检索结果-内蒙古大学图书馆

计算机工程与应用 2023年第15期59卷 290-299页

作者：彭睿男万韬阮巩林明西安工程大学计算机科学学院西安710600 新型网络智能信息服务国家地方联合工程研究中心西安710600 陕西省服装设计智能化重点实验室西安710600 布拉德福德大学工程与信息学院西约克郡布拉德福德市BD71DP

针对现有增强现实技术在进行环境重建时存在环境重建时间长、设备门槛高、户外环境重建定位困难等问题,设计并实现了AR环境快速重建系统。以谷歌ARCore作为开发基础,调用环境信息估算工具获取三维模型空间坐标和环境深度信息;设计一种... 详细信息

针对现有增强现实技术在进行环境重建时存在环境重建时间长、设备门槛高、户外环境重建定位困难等问题,设计并实现了AR环境快速重建系统。以谷歌ARCore作为开发基础,调用环境信息估算工具获取三维模型空间坐标和环境深度信息;设计一种新的多重目标跟踪匹配算法,以解析目标特征,并与三维模型生成对应关系;加入北斗全球卫星信号(global navigation satellite system,GNSS)接收机对原有的定位模块进行改进,采用参数转换法对高精度坐标进行本地化处理;使用分割位姿匹配法校正环境中的三维模型重建位姿。实验结果证明,该改进系统适用范围广,拥有脱离摄像头后AR环境不丢失位置等特点,增强了AR环境重建中用户的方位感知能力,降低了AR环境中不同三维模型和目标特征的匹配处理难度。

关键词：增强现实谷歌ARCore 多重目标跟踪匹配北斗全球卫星参数转换法分割位姿匹配

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的三维人体估计方法研究

引用

计算机与数字工程 2024年第9期52卷 2787-2792页

作者：王偲茗万韬阮西安工程大学计算机科学学院/陕西省服装设计智能化重点实验室西安710048 布拉德福德大学工程与信息学院布拉德福德BD71DP

为提升虚拟试衣的视觉效果,针对三维试衣中服装下人体模型获取不易且通常精准度不高的问题,论文提出了一种基于深度卷积神经网络的人体体型估计方法。该方法以单张RGB图像的掩膜图作为输入,将整体图像剪裁为以关键点为中心的局部区域,... 详细信息

为提升虚拟试衣的视觉效果,针对三维试衣中服装下人体模型获取不易且通常精准度不高的问题,论文提出了一种基于深度卷积神经网络的人体体型估计方法。该方法以单张RGB图像的掩膜图作为输入,将整体图像剪裁为以关键点为中心的局部区域,通过依次提取每个局部区域的人体特征,逐步推断出整个人体模型。根据图像特性对传统VGG-16网络模型进行层间的增删,调整结构提高图像信息的学习效率和局部特征的检测速度。实验表明:论文方法可以有效提高对图像特征的检测,精确服装下的人体建模重建,使之在多种体型下都展现了较为理想的效果。

关键词：深度卷积神经网络三维重建局部特征拉普拉斯网格变形

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的颅面点云生成模型

引用

计算机与数字工程 2024年第8期52卷 2405-2410页

作者：安洪波汤汶万韬阮西安工程大学计算机科学学院/陕西省服装设计智能化重点实验室西安710048 伯恩茅斯大学科学与技术学院伯恩茅斯BH125BB 布拉德福德大学工程与信息学院布拉德福德BD71DP

针对实际应用中对初始头骨数据完整性要求高、重建复原时间长、扩展性和实用性不强等问题,论文设计提出一种基于深度学习的形状修补以及形状学习颅面点云复原模型。模型通过使用补全自编码器(Repair AutoEncoder,rAE)从缺失的头骨点云... 详细信息

针对实际应用中对初始头骨数据完整性要求高、重建复原时间长、扩展性和实用性不强等问题,论文设计提出一种基于深度学习的形状修补以及形状学习颅面点云复原模型。模型通过使用补全自编码器(Repair AutoEncoder,rAE)从缺失的头骨点云数据中复原完整头骨点云,并通过形状生成自编码器(Generation AutoEncoder,gAE)来生成初始头骨所对应的头面部点云。实验表明该模型补全生成的头骨点云和学习生成的头部点云的复原精度能很好地支撑对头部模型的三维重建。论文提出的深度学习方法与传统方法相比较能够由不完整的头骨数据,快速、逼真和准确地重构三维头部形状,在经典颅面复原任务如:出土残缺古人类头骨补全、面貌复原、刑事案件侦破等任务中展现出良好的稳定性与可扩展性。

关键词：自编码器点云补全形状学习关键点颅面复原

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的抗噪声点云识别网络设计

引用

纺织高校基础科学学报 2020年第3期33卷 113-120页

作者：张光玺汤汶万韬阮薛涛西安工程大学计算机科学学院陕西西安710048 伯恩茅斯大学科学与技术学院英国伯恩茅斯BH125BB 布拉德福德大学工程与信息学院英国布拉德福德BD71DP

为了提高点云识别网络的抗噪声能力,降低神经网络在空间模型运算中对处理器的压力,设计一款轻量且具备抗噪声能力的点云识别网络。新的网络通过引入点云库技术,在多层感知机输入数据前添加了随机采样模块和近邻统计高斯滤噪模块,有效滤... 详细信息

为了提高点云识别网络的抗噪声能力,降低神经网络在空间模型运算中对处理器的压力,设计一款轻量且具备抗噪声能力的点云识别网络。新的网络通过引入点云库技术,在多层感知机输入数据前添加了随机采样模块和近邻统计高斯滤噪模块,有效滤除复杂点云场景中的离群点。通过优化多层感知模块与全连接模块层次结构,减少网络冗余参数。实验证明:在模型识别准确率维持在84.2%的同时,相较于7种同类型网络,本网络对数据中的随机噪声具有较强的鲁棒性,并具有更快的识别速度。

关键词：点云识别抗噪声轻量型点云库随机下采样高斯统计滤噪

来源：评论

学校读者我要写书评

暂无评论

基于服装原型的三维服装重建方法

引用

计算机与数字工程 2024年第10期52卷 3136-3141页

作者：党英万韬阮西安工程大学计算机科学学院/陕西省服装设计智能化重点实验室西安710600 布拉德福德大学工程与信息学院布拉德福德BD71DP

提出了一种基于服装原型的无接触三维服装重建方法。通过半球式拍摄获取不同空间系列视图的服装图像,经过提取特征、特征匹配、三维注册和几何验证等过程,获得初始数据集。采用多视角立体视觉技术,重构了稠密的点云模型。同时,为获得完... 详细信息

提出了一种基于服装原型的无接触三维服装重建方法。通过半球式拍摄获取不同空间系列视图的服装图像,经过提取特征、特征匹配、三维注册和几何验证等过程,获得初始数据集。采用多视角立体视觉技术,重构了稠密的点云模型。同时,为获得完整的3D服装点云模型,提出了一种分离3D服装点云与背景的方法。该重建技术能够高效地从一系列图像中恢复目标的点云数据,成功再现了服装在空间中的复杂动态结构,显著增强了三维服装重建模型的逼真度。实验表明:该方法可得到较完整和高质量的3D服装模型,验证了算法的有效性和可行性。

关键词：二维图像 3D服装点云点云分割三维重建

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的服装图像语义分析与检索推荐

引用

纺织高校基础科学学报 2020年第3期33卷 64-72页

作者：徐慧白美丽万韬阮薛涛汤汶西安工程大学计算机科学学院/陕西省服装设计智能化重点实验室陕西西安710048 布拉德福德大学工程与信息学院英国布拉德福德BD71DP 伯恩茅斯大学科学与工程技术学院英国伯恩茅斯BH125BB

针对服装检测推荐方法中的服装图像分割算法分割精度不高且存在多尺度特征融合不佳的问题,提出一种基于注意力机制和多尺度特征融合的深度卷积网络服装特征提取分析检索与推荐方法。该方法以图像语义分割算法为基础,从服装图像中提取高... 详细信息

针对服装检测推荐方法中的服装图像分割算法分割精度不高且存在多尺度特征融合不佳的问题,提出一种基于注意力机制和多尺度特征融合的深度卷积网络服装特征提取分析检索与推荐方法。该方法以图像语义分割算法为基础,从服装图像中提取高级语义信息,通过哈希函数对提取的特征进行编码,并引入ASPP对图像进行多尺度特征提取,然后使用注意力模型对提取到的特征进行融合并构建索引库,最终实现语义相似性服装推荐的功能。实验表明:本方法可以有效提高分割准确度,解决多尺度特征提取的问题,能够成功提取图像中的高层次语义特征,具有较高的分割准确率,在很大程度上提高了服装相似性语义推荐的效率。

关键词：深度卷积神经网络多尺度特征融合服装语义分割服装多尺度特征提取服装检索服装推荐

来源：评论

学校读者我要写书评

暂无评论

复杂背景下的人体轮廓提取算法

引用

科学技术与工程 2019年第9期19卷 138-142页

作者：师乐汤汶万韬阮朱耀麟武桐西安工程大学电子信息学院西安710048 伯恩茅斯大学计算机学院布拉德福德大学媒体与信息学院

针对现有人体轮廓提取方法在复杂背景情况下鲁棒性差、精确度不高的问题,提出了一种改进的自适应人体区域分割方法。首先提取肤色样本,并建立自适应高斯模型提取肤色区域,然后在HSV色彩空间分割提取服装区域,最后线性融合以上两检测区... 详细信息

针对现有人体轮廓提取方法在复杂背景情况下鲁棒性差、精确度不高的问题,提出了一种改进的自适应人体区域分割方法。首先提取肤色样本,并建立自适应高斯模型提取肤色区域,然后在HSV色彩空间分割提取服装区域,最后线性融合以上两检测区域实现人体区域的检测。实验结果表明,该方法可以得到比较准确且完整的人体区域,有效降低了复杂背景环境、光照等条件的限制。

关键词：肤色样本高斯模型色彩空间线性融合

来源：评论

学校读者我要写书评

暂无评论

改进优先权的Criminisi算法的图像修复的设计与实现

引用

电视技术 2019年第2期43卷 105-110页

作者：曹齐汤汶万韬阮朱耀麟武桐西安工程大学电子信息学院陕西西安710048 伯恩茅斯大学计算机学院布拉德福德大学媒体与信息学院

图像修复技术中经典的基于样本的修复方法是Criminisi算法。针对传统Criminisi算法中优先权计算方式不合理,导致修复效果不佳,为了改进图像的修复质量。提出一种新的优先权计算公式对图像的修复质量和效率进行改进,首先将原有的优先权... 详细信息

图像修复技术中经典的基于样本的修复方法是Criminisi算法。针对传统Criminisi算法中优先权计算方式不合理,导致修复效果不佳,为了改进图像的修复质量。提出一种新的优先权计算公式对图像的修复质量和效率进行改进,首先将原有的优先权公式变为加法,之后在优先权公式中加入结构张量增强图像的结构信息。通过大量的实验,结果表明提出的算法可以有效的提高图像的修复质量和效率。

关键词：图像修复优先权 Criminisi算法结构张量

来源：评论

学校读者我要写书评

暂无评论

一种改进的用于服装解析的自监督网络学习方法

引用

纺织高校基础科学学报 2019年第4期32卷 385-392,410页

作者：白美丽万韬阮汤汶朱欣娟薛涛西安工程大学计算机科学学院/陕西省服装设计智能化重点实验室陕西西安710048 布拉德福德大学工程与信息学院英国布拉德福德BD71DP 伯恩茅斯大学科学与工程技术学院英国伯恩茅斯BH125BB

针对现有的服装解析算法在复杂背景下分割准确率较低,依赖姿态估计等问题,提出一种基于深度卷积神经网络的自监督服装解析方法(Deeplabv2-SSL),即在Deeplabv2网络中注入一种自监督的结构敏感学习算法。新的算法在训练过程中不需要标注... 详细信息

针对现有的服装解析算法在复杂背景下分割准确率较低,依赖姿态估计等问题,提出一种基于深度卷积神经网络的自监督服装解析方法(Deeplabv2-SSL),即在Deeplabv2网络中注入一种自监督的结构敏感学习算法。新的算法在训练过程中不需要标注任何人体关节信息,直接从像素标签中学习人体更高层次的信息,利用学习到的人体关节信息更好地定位服装分割的区域,降低了姿态估计过程中的损失。实验表明,Deeplabv2-SSL网络可以有效地解析服装中人体的个别部位以及服装区域。测试过程中总体像素精度大约83.37%,平均像素精度大约52.53%,较其他语义分割模型性能更佳。

关键词：服装解析语义分割深度卷积神经网络自监督学习姿态估计

来源：评论

学校读者我要写书评

暂无评论

九成宫虚拟场景创建及其交互漫游实现

引用

计算机工程与设计 2015年第8期36卷 2201-2205页

作者：朱耀麟许嘉琳杨宇峤万韬阮武桐田蓉西安工程大学电子信息学院陕西西安710000 布拉德福德大学计算机信息与传媒学院西约克郡布拉德福德BD71DP 长安大学建筑学院陕西西安710061

结合考古资料,研究隋唐遗址九成宫虚拟场景创建及其交互漫游实现的方法。针对其实现过程中遇到的场景复杂、内存占用多、画面不流畅、交互设备复杂等问题,提出混合建模和采用Kinect进行动作捕捉的方法,实现复杂虚拟场景的构建及交互漫... 详细信息

结合考古资料,研究隋唐遗址九成宫虚拟场景创建及其交互漫游实现的方法。针对其实现过程中遇到的场景复杂、内存占用多、画面不流畅、交互设备复杂等问题,提出混合建模和采用Kinect进行动作捕捉的方法,实现复杂虚拟场景的构建及交互漫游过程中人体姿势控制代替键盘控制,重现隋唐遗址九成宫的原始风貌。整个漫游过程无"跳跃"现象,画面流畅,人体姿势控制能正确反映到交互漫游过程中,Kinect动作捕捉精度较高,对九成宫遗址的保护和展示有重要意义。

关键词：九成宫虚拟场景建模自然交互漫游

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：