您的当前位置:AG视讯 > 亚洲球赛 >

三维形状数据的深度特征表示

时间:2019-09-29

  “以出租商业地产的方式经营Airbnb,显然与它自己塑造的形象相悖。一位来自美国的独立数据分析师盯上了Airbnb,采... 图像是结构化的,可以表示为二维平面上的一个矩阵,2019年亚洲杯足球赛在阿联酋开幕创多项第一。但三维点云和网格都是非结构化的,不能直接输入到深度神经网络中。因此,采用深度学习模型首先要解决三维形状的结构化表示问题。主要思路包括:1)在三维形状上手工提取低级特征,再采用深度学习模型提取高级特征;2)将三维点云或网格转化为系列二维图像,再采用深度学习模型提取特征;3)将三维形状体素化得到结构化表示,再构建三维深度学习模型提取特征;4)设计能适应原始三维数据特点的深度学习模型。 由于三维形状比二维图像在空间中多了一维信息,因此在保持相同空间分辨率的前提下,神经网络的运算量比图像大很多。比如,即使将三维形状采样为30×30×30的体素,其运算量已相当于165×165的图像,而实际上分辨率为30×30×30的体素对形状的表示是非常粗糙的。因此,如何既能获得精细的三维形状表示,又能将运算量控制在可接受的范围内,是一个富有挑战的问题。 虽然在很多报告中,平板电脑和智能手机被归入相同的“移动设备”分类,但实际上二者的市场格局、用户统计、应... 智能手机持续扩大普及,功能亦同时强化。此外,平板电脑、笔记本电脑、MD等多种新设备纷纷投入市场。在此状况中,移动宽带的必要性比以往提高,预计今后亦会扩大其需求和受欢迎程度。目前来看,导入WiMAX和LTE等新技术,移动宽带业界正逐渐大幅成长。... 相比于ImageNet等千万量级的二维图像数据集,传统的三维形状数据集很小。近年来发布的较大的数据集包括用于形状分类与检索的ModelNet和ShapeNet。ModelNet包含了来自662类的127915个三维形状,其子集Model10包含了来自10类的4899个三维形状,ModelNet40包含了来自40类的12311个三维形状。ShapeNet包含了约300万个形状,其子集ShapeNetCore包含了来自55类的51300个形状。较小的数据集对深度学习模型的设计与训练提出了更高要求. 一个好的特征应该具有良好的鉴别力、稳健性、不变性以及计算效率。自上世纪90年代开始,三维形状特征提取算法经历了20余年的发展,逐步从手工特征过渡到基于深度学习的特征。手工特征通常通过提取三维形状几何属性的空间分布或直方图统计等方法得到,典型代表如Spin Image、FPFH、Heat Kernel Signature (HKS)、MeshHOG、RoPS等[1]。但这类方法依赖于研究者的领域知识,无法获得适用于某一特定任务的最优三维形状特征表示。近年来,随着三维形状数据集的不断完善,深度学习模型开始应用于三维形状特征表示,并产生了大量的研究成果。本文旨在简要综述该领域面临的主要挑战,研究进展以及潜在研究方向。 文王垠 有人听说我想创业,给我提出了一些“忽悠”的想法。他们说,既然你是程序语言专家,而现在人工智能(... 三维形状特征表示是三维目标识别、三维人脸识别以及三维模型检索等研究的基础,在机器人、AR/VR、人机交互、遥感测绘等领域有着广泛的应用前景。近三年来,针对三维形状数据深度特征表示的研究得到了越来越多的关注。本文对该方向所面临的挑战进行了分析,并对现有算法进行了简要综述。 比如,Bu等人[2]首先将热核特征和平均测地距离等构成的低层特征通过Bag-of-Feature模型转化为中层特征,接着采用深度置信网络(DBN)从中层特征中学习高层特征表示,并成功应用于三维形状检索与识别。Xie等人[3]首先提取三维形状Heat Kernel Signature特征的多尺度直方图分布作为自编码机的输入,然后在每个尺度上训练一个自编码机并将多个尺度隐含层的输出连接得到特征描述子,并在多个数据集上测试了该方法用于形状检索的有效性。 “人工智能是研究使计算机模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,主要包括计算机... 由于三维物体的姿态是任意的,因此如何使得学习到的特征具有对姿态的不变性也是设计深度学习模型时需要考虑的问题。典型思路包括在预处理中对输入数据进行姿态归一化,或者在神经网络中加入Max-Pooling等操作以消除姿态的影响。 作者:车品觉 问题在于,如何使它可行?这一点非常重要。是只搞分析研究,还是只做一种产品?是向对冲基金收取... 作者: Gang TAO 大数据时代,利用数据做决策是大数据的核心价值。 本文手把手,教你使用python进行AWS的CloudTrail配置... 作者:车品觉 我认为,因子可用性半衰期较短的说法基本上适用于高频因子。如果对高频因子进行回溯测试,它们有... 相对于二维图像领域,深度学习模型在三维形状上的研究起步较晚,仅在近三年取得了较大的进展。该领域面临的主要问题如下。 这类方法的缺陷在于,其仍然依赖手工特征的选择与参数优化,因此在某种程度上损失了深度学习的优势,无法从根本上克服手工特征存在的问题。 依据不同的数据表示方式,现有的三维形状深度特征表示方法可以分为:基于手工特征的方法、基于投影图像的方法、基于三维体素的方法以及基于原始数据的方法。 这类方法首先在三维形状上提取手工特征,进而将这些特征作为深度神经网络的输入,用以学习高层特征表示。其优势在于可以充分利用现有的低层特征描述子及深度学习模型。 随着三维成像技术的快速发展,低成本小型化三维传感器近年来大量涌现并逐步配备到移动设备中,典型代表如Kinect,Realsense和Google Tango。三维传感器能很好地捕获场景三维信息,使智能设备更好地感知和理解周围环境,在机器人、AR/VR、人机交互、遥感测绘等多个领域具有广阔的应用前景。

北大医疗鲁中医院 发财树之家 中国文化网 上海硕博公司 华恒生物官网 武汉未来科技城 百度
联系我们

400-500-8888

公司服务热线

AG视讯