-
Patent Agency Ranking
公开(公告)号：CN114693923B
公开(公告)日：2025-05-09
申请号：CN202210221944.6
申请日：2022-03-09
Applicant: 南京大学
Abstract: 本发明提供了一种基于上下文和注意力的三维点云语义分割方法，包括：步骤1，对输入三维点云模型数据集采集数据；步骤2，用关系形状网络对点云数据进行逐点特征提取，得到包含形状信息的点云特征；步骤3，用上下文—注意力模块对提取的点云特征进行类内类间特征约束和强化，得到具备上下文先验和全局语义关联的点云特征；步骤4，采用多层感知机分类器对点云特征进行分类，得到点云数据中每个点的最终预测标签。
-
公开(公告)号：CN114692834A
公开(公告)日：2022-07-01
申请号：CN202210355240.8
申请日：2022-04-06
Applicant: 南京大学
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明提供了基于保留动力学过程使用稀疏网络鲁棒地分类图片的方法，结合神经正切核理论和对抗训练的动力学过程，使用对抗攻击得到稀疏网络和密集网络的各自的对抗样本，得到适宜进行对抗训练的稀疏网络，用稀疏网络在图片集上进行对抗训练，得到分类器，实现对对抗攻击的有效抵御。本方法得到的稀疏网络的性能与原始的密集网络性能相当，对抗鲁棒性优于最近提出的Inverse Weight Inheritance2020，且本发明在初始化时便找到了目标稀疏网络，不需要像现有方法那样迭代地进行对抗训练‑剪枝过程，大大减少了训练时间，因此本发明优于现有的同任务方法，使得对抗鲁棒神经网络在资源有限设备上的部署成为可能。
-
公开(公告)号：CN114708380A
公开(公告)日：2022-07-05
申请号：CN202210219791.1
申请日：2022-03-08
Applicant: 南京大学
IPC: G06T17/00
Abstract: 本发明公开了一种基于融合多视角特征与深度学习的三维重建方法，包括：采集多视角图片数据与对应的SDF数据；用卷积网络对输入的图片数据进行卷积操作，分别得到多视角下的一维的全局特征和多层二维的图片特征；对多视角下的全局特征进行最大池化操作，获取整体的全局特征；对输入的三维查询点投影，用二维查询点查询多层图片特征得到局部点信息，并拼接得到局部特征信息；进行点卷积操作，获取模型的点特征；将点特征分别与全局特征，局部特征结合，获取带有点特征信息的全局特征与局部特征；将全局特征分别与局部特征结合，用投票的方式生成最终的特征信息；最终生成三维模型。
-
公开(公告)号：CN114723880A
公开(公告)日：2022-07-08
申请号：CN202210291175.7
申请日：2022-03-23
Applicant: 南京大学
Abstract: 本发明公开了一种基于多视角成本体积的卷积网络三维模型重建方法，包括：通过一个共享权重的编码网络，提取输入的多视角图片数据的特征图；依据参考相机视点的平行平面，将特征图扭曲到不同的深度，得到每个特征图对应的特征体积；采用基于方差的成本度量将多个特征体积融合成一个成本体积；采用3D网格推理对得到的成本体积进行降噪处理，重建出最终的体素，完成基于多视角成本体积的卷积网络三维模型重建。本发明使用三维网格推理，添加几何约束，来产生高质量的输出；将每个视角都作为一次参考视角，保证了最终的结果与输入的无关性，从而提高了网络的合理性；选取新的深度值，使得产生的结果的形状与用来监督的形状的相吻合。
-
公开(公告)号：CN114693923A
公开(公告)日：2022-07-01
申请号：CN202210221944.6
申请日：2022-03-09
Applicant: 南京大学
Abstract: 本发明提供了一种基于上下文和注意力的三维点云语义分割方法，包括：步骤1，对输入三维点云模型数据集采集数据；步骤2，用关系形状网络对点云数据进行逐点特征提取，得到包含形状信息的点云特征；步骤3，用上下文—注意力模块对提取的点云特征进行类内类间特征约束和强化，得到具备上下文先验和全局语义关联的点云特征；步骤4，采用多层感知机分类器对点云特征进行分类，得到点云数据中每个点的最终预测标签。
-
-
-
-
Search Results
5
records
(took 0.013 seconds)
