-
公开(公告)号：CN115795069A
公开(公告)日：2023-03-14
申请号：CN202211504486.3
申请日：2022-11-29
Applicant: 同济大学
Abstract: 本发明提供了一种基于特征迁移的两阶段三维模型草图检索方法方法，具有这样的特征，包括以下步骤：步骤S1，对现有的手绘草图数据标注类别标签作为第一训练数据集，对现有的三维模型数据和其二维视图数据标注类标签别作为第二训练数据集；步骤S2，根据第一训练数据训练手绘草图特征提取网络得到各个类别标签的类别中心向量；步骤S3，根据第二训练数据集训练三维模型特征提取网络；步骤S4，根据三维模型特征提取网络提取三维模型的三维模型特征，根据手绘草图特征提取网络提取待查询草图的草图特征；步骤S5，计算草图特征和各个三维模型特征的相似度，根据相似度输出三维模型。总之，本方法能够提高根据手绘草图检索三维模型的准确率。
-
公开(公告)号：CN113435293A
公开(公告)日：2021-09-24
申请号：CN202110694968.9
申请日：2021-06-23
Applicant: 同济大学
Abstract: 本发明涉及一种基于关节关系的人体姿态估计方法，包括以下步骤：S1：构建关节关系模块，包含基于通道的特征关系模块和邻接关节空间关系模块两个子模块；S2：构建基于关节关系的人体姿态估计模型；S3：利用标注的人体姿态数据训练基于关节关系的人体姿态估计模型；S4：利用训练完成的添加关节关系模块的人体姿态估计模型进行基于单张图像的人体姿态估计任务，获取预测的人体姿态。与现有技术相比，本发明有效克服图像中自由度较高的四肢关节如腕关节、踝关节及被遮挡的不可见关节位置难以检测的问题，人体姿态估计准确性高。
-
公开(公告)号：CN112329571A
公开(公告)日：2021-02-05
申请号：CN202011161979.2
申请日：2020-10-27
Applicant: 同济大学
Abstract: 本发明涉及一种基于姿态质量评估的自适应人体姿态优化方法，包括以下步骤：S1：获取人体姿态优化训练数据和已有姿态质量评估训练数据；S2：利用姿态质量评估训练数据训练人体姿态质量评估网络，得到用于衡量已有人体姿态质量评估模型；S3：利用人体姿态优化训练数据训练人体姿态优化网络，得到人体姿态优化模型；S4：获取已有人体姿态，根据人体姿态质量评估模型的评估结果，利用人体姿态优化模型对质量不达标的已有人体姿态通过迭代进行姿态优化，直至优化后的人体姿态质量达标，输出该优化的人体姿态，与现有技术相比，本发明具有有效克服所获取的人体姿态质量差异性问题等优点。
-
公开(公告)号：CN104751463B
公开(公告)日：2017-10-13
申请号：CN201510145279.7
申请日：2015-03-31
Applicant: 同济大学
Abstract: 本发明公开了一种基于草图轮廓特征的三维模型最佳视角选取方法，包括以下具体步骤：使用基于轮廓线条上下文环境的特征匹配算法，将所有给定的手绘草图映射到对应三维模型的视角上；基于三维模型视角被手绘草图的映射频率，选取模型潜在最佳视角的正负训练样本；使用“词袋”模型为每个三维模型构建特征向量，并基于正负样本利用“支持向量机”学习出一个三维模型潜在最佳视角的分类器；将三维模型视角的多样性引入到排序算法中，为每个三维模型选取出前几个给定个数的最佳视角。采用本发明可产生更符合人类视觉感受的选取结果和更广泛的适应性。
-
公开(公告)号：CN115050090A
公开(公告)日：2022-09-13
申请号：CN202210445216.3
申请日：2022-04-26
Applicant: 同济大学
Abstract: 本发明涉及一种基于结构性注意力机制的图卷积人体骨架动作识别方法，包括以下步骤：S1：构建结构性注意力模块，包含基于身体部分关系的注意力模块和基于身体对称节点轨迹的注意力模块两个子模块；S2：为图卷积的中间结果自适应邻接矩阵添加基于身体部分关系的注意力模块，得到强化身体部分结构的自适应邻接矩阵；S3：利用身体对称节点轨迹的关系构建相关注意力模块，强化人体骨架动作识别模型对身体对称性的关注；S4：将经过结构性注意力强化后的特征送入分类器，得到各动作对应的分数，从而获得最终识别结果。与现有技术相比，本发明考虑了动作识别中人体结构性的行为机制，具有识别精度高的优点。
-
Patent Agency Ranking
公开(公告)号：CN114724181A
公开(公告)日：2022-07-08
申请号：CN202210292119.5
申请日：2022-03-24
Applicant: 同济大学
Abstract: 本发明公开了一种基于姿态增强型关系特征的人体动作识别方法,包括以下步骤：S1：获取人体姿态关键点数据和周围物体包围框，并将姿态关键点数据转换为包围框格式；S2：使用基础网络提取图像特征，并通过ROIPooling进一步得到人体、姿态、物体对应的基础特征；S3：利用基础特征与包围框分别计算出2组人体‑姿态关系特征与2组人体‑物体关系特征，将关系特征按特定权重与基础特征融合，获得人体、姿态、物体增强型特征；S4：将三种增强型特征送入分类器，并将分类结果进行融合，得到各动作对应的分数，从而获得最终识别结果，与现有技术相比，本发明考虑了动作识别中的不同情况，具有识别精度高、适用范围广等优点。
-
公开(公告)号：CN111368123B
公开(公告)日：2022-06-28
申请号：CN202010097592.9
申请日：2020-02-17
Applicant: 同济大学
IPC: G06F16/583 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种基于跨模态向导网络的三维模型草图检索方法，包括以下步骤：S1：获取三维模型训练数据和草图训练数据；S2：训练三维模型网络，并利用训练完成的三维模型网络学习得到三维模型特征空间；S3：以三维模型特征空间为目标空间训练草图网络，得到训练完成的草图网络；S4：利用训练完成的三维模型网络和草图网络提取的待检索三维模型特征和查询草图特征，检索得到用于相应应用的三维模型，与现有技术相比，本发明具有有效克服跨模态差异性问题等优点。
-
公开(公告)号：CN113656616A
公开(公告)日：2021-11-16
申请号：CN202110694949.6
申请日：2021-06-23
Applicant: 同济大学
Abstract: 本发明涉及一种基于异构孪生神经网络的三维模型草图检索方法，包括以下步骤：S1：获取三维模型训练数据和草图训练数据；S2：利用两个模态独立网络别提取草图和三维模型的深度特征；S3：用一个模态共享网络将模态独立网络学习到的草图特征和三维模型特征映射到共享特征空间中；S4：利用训练完成的模态独立网络和模态共享网络提取查询草图特征和三维模型库中三维模型特征，进行草图和三维模型特征相似度计算并排序，得到检索结果。与现有技术相比，本发明具有有效克服跨模态差异性，网络设计简单易复现，为后续方法提高简单基线等优点。
-
公开(公告)号：CN111797704A
公开(公告)日：2020-10-20
申请号：CN202010531050.8
申请日：2020-06-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于相关物体感知的动作识别方法，用于融合动作相关物体特征识别人物动作，其特征在于，包括以下步骤：1)通过卷积神经网络提取待识别图像的特征图；2)获取待识别图像中的物体，并计算各物体与动作的相关性大小；3)根据相关性大小筛选最相关物体，提取得到最相关物体特征；4)获取待识别图像中的人物，提取人体特征；5)融合人体特征与最相关物体特征，计算各动作的发生概率，完成图像中人物动作的识别，与现有技术相比，本发明具有识别精度高等优点。
-
公开(公告)号：CN118552708A
公开(公告)日：2024-08-27
申请号：CN202410511462.3
申请日：2024-04-25
Applicant: 同济大学
Abstract: 本案涉及基于多模态大模型的通用视觉关系识别检测方法，属于计算机视觉、视觉关系识别领域，用于解决目前视觉关系识别检测任务中，各细分任务的专家模型缺乏通用性、灵活性和语言理解能力的问题。本方案将多模态大模型经构造的数据样本训练后，能够应用于不同视觉关系识别检测任务和不同数据集，无需针对某一任务或数据集进行专门的架构调整或精调。并且，本案多模态大模型具有一定的对话能力，能够直接有效地利用大模型的语言模态信息及其所具有的语言和知识推理能力，根据用户回答调整任务目的和输出形式，能够灵活兼容视觉关系指代等更多任务形式。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.023 seconds)
