公开(公告)号：CN107239827B

公开(公告)日：2020-06-09

申请号：CN201710460814.7

申请日：2017-06-18

Applicant: 北京理工大学

Inventor： 陈宇峰 ,  张铂 ,  吴丹 ,  霍盼盼 ,  陶泽綦

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于人工神经网络的空间信息学习方法，属于深度学习技术领域。包括：利用传统神经网络对输入图片进行抽象表达，在传统神经网络的中高层提取特征图得到特征向量F；对F进行滤波映射操作得到LF以增强数据显著性；对LF通过卷积神经网络进行卷积操作以得到更加抽象的特征表达X；对X进行GAP降维处理得到特征点X*；对X*通过公式D＝X*×X*T进行相关性分析得到相关矩阵；对D通过公式CD＝D*V进行投影操作得到结构特征向量CD；对CD通过公式Y(F)＝F+λ*CD得到最终的特征并输出。对比现有技术，本发明不依赖于数据增强的方法就可以识别发生几何形变的物体，使神经网络对于不变性的识别更加鲁棒。

公开(公告)号：CN107239827A

公开(公告)日：2017-10-10

申请号：CN201710460814.7

申请日：2017-06-18

Applicant: 北京理工大学

Inventor： 陈宇峰 ,  张铂 ,  吴丹 ,  霍盼盼 ,  陶泽綦

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于人工神经网络的空间信息学习方法，属于深度学习技术领域。包括：利用传统神经网络对输入图片进行抽象表达，在传统神经网络的中高层提取特征图得到特征向量F；对F进行滤波映射操作得到LF以增强数据显著性；对LF通过卷积神经网络进行卷积操作以得到更加抽象的特征表达X；对X进行GAP降维处理得到特征点X*；对X*通过公式D＝X*×X*T进行相关性分析得到相关矩阵；对D通过公式CD＝D*V进行投影操作得到结构特征向量CD；对CD通过公式Y(F)＝F+λ*CD得到最终的特征并输出。对比现有技术，本发明不依赖于数据增强的方法就可以识别发生几何形变的物体，使神经网络对于不变性的识别更加鲁棒。

公开(公告)号：CN103985155B

公开(公告)日：2017-01-25

申请号：CN201410203455.3

申请日：2014-05-14

Applicant: 北京理工大学

Inventor： 李凤霞 ,  霍达 ,  雷正朝 ,  孙美玲 ,  张铂 ,  赵三元

IPC: G06T17/00

Abstract: 本发明涉及一种基于映射法的散乱点云Delaunay三角剖分曲面重构方法，属于计算机图形学、虚拟现实技术领域。具体操作步骤为：①获取目标的原始点云数据。②获取原始点云数据中每个点的K阶邻域和单位法向量。③将点云数据进行分片。④参数化已分片的点云到二维平面。⑤在二维平面内对点云进行Delaunay三角剖分并映射回对应的三维空间。⑥优化初始三角网格模型。与已有技术相比较，本发明方法能够在进行大规模点云数据网格建模时，在保证三角网格的质量的同时，能够较快的实现散乱点云的三角网格化，对于海量点云效果更佳。