-
公开(公告)号：CN111367902A
公开(公告)日：2020-07-03
申请号：CN202010129574.4
申请日：2020-02-28
Applicant: 重庆邮电大学
IPC: G06F16/215 , G06F16/248 , G06F16/29 , G06F16/9537 , G06F40/30
Abstract: 本发明涉及一种基于OD数据的轨迹可视分析方法，属于可视化技术领域。该方法包括以下步骤：S1：消除OD原始数据中的脏数据，将每一个OD流类比成一个单词，根据OD流之间的上下文关系将单词组成句子，通过word2vec模型将语料库训练成词向量；S2：运用t-SNE算法将高维向量映射到二维空间；S3：采用蓝噪采样方法对二维向量做采样S4：对优化数据量后的OD流运用边绑定算法；S5：在地图窗口设计交互手段，对感兴趣区域实现人口流动具体分析。本发明能够在保留语义相关性的同时大量减少OD流绘制时的交叉和重叠，便于分析由OD流表示的人类行为模式。
-
公开(公告)号：CN111339286A
公开(公告)日：2020-06-26
申请号：CN202010092905.1
申请日：2020-02-14
Applicant: 重庆邮电大学
IPC: G06F16/338 , G06F16/35 , G06F16/33 , G06F40/289
Abstract: 本发明涉及一种基于主题可视化的探索机构研究状况的方法，属于可视化技术领域。该方法包括以下步骤：S1:研究数据的获取以及预处理，具体为确定需要研究的机构，获取所研究机构的SCI学术文献数据；提取所需的研究字段，对获取的研究语料进行预处理；S2:采用TF-IDF特征提取和LDA主题模型文本挖掘技术对所选语料库进行处理，提取科研热点主题及其主题词，并且进行学术文献主题聚类；S3:将聚类主题以及学术文献数据中其他维度信息以可视化的方式呈现出来，从多个维度对结果进行分析。本发明有利于能够更好的掌握并跟踪时下机构科研状况发展状况，以更好的让科研人员捕获学科发展的前沿与热点，避免重复研究。
-
公开(公告)号：CN109741403A
公开(公告)日：2019-05-10
申请号：CN201811647888.2
申请日：2018-12-29
Applicant: 重庆邮电大学
IPC: G06T7/80
Abstract: 本发明涉及一种基于全局线性的相机平移标定方法，属于多视图几何和三维重建技术领域。该方法包括以下步骤：S1：输入相机对之间的本质矩阵构建EG图，将本质矩阵分解得到相对旋转矩阵和相对平移向量；S2：利用基于L1范式的李代数相对旋转平均法对旋转矩阵进行求解，得到相机的绝对旋转矩阵；S3：利用三个相机和一个场景点的约束，求出基线长度的比例，通过L1范式优化得到基线长度；S4：根据求得的旋转矩阵和基线长度，将EG图中的边中的约束等式收集起来利用L1范式求解得到全局坐标系下的相机的位置。本发明避免了共线相机退化的情况，同时降低了噪声的影响，计算简单，不需要额外的其他信息，极大提高了相机位置的精度。
-
公开(公告)号：CN106952339A
公开(公告)日：2017-07-14
申请号：CN201710155306.8
申请日：2017-03-15
Applicant: 重庆邮电大学
IPC: G06T17/00
CPC classification number: G06T17/00 , G06T2200/08
Abstract: 本发明涉及一种基于最优传输理论的点云采样方法，属于三维图像处理技术领域。该方法包括以下步骤：S1：输入待采样的点云数据，对输入的点云数据进行质量分配；S2：对点云数据进行随机下采样，得到采样点集合，即随机的从原始点云数据中选取n个点作为采样点，其中n表示采样点的数量；S3：利用最优传输原理求解点云数据与采样点之间的最优传输计划；S4：根据S3所求传输计划计算传输代价，并调整采样点的位置；S5：对调整后的采样点重复执行步骤S3和S4，直到传输代价收敛，得到最终的采样结果。该方法具有较好的鲁棒性和适应性，采样结果拥有良好的蓝噪性，能够有效地解决当前点云采样方法中存在的噪声不敏感，适用性差，效率低等问题。
-
公开(公告)号：CN106780458A
公开(公告)日：2017-05-31
申请号：CN201611135778.9
申请日：2016-12-09
Applicant: 重庆邮电大学
IPC: G06T7/00
Abstract: 本发明涉及一种点云骨架提取方法及装置，属于三维图像处理技术领域。本发明提供的一种点云骨架提取方法及装置，该方法的步骤包括：基于最优质量传输理论，从点云模型中进行随机下采样，得到采样点集合，然后基于最优质量传输的方法迭代收缩采样点提取点云模型的骨架点，根据传输计划确定骨架点相邻关系并连接骨架点，最后对骨架作平滑化处理得到连续的一维曲线骨架。本发明所述的点云骨架提取方法及装置，基于最优质量传输理论，提取曲线骨架具有很好的抗噪性，使用熵正则化计算最优质量传输，降低了程序的时间复杂度，具有较高的准确性。
-
Patent Agency Ranking
公开(公告)号：CN106709943A
公开(公告)日：2017-05-24
申请号：CN201710024345.4
申请日：2017-01-12
Applicant: 重庆邮电大学
IPC: G06T7/33
Abstract: 本发明涉及一种基于最优传输的点云配准方法，所述方法包括：S1：输入待配准的两幅点云的数据，并分别对每幅点云的数据进行质量分配；S2：使用最优传输理论求解所述两幅点云的传输计划与变换矩阵；S3：计算所述两幅点云中每个点的传输代价，并根据计算的传输代价检测异常点；S4：根据检测结果，调整两幅点云中各个点的质量；S5：对调整质量后的两幅点云重复执行步骤S2至S4，直至检测不到异常点为止；S6：将检测不到异常点时对应的变换矩阵作用到点云中，以配准点云数据。本发明提供的一种基于最优传输的点云配准方法，能够解决当前点云配准过程中存在的噪声、缺失、部分重合的问题。
-
公开(公告)号：CN114549862B
公开(公告)日：2024-07-23
申请号：CN202210209205.5
申请日：2022-03-04
Applicant: 重庆邮电大学
IPC: G06V10/46 , G06V10/26 , G06V10/762 , G06V10/764 , G06V40/10 , G06V20/64 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于多任务学习的人体点云骨架提取方法，属于计算机图形学领域。该方法包括：通过PointCNN和MLP得到歧义点云和非歧义点云，消除歧义点云，取非歧义点云作为感兴趣点云；将感兴趣点云输入到PointCNN，采用多任务学习预测点的偏移向量以及人体部位分割，结合预测的偏移向量以及部位得到预测的关节点集合；剔除关节点预测值集合中的低质量预测；对高质量预测点使用DBSCAN聚类方法，得到每个部位关节点坐标预测值；根据关节点的预测语义信息，将所有关节点连接为3D人体骨架；根据人体结构的先验知识，检查并修复3D人体骨架中的错误。本发明提高了三维人体骨架提取的准确率。
-
公开(公告)号：CN118296232A
公开(公告)日：2024-07-05
申请号：CN202410429410.1
申请日：2024-04-10
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/36 , G06F16/635 , G06N3/045 , G06N3/0442
Abstract: 本发明属于深度学习和推荐系统技术领域，具体涉及一种基于多任务学习的音乐序列推荐方法，包括：首先为用户交互序列中的音乐构建微行为序列，分别学习用户微行为序列和物品序列，并将两者串联后通过注意力机制生成包含用户微行为信息的用户表示；通过在包含歌曲属性的知识图谱上进行用户对歌曲属性的偏好传播学习得到包含歌曲属性的用户表示，将两个用户表示进行融合，同时通过多任务学习共同学习推荐任务模块和知识图谱嵌入模块以此得到物品表示，以此对下一个交互物品进行预测；本发明考虑到用户的微行为与歌曲属性之间的潜在联系，使用了不同的方法来学习物品嵌入和微行为嵌入，得到包含微行为信息的用户偏好表示。
-
公开(公告)号：CN117745774A
公开(公告)日：2024-03-22
申请号：CN202311728000.9
申请日：2023-12-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于无监督双向补全的部分重叠点云配准方法和系统，包括：将源点云和目标点云分别送入聚合特征提取网络进行局部特征提取和全局特征提取；利用transformer对源点云和目标点云进行信息交互得到源点云和目标点云的交互特征；将源点云的交互特征和目标点云的全局特征进行级联得到源级联特征，将目标点云的交互特征和源点云的全局特征进行级联得到目标级联特征；将源级联特征和目标级联特征分别输入补全网络，补全源点云和目标点云互相缺失的部分；将补全后的源点云和补全后的目标点云送入配准网络模型得到配准结果，通过补全出源点云和目标点云相互的缺失区域，将部分重叠的点云配准问题转换为完全点云重叠问题进行配准。
-
公开(公告)号：CN117455965A
公开(公告)日：2024-01-26
申请号：CN202311472104.8
申请日：2023-11-07
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于掩码学习的部分重叠点云配准方法，包括：获取有部分重叠区域的源点云和目标点云；将源点云和目标点云分别输入双通道特征提取模型提取多尺度特征信息和几何特征信息；根据源点云和目标点云的多尺度局部特征和几何局部特征利用全连接神经网络预测源点云和目标点云在几何维度及特征维度下的掩码；通过加权融合源点云和目标点云在几何维度及特征维度下的掩码得到源点云和目标点云的重叠区域预测掩码：根据源点云和目标点云的重叠区域预测掩码提取源点云和目标点云中的重叠区域点云，从而将部分重叠点云配准问题转换为完全重叠点云配准问题，将源点云和目标点云中的重叠区域点云送入点云配准网络模型得到重叠区域点云的配准结果。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.021 seconds)
