-
公开(公告)号：CN109490957A
公开(公告)日：2019-03-19
申请号：CN201811434030.8
申请日：2018-11-28
Applicant: 华北电力大学
IPC: G01V1/30
Abstract: 本发明属于油田地震大数据重建技术领域，尤其涉及一种基于空间约束压缩感知的地震数据重建方法，包括：使用一部分数据作为训练数据，使用K-SVD字典学习训练超完备字典来重建原始的地震数据；使用联合稀疏分解的方法，提取共有的空间信息，并改造压缩感知算法中的感知矩阵；对稀疏度自适应匹配追踪算法进行改进，引入初始稀疏度估计的方法，采用变步长的策略对数据进行重建。重建的结果不但细节比较清晰，运算时间相较于IRLS和SAMP大幅地降低，而且横向的过度更加的平滑，说明本发明所设计的算法利用到了空间的相关信息，重建结果更加真实。
-
公开(公告)号：CN107204025A
公开(公告)日：2017-09-26
申请号：CN201710253360.6
申请日：2017-04-18
Applicant: 华北电力大学
Abstract: 本发明公开了一种基于视觉感知的自适应服装动画建模方法，其包括：步骤1：构建符合人眼特性的服装视觉显著模型，应用深度卷积神经网络学习并提取出服装动画每帧图像的不同层次抽象特征，并从这些特征和真实的眼动数据中深度学习出视觉显著模型；步骤2：服装分区域建模，基于步骤1已构建的视觉显著模型，预测服装动画图像的视觉显著图，提取出服装区域的关注度，对服装变形进行滤波，并结合摄像机视点运动信息以及物理变形信息，通过设置细节模拟因子对服装进行分区域建模；步骤3：构建视觉感知驱动的自适应服装模型并实现模拟，采用自适应多精度网格技术实现服装分区域建模，细节模拟因子高的区域进行高精度建模，细节模拟因子较低的区域则进行低精度建模，在此基础上进行动力学计算和碰撞检测，构建视觉逼真的服装动画系统。
-
公开(公告)号：CN106251200A
公开(公告)日：2016-12-21
申请号：CN201610603275.3
申请日：2016-07-27
Applicant: 华北电力大学
IPC: G06Q30/06
Abstract: 本发明公开了一种基于实例的虚拟试衣方法，包含以下步骤，1)获取服装变形矩阵数据，从不同人体体型的服装上获取服装的变形矩阵数据；服装的变形矩阵是指把同一款服装穿到两个不同体型的人体上，从而由这两件服装对应的三角面上计算他们的仿射变形矩阵；2)获取服装粗变形，所述粗变形是指过滤了服装款式信息的服装变形,根据获取的服装变形矩阵，得到两个人体模型的服装粗变形；3)虚拟试衣过程，所述虚拟试衣过程是应用之前求得的每个人体的每件服装的变形矩阵对服装进行变形，并处理变形后的服装，使其能更好地贴合指定人体。
-
公开(公告)号：CN116740240A
公开(公告)日：2023-09-12
申请号：CN202310689768.3
申请日：2023-06-12
Applicant: 华北电力大学
IPC: G06T13/40 , G06T17/20 , G06F30/20 , G06N3/0455 , G06N3/08 , G06F113/12 , G06F119/14
Abstract: 本发明公开了属于虚拟角色着装变形动画技术领域的款式多样的款式多样的实时服装动画生成方法。包括：步骤1：利用专业服装设计软件设计不同款式的服装模型，构造款式多样的服装样本集，利用拓扑对齐的方式将不同款式的服装模型进行拓扑统一；步骤2：选取多姿态的时序运动人体数据，通过物理模拟的方式利用人体模型驱动服装变形，获取款式及姿态多样的服装变形实例；步骤3：基于VAE构建运动序列到服装变形的关系模型，引入款式信息作为条件约束服装变形，学习款式的隐空间概率分布；引入Transformer层组成模型的编解码器，用于学习运动序列间的相关性，以及建立服装序列中帧与帧之间的依赖关系；步骤4：模型训练，利用步骤1和步骤2构成的数据集，将服装变形作为预测目标，运动和款式作为输入，对网络模型进行训练；步骤5：基于步骤3和步骤4构建的服装变形预测模型，改变人体运动数据和款式信息，可以以实时速率合成连续逼真的多款式着装人体动画；步骤6：对步骤5所得结果进行后处理，获得逼真无穿透的服装动画。
-
公开(公告)号：CN116740175A
公开(公告)日：2023-09-12
申请号：CN202310689262.2
申请日：2023-06-12
Applicant: 华北电力大学
IPC: G06T7/73 , G06V10/26 , G06V10/766 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明公开了属于计算机视觉领域一种无需抓取标注的堆叠场景抓取检测算法，该方法包括如下步骤：步骤1：扩展IPA‑Binpicking数据集，构造抓取检测数据集G；步骤2：通过PointNet++提取点云特征得到Np*Ne维特征；步骤3：将提取到的点云特征输入到6个MLP，用于逐点回归回归实例分割，可见性，遮挡性，抓取区域得分，置信度。然后基于回归的信息设计了一种待抓物体优先度选择策略；步骤4：通过数学分析的方法，分析物体选择模型选择出的待抓物体表面几何特征生成抓取位姿。
-
Patent Agency Ranking
公开(公告)号：CN112907710B
公开(公告)日：2023-08-29
申请号：CN202110159774.9
申请日：2021-02-05
Applicant: 华北电力大学
Abstract: 本发明公开了属于服装动画技术领域的基于条件自编码器的共享体型特征空间学习方法。包括：步骤1：通过物理模拟方式将不同款式的服装样板穿着到标模及非标模人体上，形成标模试穿及非标模试穿的服装实例，使用变形梯度表示同款服装从标模到非标模体型下服装实例间的变形映射，然后将不同款式服装的变形矩阵对齐为同一维度；步骤2：借助条件自编码器学习共享体型特征空间，将人体体型与服装款式进行解耦，隐式消除由服装款式信息引起的服装形变，进而求出款式无关的服装形变矩阵；步骤3：将得到的服装形变用于标模到非标模的服装款式迁移，生成的服装模型在贴合目标体型人体的情况下保留了源体型下服装模型的款式设计。
-
公开(公告)号：CN115455195A
公开(公告)日：2022-12-09
申请号：CN202211038548.6
申请日：2022-08-26
Applicant: 华北电力大学
IPC: G06F16/36 , G06F40/295 , G06F40/30 , G06N5/02
Abstract: 本发明公开了属于自然语言处理领域一种基于BERT和知识嵌入的加工工艺关系抽取方法，该方法包括如下步骤：步骤1：构建BERT层，进行文本特征提取，得到字维度的特征向量Z和句子向量S；步骤2：字维度的特征向量Z与实体信息联合提取实体特征向量E；步骤3：融合知识嵌入，动态调整句子向量S权重，使模型更加关注句子中与实体信息有关的语义信息C；步骤4：将所述融合实体信息的特征向量C与实体特征E进行拼接，得到多特征融合向量M；步骤5：多特征融合向量M输入分类器，计算关系类别。
-
公开(公告)号：CN115034222A
公开(公告)日：2022-09-09
申请号：CN202210630961.5
申请日：2022-06-06
Applicant: 华北电力大学
IPC: G06F40/295 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明公开了属于自然语言处理领域一种基于机械零件加工文献数据的多维度命名实体识别方法，该方法包括如下步骤：步骤1：整理机械零件加工手册上的工艺知识，通过人工与算法结合的方法对所述文献进行数据处理工作，获得机械零件加工文献的语料；步骤2：利用部分机械零件加工文献无标注语料信息对Bert模型进行预训练，得到训练好的预训练模型；把所述机械零件加工文献的标注语料输入训练好的预训练模型中进行增量训练，得到字维度的特征向量Z；步骤3：将所述字维度的特征向量Z输入基于BiLSTM的神经网络模型，并引入注意力机制动态调整输入权重，得到融合全文信息的特征向量C；步骤4：将所述融合全文语义信息的特征向量C输入Mixture of Entity Experts(MOEE)框架判断每一个符号是否为实体并得到实体的特征向量E；步骤5：实体特征向量E输入CRF模型，计算标签结果，最后的到命名实体识别结果。
-
公开(公告)号：CN115018790A
公开(公告)日：2022-09-06
申请号：CN202210634714.2
申请日：2022-06-07
Applicant: 华北电力大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06T7/70 , G06T3/00 , G06T5/00 , G06T11/00 , G06V10/40 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于异常检测的工件产品表面缺陷检测方法，其包括：步骤1：研究生产线实际制造的工件表面特征，确定合格工件标准，通过该标准判别工件合格与否；步骤2：基于特定光源和工业相机采集工件表面图像，图像经过裁剪、滤波等处理后形成数据集；步骤3：基于异常检测技术对步骤2中制作好的数据集构建工件表面缺陷检测模型，该模型使用卷积神经网络提取合格工件表面图像不同大小尺度的特征，并结合多尺度区域特征生成器和掩码自编码器，重建合格工件的表面图像，由于模型并未学习过不合格工件的表面图像，因此不合格工件表面图像的特征分布与模型先前学习到的分布差距甚大，通过比较重建前后图像的差异，该检测模型能够检测表面图像中是否存在缺陷以及定位出缺陷位置。发明所提出的方法解决了在工业制造中人工目视检测效率低、不稳定且成本高、传统图像处理检测方法泛化性差以及基于深度学习的目标检测或分割需要大量带标签缺陷数据的问题，该方法符合工业生产工件中合格样本多而缺陷样本少的特点，能够实现高精度的实时表面缺陷检测。
-
公开(公告)号：CN109740636A
公开(公告)日：2019-05-10
申请号：CN201811515475.9
申请日：2018-12-12
Applicant: 华北电力大学
Abstract: 本发明属于油水层智能识别技术领域，尤其涉及一种基于AdaBoost结合GRU的地层油水层识别方法，包括：步骤1：使用测井方法获得某地域的测井数据；步骤2：结合测井数据解释原理，对数据进行预处理；步骤3：对预处理过的测井数据，利用基于AdaBoost结合GRU方法进行学习训练，建立识别模型；步骤4：利用该地域的测井数据和建立的识别模型，预测油水层信息。本发明利用该模型，可以得到准确的地质分层信息，识别准确率不仅较高而且稳定。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.027 seconds)
