公开(公告)号：CN118351238A

公开(公告)日：2024-07-16

申请号：CN202410446771.7

申请日：2024-04-15

Applicant: 重庆邮电大学

Inventor： 徐宗懿 ,  王飞 ,  高震 ,  高鑫雨 ,  刘继逍 ,  高新波

IPC: G06T17/00 ,  G06T7/33

Abstract: 本发明属于增强现实、虚拟现实、计算机视觉领域，涉及一种面向三维服装的可控参数模型构建方法，包括：获取SMPL模型并制作服装模板；将上衣模板转换为可开合的上衣模板；将服装模板与数据集进行配准，得到配准模板及其形状参数和姿态参数；根据形状参数和姿态参数将配准模板转换为标准姿态下的服装模板，并对其进行PCA计算，得到标准姿态下的PCA服装模板；利用预训练的蒙皮权重网络预测模板的蒙皮权重，根据SMPL模板的关节点、配准模板的姿态参数以及标准姿态下的PCA服装模板的蒙皮权重得到三维服装模型；本发明的三维服装模型将前开型与前闭型服装统一用同一的可控参数模型表示，提高了建模以及配准的可操纵性。

公开(公告)号：CN113947531B

公开(公告)日：2024-04-26

申请号：CN202111272653.1

申请日：2021-10-29

Applicant: 重庆邮电大学

Inventor： 冷佳旭 ,  王佳 ,  高新波 ,  徐宗懿 ,  甘吉

IPC: G06T3/4053 ,  G06T3/4046 ,  G06V20/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

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：CN116543153A

公开(公告)日：2023-08-04

申请号：CN202310497117.4

申请日：2023-05-05

Applicant: 重庆邮电大学

Inventor： 徐宗懿 ,  袁波 ,  刘继逍 ,  高新波

IPC: G06V10/26 ,  G06V10/774 ,  G06N3/0895

Abstract: 本发明属于点云数据处理领域，具体涉及一种基于选点主动学习的半监督点云语义分割方法；所述分割方法包括获取目标点云数据；将所述目标点云数据输入到训练完成的点云语义分割神经网络中，输出目标点云数据的分割结果；通过半监督训练点云语义分割神经网络减轻了点云数据的标记成本；通过主动学习选点，从未标记的点云数据集中通过特定的采样策略进行不确定的点选取，这样选取出的点云数据是重要且含有丰富信息的并且还可以是非冗余的。能够提升半监督学习的效果和模型的能力，最终提升了三维点云数据的分割性能。

公开(公告)号：CN112365511B

公开(公告)日：2022-06-10

申请号：CN202011273571.4

申请日：2020-11-14

Applicant: 重庆邮电大学

Inventor： 徐宗懿 ,  王杨滏 ,  黄小水

IPC: G06T7/11 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

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：CN112927248B

公开(公告)日：2022-05-10

申请号：CN202110307518.X

申请日：2021-03-23

Applicant: 重庆邮电大学

Inventor： 王杨滏 ,  徐宗懿 ,  秦红星

IPC: G06T7/12 ,  G06N3/04 ,  G06N3/08

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。