基于较优视图和深度卷积神经网络的三维模型检索方法.pdf
Ch****75
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于较优视图和深度卷积神经网络的三维模型检索方法.pdf
本发明涉及基于较优视图和深度卷积神经网络的三维模型检索方法,本发明首先从多个视点提取三维模型的视图,并按照灰度熵的排序选取较优视图。其次通过深度卷积神经网络对视图集进行训练,从而提取视图的深度特征并进行降维。同时,对输入的自然图像提取边缘轮廓图,经过相似度匹配返回一组三维模型。最后,基于目标模型所属类别占检索结果比例对结果列表进行微调重排,返回最终的检索结果以实现三维模型检索,此方法有效选取了较优视图,降低了视图冗余,并使用深度特征对视图进行更高层的表达,有效提高了检索效果。
基于深度卷积神经网络的服装属性检索方法.pdf
本发明公开了一种基于深度卷积神经网络的服装属性检索方法,包括:采用快速的基于区域的卷积神经网络对输入图像进行人像检测;使用预训练的深度卷积神经网络进行属性特征提取,并保留最后池化层的特征;通过共享层连接最后池化层保留的特征,并融合所有属性的特征信息;建立属性树,将服装属性进行分类,将共享层按照分类进行分支,每个属性分支用于一组相关属性预测;将属性分支的输出串联叠加,进行归一化,通过局部敏感哈希法进行相似度衡量,得出结果。可以将服装属性的特征描述用于部分服装属性检测,可显著提高服装属性预测的准确率。
一种基于深度卷积神经网络的图像检索方法.pdf
本发明涉及一种基于深度卷积神经网络的图像检索方法,该方法包括:S1:采集图像数据;S2:构建深度卷积神经网络模型;S3:对该模型被训练和参数调整后,在该模型中进行学习二进制哈希编码以及计算损失;S4:在计算损失后,再对测试集图像数据进行图像检索。通过本发明学习到图像的深层次的特征,提高图像检索的精确度,克服了没有办法学习到图像深层次的特征,以及没有办法解决计算数据量存储空间过大的问题。
基于卷积神经网络的三维模型分类方法及系统.pdf
本发明公开了一种基于卷积神经网络的三维模型分类方法及系统,包括以下步骤:获取待分类的三维模型,对三维模型多角度投影得到视图,作为构建的卷积神经网络的输入,训练卷积神经网络,经过网络层次地提取三维模型形状特征,得到三维模型的分类结果,本发明避免了模型数据转化等操作,有效提高三维模型分类效率,推动计算机视觉和计算机辅助设计研究的发展。
基于深度卷积神经网络和区域竞争模型的多器官分割方法.pdf
本发明涉及医学图像处理,旨在提供基于深度卷积神经网络和区域竞争模型的多器官分割方法。该基于深度卷积神经网络和区域竞争模型的多器官分割方法包括过程:训练三维卷积神经网络;利用训练好的三维卷积神经网络学习CTA体数据中的肝脏、脾脏、肾脏和背景的先验概率图;由各类组织的先验概率图确定各个组织的初始分割区域;确定图像中各个像素点分别属于四种组织的概率;建立基于区域竞争的多区域分割模型;用凸优化方法求解模型;进行后处理,得到各个器官的轮廓。本发明利用卷积神经网络自动快速的探测到腹部肝脏、脾脏和肾脏的位置,得到各个器