-
公开(公告)号：CN113792859A
公开(公告)日：2021-12-14
申请号：CN202111069850.3
申请日：2021-09-13
Applicant: 中南大学
Abstract: 本发明公开了一种无监督形状对应方法，包括获取训练数据和测试数据，生成数据集；对数据集进行预处理；采用特征提取网络对预处理后的数据集进行特征提取；采用针对泛函数的谱流形小波约束优化，得到形状对应的概率密度矩阵，生成初始形状对应模型；提出作用于形状对应网络的无监督损失函数；生成最终形状对应模型；将初始三维形状发送到最终形状对应模型，生成带有初始三维形状特征信息的三维形状模型。本发明，精度高，速度快。并进一步提升了使用深度学习的形状对应算法的准确率，输出形状更加鲁棒。提出的无监督损失函数不需要网络额外的输入或者预先计算其他信息，大大提升了效率。
-
公开(公告)号：CN113792859B
公开(公告)日：2022-06-17
申请号：CN202111069850.3
申请日：2021-09-13
Applicant: 中南大学
IPC: G06N3/04 , G06N3/08 , G06K9/62 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种无监督形状对应方法，包括获取训练数据和测试数据，生成数据集；对数据集进行预处理；采用特征提取网络对预处理后的数据集进行特征提取；采用针对泛函数的谱流形小波约束优化，得到形状对应的概率密度矩阵，生成初始形状对应模型；提出作用于形状对应网络的无监督损失函数；生成最终形状对应模型；将初始三维形状发送到最终形状对应模型，生成带有初始三维形状特征信息的三维形状模型。本发明，精度高，速度快。并进一步提升了使用深度学习的形状对应算法的准确率，输出形状更加鲁棒。提出的无监督损失函数不需要网络额外的输入或者预先计算其他信息，大大提升了效率。
-
公开(公告)号：CN118887416B
公开(公告)日：2024-12-10
申请号：CN202411394057.4
申请日：2024-10-08
Applicant: 中南大学
IPC: G06V10/40 , G06N3/0464 , G06N3/08 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种三维点云数据的特征提取方法，包括获取已知的三维点云数据集并预处理；在三维点云数据集的最小包围盒的顶点处设置源电荷并构建三维点云数据集中各个点的探针点电荷；计算三维点云数据集中各个点的点几何库仑力；将点几何库仑力与对应的三维坐标合并得到训练数据集，并对深度学习网络进行训练得到特征提取网络；采用特征提取网络完成目标三维点云数据的特征提取。本发明还公开了一种包括所述三维点云数据的特征提取方法的分类分割方法，以及实现所述三维点云数据的特征提取方法的系统。本发明具有低维和显式的特征，对真实数据具有更强的鲁棒性，不仅能够实现三维点云数据的特征提取，而且可靠性更高，精确性更好，适用性更好。
-
公开(公告)号：CN118887416A
公开(公告)日：2024-11-01
申请号：CN202411394057.4
申请日：2024-10-08
Applicant: 中南大学
IPC: G06V10/40 , G06N3/0464 , G06N3/08 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种三维点云数据的特征提取方法，包括获取已知的三维点云数据集并预处理；在三维点云数据集的最小包围盒的顶点处设置源电荷并构建三维点云数据集中各个点的探针点电荷；计算三维点云数据集中各个点的点几何库仑力；将点几何库仑力与对应的三维坐标合并得到训练数据集，并对深度学习网络进行训练得到特征提取网络；采用特征提取网络完成目标三维点云数据的特征提取。本发明还公开了一种包括所述三维点云数据的特征提取方法的分类分割方法，以及实现所述三维点云数据的特征提取方法的系统。本发明具有低维和显式的特征，对真实数据具有更强的鲁棒性，不仅能够实现三维点云数据的特征提取，而且可靠性更高，精确性更好，适用性更好。
-
-
-
Search Results
4
records
(took 0.014 seconds)
