-
公开(公告)号：CN118250288B
公开(公告)日：2024-07-23
申请号：CN202410650143.0
申请日：2024-05-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学 , 浙江中南卡通股份有限公司
IPC: H04L67/1087 , H04L67/2885 , H04L67/51 , H04L67/12
Abstract: 本申请实施例提供一种基于场景组件化的AIoT中台数据处理方法、装置及系统，方法包括：对场景编辑指令进行内容解析，确定对应的场景需求和特定功能，根据场景需求、特定功能以及预设场景知识图谱，确定预设场景原子化组件库中匹配的可插拔组件、场景分析算法以及场景逻辑规则；接收人工智能物联网中的边缘层发送的物联网设备数据，将所述物联网设备数据按照设定数据配置规则配置为所述可插拔组件的组件数据源；通过场景分析算法对所述组件数据源进行数据分析，并根据所述场景逻辑规则对所述可插拔组件进行流程构建，根据经过所述流程构建后的可插拔组件和所述数据分析的结果得到云服务层中台；本申请能够实现高度灵活和可扩展的AIoT服务。
-
公开(公告)号：CN118250288A
公开(公告)日：2024-06-25
申请号：CN202410650143.0
申请日：2024-05-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学 , 浙江中南卡通股份有限公司
IPC: H04L67/1087 , H04L67/2885 , H04L67/51 , H04L67/12
Abstract: 本申请实施例提供一种基于场景组件化的AIoT中台数据处理方法、装置及系统，方法包括：对场景编辑指令进行内容解析，确定对应的场景需求和特定功能，根据场景需求、特定功能以及预设场景知识图谱，确定预设场景原子化组件库中匹配的可插拔组件、场景分析算法以及场景逻辑规则；接收人工智能物联网中的边缘层发送的物联网设备数据，将所述物联网设备数据按照设定数据配置规则配置为所述可插拔组件的组件数据源；通过场景分析算法对所述组件数据源进行数据分析，并根据所述场景逻辑规则对所述可插拔组件进行流程构建，根据经过所述流程构建后的可插拔组件和所述数据分析的结果得到云服务层中台；本申请能够实现高度灵活和可扩展的AIoT服务。
-
公开(公告)号：CN116363276A
公开(公告)日：2023-06-30
申请号：CN202310303073.7
申请日：2023-03-27
Applicant: 浙江中南卡通股份有限公司
IPC: G06T13/40 , G06F16/11 , G06F16/172 , G06F16/17
Abstract: 本发明为一种角色设计方法、设备及介质，包括；S1：获取构成角色配件图像数据集；S2：对图像数据集进行整理；S3：构建配件计数器模型；S4：将进行整理后的图像数据集通过跳跃扫描法，得到样式序号；S5：将样式序号输入配件计数器模型生成基因码；S6：将角色名、产品编码和基因码组合为产品ID码；S7：对ID码进行渲染，并输出渲染后的图片；步骤S4具体包括：S41：获取扫描基数、理论总数、文件夹内配件数；S42：定义出发数数组；S43：通过跳跃扫描法创建步幅编号数组；S44：通过扫描基数、出发数以及步幅编号，得到样式序号。本发明有效解决角色设计效率低、不能批量出图的问题，提供了海量动画角色方案、随机出场的角色形象、盲盒式图案产品。
-
公开(公告)号：CN103927776B
公开(公告)日：2017-12-15
申请号：CN201410124595.1
申请日：2014-03-28
Applicant: 浙江中南卡通股份有限公司
IPC: G06T13/00
Abstract: 本发明涉及计算机动画领域，公开了一种动画曲线优化方法，包括以下的具体步骤，准备步骤，找寻文件中的物体；曲率计算步骤，计算每个物体在所有动画帧上的曲率；非关键帧排除步骤，剔除非关键帧；从而达到减少非关键帧，优化动画曲线的目的。本发明的优点在于，优化效果好，可以大幅度地减少动画文件中的K帧，可以大幅简化后期的动画修改流程，人工干预少，同时具有计算步骤少的特点，尤其适应于对于动画文件的后期优化操作，具有较好的应用价值。
-
公开(公告)号：CN119206045A
公开(公告)日：2024-12-27
申请号：CN202411116449.4
申请日：2024-08-14
Applicant: 浙江中南卡通股份有限公司 , 浙江工商大学 , 杭州宇泛智能科技股份有限公司
Abstract: 本发明涉及三维建模技术领域，具体涉及一种基于注意力机制的变形生成模型的方法，采用如下步骤：S10：首先，准备一个包含任意大小和数量的三维模型数据集，三维模型数据集格式为.ply；对所有模型进行必要的预处理，相应的预处理文件通过符号距离函数来隐式地表示数据集，数据集的格式为.mat；S20：设计一个变形生成模型；S30：训练变形生成模型；S40：反复执行步骤S30，直至达到预设的迭代次数，默认为70轮；每轮遍历所有三维模型；在每一轮迭代结束时，保存模型的参数；它通过巧妙结合变形隐式场模型架构与自注意力模块，充分利用了注意力机制能够捕获全局上下文信息，使得模型能够更全面地建立模型位置之间的联系，从而消除噪声。
-
Patent Agency Ranking
公开(公告)号：CN103927776A
公开(公告)日：2014-07-16
申请号：CN201410124595.1
申请日：2014-03-28
Applicant: 浙江中南卡通股份有限公司
IPC: G06T13/00
Abstract: 本发明涉及计算机动画领域，公开了一种动画曲线优化方法，包括以下的具体步骤，准备步骤，找寻文件中的物体；曲率计算步骤，计算每个物体在所有动画帧上的曲率；非关键帧排除步骤，剔除非关键帧；从而达到减少非关键帧，优化动画曲线的目的。本发明的优点在于，优化效果好，可以大幅度地减少动画文件中的K帧，可以大幅简化后期的动画修改流程，人工干预少，同时具有计算步骤少的特点，尤其适应于对于动画文件的后期优化操作，具有较好的应用价值。
-
公开(公告)号：CN118381927B
公开(公告)日：2024-08-23
申请号：CN202410819902.1
申请日：2024-06-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学 , 浙江中南卡通股份有限公司
IPC: H04N19/172 , H04N19/597 , H04N19/51
Abstract: 本发明公开了一种基于多模态双向循环场景流的动态点云压缩方法、系统、存储介质及设备。本发明首先给定连续两帧的点云数据和对应的图片数据，分别提取特征；将图像特征张量与点云特征张量相加，获得融合特征向量；依据特征向量和坐标矩阵得到连续两帧的潜在表示；随后将连续两帧的潜在表示输入至多尺度特征提取模块，获得运动向量。对该运动向量以及前一帧的潜在表示进行运动补偿和压缩。然后基于上下文进行残差压缩，重构残差张量；最后将预测帧和残差张量相加后输入至点云重建模块得到当前帧。本发明利用跨模态信息，实现了不同模态之间的信息互补；从粗到精的方式迭代双向增强特征和场景流估计，在保持高效率的同时显著提高性能。
-
公开(公告)号：CN118381927A
公开(公告)日：2024-07-23
申请号：CN202410819902.1
申请日：2024-06-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学 , 浙江中南卡通股份有限公司
IPC: H04N19/172 , H04N19/597 , H04N19/51
Abstract: 本发明公开了一种基于多模态双向循环场景流的动态点云压缩方法、系统、存储介质及设备。本发明首先给定连续两帧的点云数据和对应的图片数据，分别提取特征；将图像特征张量与点云特征张量相加，获得融合特征向量；依据特征向量和坐标矩阵得到连续两帧的潜在表示；随后将连续两帧的潜在表示输入至多尺度特征提取模块，获得运动向量。对该运动向量以及前一帧的潜在表示进行运动补偿和压缩。然后基于上下文进行残差压缩，重构残差张量；最后将预测帧和残差张量相加后输入至点云重建模块得到当前帧。本发明利用跨模态信息，实现了不同模态之间的信息互补；从粗到精的方式迭代双向增强特征和场景流估计，在保持高效率的同时显著提高性能。
-
公开(公告)号：CN117911591A
公开(公告)日：2024-04-19
申请号：CN202311797568.6
申请日：2023-12-26
Applicant: 浙江中南卡通股份有限公司
IPC: G06T13/40
Abstract: 本发明公开了一种动画虚拟人物关节识别方法，采用以下实施步骤：S1、用户在Maya场景中选择需要标注的人形骨架系统的任意部分；S2、获取选择物体的长名；S3、获取选择物体所处骨架体系顶层物体的名称；S4、获取根关节，再列出根关节的后代关节，根据具体关节的特征，识别出具体关节。本发明可对任一具有一个骨架系统的动画虚拟人物实现关节识别，然后可以将识别出的关节数据进行复用，具有自动高效的特点。
-
公开(公告)号：CN116883256A
公开(公告)日：2023-10-13
申请号：CN202310577666.2
申请日：2023-05-22
Applicant: 浙江中南卡通股份有限公司
IPC: G06T5/00 , G06N3/0475 , G06N3/045
Abstract: 本发明涉及图像机器学习与计算机视觉研究中的深度神经网络、视频修复、生成式对抗学习领域，为一种基于多维信息聚合和像素级对抗学习的自由格式视频修复框架，包括多维互相关视频修复模型和像素级对抗学习方法，所述多维互相关视频修复模型与像素级对抗学习方法通过重建帧相连。通过使用多维度互相关增强技术，对不同维度中上下文信息聚合，对多维度互相关增强进行维度分解降低计算复杂性；通过像素级的对抗性学习方法对修复视频质量判别，增强生成器的针对性优化；自由格式视频修复的框架融合多维度互相关增强和像素级的对抗性学习方法，充分考虑视频中不同上下文信息的区别，在重建后的视频中保留时间和空间一致性，使被修复的视频更加逼真。
-
-
-
-
-
-
-
-
-
Search Results
186
records
(took 0.031 seconds)
