-
公开(公告)号：CN110543581A
公开(公告)日：2019-12-06
申请号：CN201910848660.8
申请日：2019-09-09
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/55 , G06F16/583 , G06K9/62
Abstract: 该发明属于计算机视觉及深度学习领域，针对当前基于视图的深度学习方法不能捕获三维模型全面的空间信息的缺点，基于非局部图卷积网络的多视图三维模型检索方法挖掘融合多视图的高响应特征，从而得到单一紧凑的高辨别性模型描述符。其优越性能在三维模型检索中得到验证。该发明具体包含以下步骤：（1）获取模型的多视角图像，（2）多视角图像预处理，（3）设计非局部图卷积网络，（4）非局部图卷积网络训练，（5）提取模型深度特征，（6）三维模型的检索匹配。
-
公开(公告)号：CN110555060A
公开(公告)日：2019-12-10
申请号：CN201910849336.8
申请日：2019-09-09
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/2458 , G06K9/62 , G06N3/04
Abstract: 本发明属于图像分类和迁移学习技术领域，公开了一种基于成对样本匹配的迁移学习方法，实现了对基于不同域的样本内在关系的挖掘。具体包含以下步骤：（1）数据预处理，（2）基于迁移学习的双链模型构建，（3）实例归一化和批量归一化，（4）计算对比损失和最大均值距离损失。本发明的优点是通过结合实例归一化和批归一化同时进行学习，充分挖掘不同图像的风格和语义关联特性，实现在源域辅助下对少量目标域样本的高效识别。
-
公开(公告)号：CN110555060B
公开(公告)日：2023-05-02
申请号：CN201910849336.8
申请日：2019-09-09
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/2458 , G06F18/214 , G06N3/0464 , G06N3/0442
Abstract: 本发明属于图像分类和迁移学习技术领域，公开了一种基于成对样本匹配的迁移学习方法，实现了对基于不同域的样本内在关系的挖掘。具体包含以下步骤：（1）数据预处理，（2）基于迁移学习的双链模型构建，（3）实例归一化和批量归一化，（4）计算对比损失和最大均值距离损失。本发明的优点是通过结合实例归一化和批归一化同时进行学习，充分挖掘不同图像的风格和语义关联特性，实现在源域辅助下对少量目标域样本的高效识别。
-
公开(公告)号：CN110543581B
公开(公告)日：2023-04-04
申请号：CN201910848660.8
申请日：2019-09-09
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/55 , G06F16/583 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 该发明属于计算机视觉及深度学习领域，针对当前基于视图的深度学习方法不能捕获三维模型全面的空间信息的缺点，基于非局部图卷积网络的多视图三维模型检索方法挖掘融合多视图的高响应特征，从而得到单一紧凑的高辨别性模型描述符。其优越性能在三维模型检索中得到验证。该发明具体包含以下步骤：（1）获取模型的多视角图像，（2）多视角图像预处理，（3）设计非局部图卷积网络，（4）非局部图卷积网络训练，（5）提取模型深度特征，（6）三维模型的检索匹配。
-
-
-
Search Results
4
records
(took 0.025 seconds)
