-
公开(公告)号：CN117974938A
公开(公告)日：2024-05-03
申请号：CN202410104097.4
申请日：2024-01-25
Applicant: 大连理工大学
Abstract: 本发明涉及一种基于稀疏点云的网格重建方法，旨在通过预测边缘连接性和距离回归来实现准确的网格重建。本发明通过引入神经网络和边缘特征提取，以及距离回归和过滤技术，实现了更精确和连续的网格重建。本发明的方法包括以下关键步骤：首先，从输入的稀疏点云中生成候选边缘，并提取候选边缘的特征。候选边缘的特征由与其相邻的局部邻域点的特征表示。接下来，通过距离回归，将候选边缘回归到物体表面的距离。这样可以过滤掉出来位于表面上的边缘。最后，通过对过滤后的边缘进行连接，能够生成一个准确且连续的三角网格表示。这种网格重建方法在计算机图形学、计算机辅助设计和虚拟现实等领域具有广泛应用的潜力。
-
公开(公告)号：CN116673878A
公开(公告)日：2023-09-01
申请号：CN202310752813.5
申请日：2023-06-26
Abstract: 本发明提供一种可进行丸粒质量筛选的喷丸机，包括加工单元、分料单元、料仓单元、除尘单元和电气控制单元，加工单元、分料单元和料仓单元自上而下依次设置在机架中，除尘单元设置在机架一侧，并分别与加工单元、分料单元连通，电气控制单元分别与加工单元和分料单元的开关通讯连接；分料单元包括上下开口的分料室，分料室内水平设置有筛网，筛网的一端在电机的驱动下能向下90°转动。本发明采用筛网结构，通过气缸往复伸缩、筛网振动、电气控制等有效手段实现丸粒质量筛选；通过更换不同孔径的筛网实现不同粒径丸粒的质量筛选；通过电气控制实现喷丸强化与丸粒质量筛选两种功能切换。本发明能实现丸粒质量筛选与喷丸强化两种功能。
-
公开(公告)号：CN114494293A
公开(公告)日：2022-05-13
申请号：CN202210070125.6
申请日：2022-01-21
Applicant: 大连理工大学
Abstract: 本发明涉及计算机视觉图像分割领域，提供一种基于放大采样的伪装目标分割方法，包括：步骤100，将数据集划分为训练集和测试集；步骤200，将训练数据集输入深度神经分割网络中，得到训练好的模型，迭代此过程，逐步得到精确的网络模型；步骤300，将测试集输入到训练好的模型中，得到预测结果，迭代此过程，逐步得到更精确的预测结果；步骤400，将预测结果与测试集的真值对齐，得到最终的预测结果。相较于单阶段伪装物体检测方法，本发明检测分割物体更为准确，能够大幅度提高小物体的分割精度，使图像分割更加精细。
-
公开(公告)号：CN111737497A
公开(公告)日：2020-10-02
申请号：CN202010607265.3
申请日：2020-06-30
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/35 , G06F40/211 , G06F40/253 , G06F40/30 , G06N5/00 , G06N3/04
Abstract: 本发明提供一种基于多源语义表示融合的弱监督关系抽取方法。首先，采用分布式词向量初始化文本语句的上下文语义特征，运用自然语言处理工具解析出描述文本特性的海量离散化符号特性，并设计关系抽取任务中语句实例与特性间通用的一阶逻辑规则。之后，将逻辑规则与因子图相结合以建立文本特性与语句实例间的联系，并通过联合统计推理从人类感知的角度建模，学习描述文本特性的低维关系语义向量；并使用双向门控循环单元编码语句内容本身的语义信息作为上下文内容语义向量。最后，在神经网络中微调文本特性语义向量，融合两种不同特征源的向量表示得到更具鲁棒性的文本语义特征表示，与实体对嵌入表征一同指导弱监督关系抽取工作。
-
公开(公告)号：CN108469313B
公开(公告)日：2019-06-14
申请号：CN201810375884.7
申请日：2018-04-16
Abstract: 本发明公开了一种基于元胞自动机的结晶器铜板温度异常区域检测方法，属于钢铁冶金领域，主要解决恶劣工况下结晶器传热异常捕捉困难和异常区域特征搜索效率低问题。本发明技术方案为：(1)结晶器铜板温度可视化；(2)元胞自动机模型初始化；(3)连通区域元胞标记与合并；(4)异常元胞区域边界检测。本发明将元胞自动机方法与结晶器温度异常区域检测相结合，利用当前元胞与临域元胞温度状态判断区域连通性，通过同一标号区域连通段的起始元胞和终止元胞获取区域边界，快速区分并提取结晶器黏结、裂纹等异常发生时的热点、冷点区域及其边界，为漏钢预报、铸坯纵裂、角裂纹等缺陷的预测提供准确可靠的图像检测方法。
-
Patent Agency Ranking
公开(公告)号：CN119445327A
公开(公告)日：2025-02-14
申请号：CN202411487168.X
申请日：2024-10-24
Applicant: 大连理工大学
IPC: G06V10/82 , G06V10/764 , G06V10/80 , G06V10/74 , G06N3/0455 , G06N3/096
Abstract: 本发明涉及计算机视觉图像分类领域，提供一种面向图像分类任务的组合增量学习方法，包括：通过图像特征提取器中提取到图像特征；将图像特征分别在对象提示池与组合提示池中选取合适的提示并进行融合；使用对象提示指导属性提示选择并进行融合；获取训练图像的特征序列；通过Transformer Encoder分别得到训练图像的属性特征、对象特征与组合特征；使用属性分类器、对象分类器、组合分类器分别对属性、对象和组合进行分类，得到属性、对象、组合的预测分数；最终对测试图像进行测试获取最终组合预测分数，分数最高的组合即为预测分类结果。本发明能够大幅度提高对于组合增量图像的分类精度，使图像分类更加准确。
-
公开(公告)号：CN112967217B
公开(公告)日：2024-02-06
申请号：CN202110263577.1
申请日：2021-03-11
Applicant: 大连理工大学
Abstract: 本发明涉及计算机视觉图像拼接领域，提供一种基于直线特征匹配及约束的图像拼接方法，包括步骤100，将两幅图像划分为目标图像和参考图像，提取并匹配两幅图像中的特征点，筛选正确的匹配点，提取两幅图像中的特征直线；步骤200，利用点线不变量匹配两幅图像中的特征直线，根据几何关系重构匹配直线邻域内的特征点以增加匹配特征点的数量，最后筛选正确的匹配点；步骤300，估计全局单应性矩阵；步骤400，为目标图像划分均匀网格，构造能量函数的约束项，通过最小化能量函数计算扭曲网格的顶点坐标；步骤500，将扭曲的目标图像与参考图像融合，形成最终的拼接图像。本发明能够在保持全局直线的同时大幅度减少拼接图像的失真情况。
-
公开(公告)号：CN114218850A
公开(公告)日：2022-03-22
申请号：CN202111317573.3
申请日：2021-11-09
Applicant: 大连理工大学
Abstract: 本发明属于知识表示技术领域，涉及一种异构多关系图表示学习方法。为了降低参数数量和计算复杂度。本发明将节点和关系在低维度欧式空间中进行向量嵌入，给定头节点和关系，通过双层栈式“旋转‑平移”变换模块，利用关系向量对头节点向量进行空间变换，经过关系自适应的向量聚合运算，计算变换后的头节点向量和尾节点向量的空间距离，该距离作为三元组评分，用于评估三元组的真实性概率。本发明可以应用于各领域异构多关系图的自动补全任务，大大降低了链接预测计算的时间复杂度和空间复杂度，使得基于图表示学习的异构图补全方法更好地应用于实际大规模异构多关系图的业务场景。
-
公开(公告)号：CN113792888A
公开(公告)日：2021-12-14
申请号：CN202111091377.9
申请日：2021-09-17
Applicant: 大连理工大学
IPC: G06N20/00
Abstract: 本发明提出一种实体对齐的主动学习框架方法，从缩小实体对齐的范围出发，考虑生产环境中缺少标签数据的问题，使用多角度的两个学习引擎相互对抗和增强的方式，对模型进行训练，以完成实体对齐任务。该方法主要包括：实体分块、训练集生成、主动学习过程和候选集生成与预测。主动学习过程中包含对实体的不同侧重的模型，可以分别考虑实体的属性和关系。同时对无标签数据的指标难以测量问题，提出使用继续训练这一方式进行补足，从而满足实体对齐模型在不损失性能的同时在无标签数据的情况下的应用。
-
公开(公告)号：CN113656598A
公开(公告)日：2021-11-16
申请号：CN202110952568.3
申请日：2021-08-19
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/901 , G06F40/205
Abstract: 一种基于全局图注意力和局部图注意力的论文摘要生成方法，从输入的知识图中，通过全局图注意力和局部图注意力提取图结构特征，应用于指导论文摘要生成，该方法可以更好抓住各个实体间的关系，提高论文摘要生成效果。该方法主要包括：图结构转换、特征提取、解码生成。将知识图的每一条边，替换成两个表示关系方向的节点，将原图转换成连通无向图；通过多头自注意力计算顶点与图中其它顶点的注意力分布更新节点向量，获取全局特征表示；之后通过多头自注意力计算顶点与直接相连顶点的注意力分布更新节点向量，获取局部细节特征；最后在解码生成部分使用复制机制，从知识图中复制输入信息作为输出。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.027 seconds)
