：2021-10-29
Applicant: 重庆邮电大学
Abstract: 本发明属于计算机视觉领域，具体涉及一种迭代协作的视频超分辨率重构方法及系统，该方法包括：输入低分辨率视频帧序列，提取其特征图；将提取的特征图分别输入对齐网络和分频重构网络，得到时间特征图和空间特征图；利用时空残差融合模块将时间特征图和空间特征图进行融合，得到时空特征图；将得到的时空特征图再次输入到对齐网络和分频重构网络中，将对齐网络与分频重构网络输出的结果输入时空残差模块进行融合；迭代数次直到得到无冗余的时空特征图；将低分辨率视频序列进行上采样后与无冗余的时空特征图相加得到高分辨率图；本发明引入迭代协作网络、分频重构网络和时空残差融合，达到了减小了对齐误差和提升视频超分辨率重构性能的目的。
-
公开(公告)号：CN112365511A
公开(公告)日：2021-02-12
申请号：CN202011273571.4
申请日：2020-11-14
Applicant: 重庆邮电大学
Abstract: 本发明涉及三维点云分割技术领域，具体涉及一种基于重叠区域检索与对齐的三维点云分割方法，包括：将点云数据集输入到训练好的点云分割模型中进行点云分割。本发明直接处理大场景点云，能够学习到更丰富的特征；无需提供参考点云，点云分割模型能够直接根据输入数据使用特征检索部分自动寻找参考点云；此外，本发明通过重叠区域检测、优化、对齐的策略完成两个有重叠区域的点云的对齐后，直接使用KNN算法实现标签的传递，使得边缘分割效果更优。
-
公开(公告)号：CN118505768B
公开(公告)日：2025-03-18
申请号：CN202410736969.9
申请日：2024-06-07
Applicant: 重庆邮电大学
IPC: G06T7/33 , G06V10/26 , G06V20/70 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0985
Abstract: 本发明属于点云配准领域，涉及一种基于语义和结构协同引导的点云配准方法，获取点云语义信息，点云语义信息包括室外雷达点云的语义信息和室内重建的点云语义信息；对点云进行采样，得到超点；提取超点的几何结构特征；对点云语义进行超点语义特征表征处理，得到超点语义特征；采用多模态特征融合模块对超点语义特征和几何结构特征进行融合，得到增强的超点特征；根据增强后的超点特征进行超点匹配，根据超点匹配结果进行点匹配，完成点云配准；本发明既考虑语义信息又考虑结构信息，并且在二者的协同作用下辅助点云配准，配准的性能有明显提升。
-
公开(公告)号：CN118505768A
公开(公告)日：2024-08-16
申请号：CN202410736969.9
申请日：2024-06-07
Applicant: 重庆邮电大学
IPC: G06T7/33 , G06V10/26 , G06V20/70 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0985
Abstract: 本发明属于点云配准领域，涉及一种基于语义和结构协同引导的点云配准方法，获取点云语义信息，点云语义信息包括室外雷达点云的语义信息和室内重建的点云语义信息；对点云进行采样，得到超点；提取超点的几何结构特征；对点云语义进行超点语义特征表征处理，得到超点语义特征；采用多模态特征融合模块对超点语义特征和几何结构特征进行融合，得到增强的超点特征；根据增强后的超点特征进行超点匹配，根据超点匹配结果进行点匹配，完成点云配准；本发明既考虑语义信息又考虑结构信息，并且在二者的协同作用下辅助点云配准，配准的性能有明显提升。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.042 seconds)
