-
公开(公告)号：CN104680174A
公开(公告)日：2015-06-03
申请号：CN201510057315.4
申请日：2015-02-04
Applicant: 浙江工商大学
Inventor： 杨柏林
IPC: G06K9/62
Abstract: 本发明公开了一种面向网格动画渐进传输的帧聚类方法。本发明首先对各帧模型进行匹配。利用ICP算法找到帧网格模型坐标矩阵间的变换关系，得到帧与帧间的旋转矩阵R与平移矩阵T，然后利用类kmeans聚类算法将所有的帧网格坐标数据进行聚类。最后得到各类内帧索引连续的聚类结果，开始逐类进行数据处理并分别完成编码传输，同时对各类的代表帧进行独立传输。本发明聚类时以网格残差替代传统的欧氏距离，然后再加入关键帧时间差值，使得聚类结果不仅准确，还能保证各类所包含的帧索引连续。最后通过逐类处理并分开进行编码传输，可实现网格动画的渐进传输。
-
公开(公告)号：CN103914124A
公开(公告)日：2014-07-09
申请号：CN201410134913.2
申请日：2014-04-04
Applicant: 浙江工商大学
Abstract: 本发明公开了一种面向三维场景的节能颜色映射方法。本发明首先在服务器端导入张预先已由三维场景图渲染好的二维场景图像。若，则直接将该张场景图像划为一类，记为类，然后执行节能颜色替换算法，来得到一个低功耗颜色子集。若，则首先基于颜色构成相似性执行Kmeans聚类算法，对场景图像进行分组，得到个场景图像子类，逐类执行节能颜色替换算法，来得到个低功耗颜色子集。然后对得到的个低功耗颜色子集执行并集运算，最终形成一个完整的低功耗颜色集。本发明利用颜色优化方案实现在功耗受限的移动客户端低代价绘制，从而达到节能效果。
-
公开(公告)号：CN101840584B
公开(公告)日：2012-05-23
申请号：CN201010155125.3
申请日：2010-04-23
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于交互显示屏的二维数字角色操作方法。传统的形状变形技术及其应用不适合普遍用户，并且难以推广到一般的便携式移动设备。本发明方法首先建立二维角色框架骨架，包括计算各条曲线上特征点，将每条曲线上的特征点连接，连接分离曲线间距离最短的特征点；然后通过交互显示屏，用户使用手指或者触控笔在角色形状上指定并移动若干个约束点，以操作角色并使之发生相应变形。在操作过程中，通过最小化变形能量函数，得到框架骨架的变形位置，进而产生满足用户约束的自然角色姿势。本发明方法采用基于几何变形能量的形状变形技术，通过建立并优化相应的角色形状变形能量函数，从而产生自然且具有视觉真实感的角色姿势。
-
公开(公告)号：CN119251489A
公开(公告)日：2025-01-03
申请号：CN202411202648.7
申请日：2024-08-29
Applicant: 浙江工商大学
IPC: G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/80 , G06V10/52
Abstract: 本发明公开了一种基于场景引导的点云分割方法、系统、电子设备及存储介质。首先，为了充分利用场景驱动特征的选择，本发明提出了场景引导特征选择解码器，用于利用场景和特征间的注意力机制，优化特征的解码和融合过程，增强点与点之间的关联性，并减少多尺度信息聚合中的误差。其次，为了解决传统特征提取网络在处理大范围场景级特征时的局限性，本发明提出了空洞注意力补差器，用于通过特定的空洞策略增大感受野，从而在较小计算负担下有效捕捉更广阔的场景信息。最后，本发明不仅提升了点云分割模型对复杂点云数据的处理能力，还显著提高了在公认的点云数据集（如S3DIS和ScanNet）上的分割性能。
-
公开(公告)号：CN118247531B
公开(公告)日：2024-09-10
申请号：CN202410651072.6
申请日：2024-05-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学
Abstract: 本申请涉及数据处理技术领域，尤其涉及一种基于大场景空间的多模态数据空间一致性匹配方法，方法包括：获取场景数据以及对场景空间进行三维建模得到的三维空间模型，场景数据包括图像数据和点云数据；在三维空间模型中构建坐标系，并确定所述场景数据在所述坐标系中的相对位置信息；根据坐标系以及场景数据在所述坐标系中的相对位置信息，获取参考数据集和对比数据集，根据所述参考数据集、对比数据集以及对比数据与所述参考数据集之间的映射关系，对多模态数据空间一致性模型进行训练；根据所述多模态数据空间一致性模型确定目标场景数据在三维空间模型中的位置信息。
-
Patent Agency Ranking
公开(公告)号：CN118568416A
公开(公告)日：2024-08-30
申请号：CN202410714639.X
申请日：2024-06-04
Applicant: 浙江工商大学
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多帧上下文的保结构动态点云几何压缩方法，首先对动态点云数据集进行预处理划分为训练集、验证集和测试集。其次对输入的当前帧点云、前一重构帧点云和前一真实帧点云进行特征提取，接着经过保结构型运动估计模块来计算初始运动向量。通过多帧运动向量融合模块获取运动向量上下文对初始运动向量进行压缩。将得到的运动向量和三个前一重构帧点云特征空间表示输入多帧上下文构造模块计算当前帧的上下文信息。利用上下文信息作为条件对当前帧进行压缩，其中通过熵编码来减少压缩比特大小。最后通过重构网络得到当前帧的重构帧。本发明使用标准RD损失函数来训练网络，可以显著提高压缩效果。
-
公开(公告)号：CN118381927B
公开(公告)日：2024-08-23
申请号：CN202410819902.1
申请日：2024-06-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学 , 浙江中南卡通股份有限公司
IPC: H04N19/172 , H04N19/597 , H04N19/51
Abstract: 本发明公开了一种基于多模态双向循环场景流的动态点云压缩方法、系统、存储介质及设备。本发明首先给定连续两帧的点云数据和对应的图片数据，分别提取特征；将图像特征张量与点云特征张量相加，获得融合特征向量；依据特征向量和坐标矩阵得到连续两帧的潜在表示；随后将连续两帧的潜在表示输入至多尺度特征提取模块，获得运动向量。对该运动向量以及前一帧的潜在表示进行运动补偿和压缩。然后基于上下文进行残差压缩，重构残差张量；最后将预测帧和残差张量相加后输入至点云重建模块得到当前帧。本发明利用跨模态信息，实现了不同模态之间的信息互补；从粗到精的方式迭代双向增强特征和场景流估计，在保持高效率的同时显著提高性能。
-
公开(公告)号：CN118381927A
公开(公告)日：2024-07-23
申请号：CN202410819902.1
申请日：2024-06-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学 , 浙江中南卡通股份有限公司
IPC: H04N19/172 , H04N19/597 , H04N19/51
Abstract: 本发明公开了一种基于多模态双向循环场景流的动态点云压缩方法、系统、存储介质及设备。本发明首先给定连续两帧的点云数据和对应的图片数据，分别提取特征；将图像特征张量与点云特征张量相加，获得融合特征向量；依据特征向量和坐标矩阵得到连续两帧的潜在表示；随后将连续两帧的潜在表示输入至多尺度特征提取模块，获得运动向量。对该运动向量以及前一帧的潜在表示进行运动补偿和压缩。然后基于上下文进行残差压缩，重构残差张量；最后将预测帧和残差张量相加后输入至点云重建模块得到当前帧。本发明利用跨模态信息，实现了不同模态之间的信息互补；从粗到精的方式迭代双向增强特征和场景流估计，在保持高效率的同时显著提高性能。
-
公开(公告)号：CN118250090B
公开(公告)日：2024-07-23
申请号：CN202410650864.1
申请日：2024-05-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学
Abstract: 本申请实施例提供一种物联网平台信息处理方法及装置，方法包括：接收物联网设备的设备连接请求，根据设备连接请求中的设备标识确定本地预存储的公钥库中匹配的设备公钥，并根据设备公钥对设备连接请求中的设备私钥进行签名验证；在签名验证通过后，通过设定同态加密协议建立与物联网设备的加密信道，通过加密信道向物联网设备返回设备验证成功信号，并通过与网络标识符和网络连接端口对应的平台节点接收物联网设备后续发送的数据上传请求；通过预设边缘计算节点对时序数据库中的上传数据进行数据处理，接收边缘计算节点发送的数据处理的结果；本申请能够有效提高物联网平台通信的信息安全性。
-
公开(公告)号：CN114092579B
公开(公告)日：2024-05-14
申请号：CN202111357338.9
申请日：2021-11-16
Applicant: 浙江工商大学
IPC: G06T9/00 , G06N3/0455 , G06N3/0495 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于隐式神经网络的点云压缩方法。本发明首先给定数据集中的某一类别形状，划分为训练集和测试集两个部分；对原始的数据集中的mesh模型进行预处理，得到SDF值；其次设计一个基于auto‑decoder并融合熵模型的整体网络框架，输入为观察信息和经过熵模型量化的隐变量，输出为查询点的SDF估计值；然后进行模型训练和推断，得到表示单个形状的隐变量，最后将隐变量压缩为二进制字符串，进一步增加压缩率，并将压缩后的字符串传输给解码端。本发明不需要通过复杂的3d卷积对3d形状进行处理，通过简单的MLP表示隐式网络，结构更加简单。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.025 seconds)
