-
公开(公告)号：CN110400370B
公开(公告)日：2021-04-16
申请号：CN201910666567.5
申请日：2019-07-17
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种构建三维CAD模型的语义级部件模板的方法，建立三维CAD模型部件包围盒数据集，生成语义级部件三维兴趣域，通过深度神经网络对其进行挑选融合，从而实现三维CAD模型的抽象表达。主要包括三大步骤，步骤一：建立三维CAD模型语义部件的包围盒数据集，根据三维CAD模型语义部件的分布以统计的方式提取三维兴趣域；步骤二：收缩三维兴趣域，使其与三维CAD模型贴合；步骤三：利用深度神经网络，根据输入的三维CAD模型和三维兴趣域，计算出每个三维兴趣域的语义分类和回归参数；步骤四：根据三维兴趣域的分类可信度进行初步筛选，然后进行融合、去重，得到最终的语义级部件模板。本发明实验验证，具有可行性、准确性和通用性，可用于诸多高层次的三维模型抽象与分割中。
-
公开(公告)号：CN111354076A
公开(公告)日：2020-06-30
申请号：CN202010132909.8
申请日：2020-02-29
Applicant: 北京航空航天大学
Abstract: 本发明提出了一种基于嵌入空间的单幅图像三维零件组合式建模方法，借助嵌入空间，对图片对象的部件模型进行检索，并将检索结果进行拼接，作为最终建模结果。该方法由五个步骤组成：对象级嵌入空间构建步骤，零件级嵌入空间构建步骤，基于嵌入空间的模型检索步骤，零件级模型的变形和摆放步骤和拼接结果选择步骤。本发明实验验证，具有可行性、准确性和通用性，可用于多种类别的对象三维建模中。
-
公开(公告)号：CN105956074A
公开(公告)日：2016-09-21
申请号：CN201610279856.6
申请日：2016-04-28
Applicant: 北京航空航天大学
CPC classification number: G06F16/5838 , G06F17/12 , G06F17/16
Abstract: 本发明公开了邻近位姿融合引导的单幅图像场景六自由度定位方法，首先从已标记内参和位置信息的参考图像库中检索出输入图像的一组邻近图像集；然后估计出输入图像与每一个邻近图像之间的相对位姿，并结合邻近图像的位姿，得到输入图像的一组候选位姿集；最后通过融合输入图像的候选位姿集，得到输入图像的六自由度位姿。为此，在估计输入图像与相似图像之间的相对位姿时，本发明提出了一种基于奇异值分解的快速估计算法。在融合候选位姿集时，定义了一个有效的几何误差函数，通过最小化误差函数值，得到输入图像的位置信息，其姿态信息由候选位姿的姿态信息平均计算得到。
-
公开(公告)号：CN107679562B
公开(公告)日：2021-01-19
申请号：CN201710850541.7
申请日：2017-09-20
Applicant: 北京航空航天大学
Abstract: 本发明提供一种三维模型的解析处理方法和装置，其中，该方法包括：通过确定三维模型中每一个零件的三种相邻关系信息；对三维模型的所有零件进行聚合处理，生成三维模型的三个部件假设集合；对每一个部件假设集合中的每一个部件假设进行体素化表达处理，生成每一个部件假设的体素化信息；将每一个部件假设集合中的所有部件假设的体素化信息，输入到识别模型中，得到每一个部件假设的可信度打分和语义类别概率分布；根据三个部件假设集合中的每一个部件假设的可信度打分和语义类别概率分布，构建高阶的条件随机场模型，得到三维模型中的每一个零件的语义类别分析结果。可以对具有“内‑外”结构的三维模型进行语义类别的解析处理，解析效果较好。
-
公开(公告)号：CN110400370A
公开(公告)日：2019-11-01
申请号：CN201910666567.5
申请日：2019-07-17
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种构建三维CAD模型的语义级部件模板的方法，建立三维CAD模型部件包围盒数据集，生成语义级部件三维兴趣域，通过深度神经网络对其进行挑选融合，从而实现三维CAD模型的抽象表达。主要包括三大步骤，步骤一：建立三维CAD模型语义部件的包围盒数据集，根据三维CAD模型语义部件的分布以统计的方式提取三维兴趣域；步骤二：收缩三维兴趣域，使其与三维CAD模型贴合；步骤三：利用深度神经网络，根据输入的三维CAD模型和三维兴趣域，计算出每个三维兴趣域的语义分类和回归参数；步骤四：根据三维兴趣域的分类可信度进行初步筛选，然后进行融合、去重，得到最终的语义级部件模板。本发明实验验证，具有可行性、准确性和通用性，可用于诸多高层次的三维模型抽象与分割中。
-
Patent Agency Ranking
公开(公告)号：CN106156781A
公开(公告)日：2016-11-23
申请号：CN201610545516.3
申请日：2016-07-12
Applicant: 北京航空航天大学
Abstract: 本发明提供一种排序卷积神经网络构建方法及其图像处理方法与装置，该排序卷积神经网络中包括了排序层，排序层用于对所述排序层的前一层的输出结果进行排序处理，按照排序结果生成所述排序层的输出结果，并将所述排序层的输出结果输出到所述排序层的后一层，使用该排序卷积神经网络能够通过自动学习来获取输入特征图对应的输出特征，相比于现有技术通过手工计算获取特征的方法，本发明的方法能够更好的反映真实场景素材蕴含的客观规律，将该方法应用于图像处理领域时，就能够使得图像处理的效果得到大幅提升。
-
公开(公告)号：CN105243670B
公开(公告)日：2018-04-06
申请号：CN201510695505.9
申请日：2015-10-23
Applicant: 北京航空航天大学
IPC: G06T7/194
CPC classification number: G06K9/00765 , G06K9/00744 , G06K9/4652 , G06K9/6244 , G06K9/6254 , G06K9/6255 , G06T7/11 , G06T7/194 , G06T2207/10016 , G06T2207/20072 , G06T2207/20081 , G06T2207/20104
Abstract: 本发明提供一种稀疏和低秩联合表达的视频前景对象精准提取方法，该方法首先选取输入视频中能够代表视频特征的帧作为关键帧，然后根据关键帧中的已知像素点训练出字典，接着根据字典获取满足低秩、稀疏和非负约束的重构系数，并根据重构系数建立输入视频中每个像素之间的非局部关系矩阵，同时建立多帧之间的拉普拉斯矩阵，再根据输入视频的已知像素点的α值和字典中样本点的α值、非局部关系矩阵和拉普拉斯矩阵，获取输入视频的视频掩像，最后根据视频掩像提取出输入视频的前景对象，保证了视频掩像在时域上的一致性，提高了提取的前景对象的质量。
-
公开(公告)号：CN106156781B
公开(公告)日：2019-09-10
申请号：CN201610545516.3
申请日：2016-07-12
Applicant: 北京航空航天大学
Abstract: 本发明提供一种排序卷积神经网络构建方法及其图像处理方法与装置，该排序卷积神经网络中包括了排序层，排序层用于对所述排序层的前一层的输出结果进行排序处理，按照排序结果生成所述排序层的输出结果，并将所述排序层的输出结果输出到所述排序层的后一层，使用该排序卷积神经网络能够通过自动学习来获取输入特征图对应的输出特征，相比于现有技术通过手工计算获取特征的方法，本发明的方法能够更好的反映真实场景素材蕴含的客观规律，将该方法应用于图像处理领域时，就能够使得图像处理的效果得到大幅提升。
-
公开(公告)号：CN107679562A
公开(公告)日：2018-02-09
申请号：CN201710850541.7
申请日：2017-09-20
Applicant: 北京航空航天大学
Abstract: 本发明提供一种三维模型的解析处理方法和装置，其中，该方法包括：通过确定三维模型中每一个零件的三种相邻关系信息；对三维模型的所有零件进行聚合处理，生成三维模型的三个部件假设集合；对每一个部件假设集合中的每一个部件假设进行体素化表达处理，生成每一个部件假设的体素化信息；将每一个部件假设集合中的所有部件假设的体素化信息，输入到识别模型中，得到每一个部件假设的可信度打分和语义类别概率分布；根据三个部件假设集合中的每一个部件假设的可信度打分和语义类别概率分布，构建高阶的条件随机场模型，得到三维模型中的每一个零件的语义类别分析结果。可以对具有“内-外”结构的三维模型进行语义类别的解析处理，解析效果较好。
-
公开(公告)号：CN105243670A
公开(公告)日：2016-01-13
申请号：CN201510695505.9
申请日：2015-10-23
Applicant: 北京航空航天大学
IPC: G06T7/00
CPC classification number: G06K9/00765 , G06K9/00744 , G06K9/4652 , G06K9/6244 , G06K9/6254 , G06K9/6255 , G06T7/11 , G06T7/194 , G06T2207/10016 , G06T2207/20072 , G06T2207/20081 , G06T2207/20104
Abstract: 本发明提供一种稀疏和低秩联合表达的视频前景对象精准提取方法，该方法首先选取输入视频中能够代表视频特征的帧作为关键帧，然后根据关键帧中的已知像素点训练出字典，接着根据字典获取满足低秩、稀疏和非负约束的重构系数，并根据重构系数建立输入视频中每个像素之间的非局部关系矩阵，同时建立多帧之间的拉普拉斯矩阵，再根据输入视频的已知像素点的α值和字典中样本点的α值、非局部关系矩阵和拉普拉斯矩阵，获取输入视频的视频掩像，最后根据视频掩像提取出输入视频的前景对象，保证了视频掩像在时域上的一致性，提高了提取的前景对象的质量。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.027 seconds)
