期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多视图和注意力推荐网络的三维物体识别方法
1
作者
张满囤
权子洋
+4 位作者
师
子奇
刘川
申冲
吴清
田琪
《郑州大学学报（理学版）》
CAS
北大核心
2023年第1期57-63,共7页
传统物体识别方法是从单一图像中通过人工提取图像特征,存在成本高、质量低等问题。针对上述问题,提出一种基于多视图和注意力推荐网络的三维物体识别方法,多视图很好地保留了物体在局部和全局上的特征;注意力模块可以有效地对视图上关...
传统物体识别方法是从单一图像中通过人工提取图像特征,存在成本高、质量低等问题。针对上述问题,提出一种基于多视图和注意力推荐网络的三维物体识别方法,多视图很好地保留了物体在局部和全局上的特征;注意力模块可以有效地对视图上关键的特征聚焦,忽略无关或干扰特征。该方法利用一组多视图作为输入数据,通过卷积神经网络端到端提取物体特征,在卷积层加入注意力模块,实现视图关键区域的定位和剪裁,将处理后的视图送入另外一个卷积层,两个相同卷积操作提取的特征在池化层聚合,利用稀疏表示分类器对特征描述子进行分类识别。通过两个公开数据集的实验表明,所提算法对物体图像的识别准确度优于传统算法。
展开更多
关键词
三维物体识别
多视图
注意力模块
卷积神经网络
稀疏表示分类器
下载PDF
职称材料
文化传承视角下古村落的保护与可持续发展——以玉林高山村为例
2
作者
莫绮萍
沈李莲
+2 位作者
苏帮周
师
子奇
冯玉梅
《中文科技期刊数据库（全文版）社会科学》
2022年第12期57-60,共4页
玉林高山村,自明代天顺年间开始形成的古村落,村内现存有大量明清之际的古建筑、文物等历史遗迹,以其独特的宗族文化、科举文化备受人们关注,它体现了这一地域明清时的建筑风格、生活方式、审美价值等文化特质。其包含的文化底蕴也成为...
玉林高山村,自明代天顺年间开始形成的古村落,村内现存有大量明清之际的古建筑、文物等历史遗迹,以其独特的宗族文化、科举文化备受人们关注,它体现了这一地域明清时的建筑风格、生活方式、审美价值等文化特质。其包含的文化底蕴也成为研究中国乡村历史文化演变的一手材料。但由于社会变迁、人文活动和自然环境等因素,高山村古建筑破坏严重,其承载的历史文化也正在逐步消失。本文以高山村为例,通过文化传承视角,寻求古村落遗迹的保护方法,探究文化的传承以及开发,振兴乡村,以适应当前经济社会的发展。
展开更多
关键词
高山村
开发保护
文化传承
发展策略
下载PDF
职称材料
基于弱监督学习的细节三维人脸重建
被引量：
2
3
作者
申冲
刘川
+4 位作者
张满囤
权子洋
师
子奇
史京珊
郭竹砚
《燕山大学学报》
CAS
北大核心
2023年第2期144-151,163,共9页
人脸细节特征(如皱纹、沟壑等)在表达情感信息和提高模型真实感上起着重要作用,然而目前大多数细节重建算法忽略了人脸细节的复杂特性,以单一方法提取细节,无法兼顾细节重建质量和鲁棒性。为此,本文提出了一个基于弱监督学习的重建算法...
人脸细节特征(如皱纹、沟壑等)在表达情感信息和提高模型真实感上起着重要作用,然而目前大多数细节重建算法忽略了人脸细节的复杂特性,以单一方法提取细节,无法兼顾细节重建质量和鲁棒性。为此,本文提出了一个基于弱监督学习的重建算法,使用基于三维人脸形变模型的粗略模型和UV空间的位移贴图来表示细节人脸。为提升网络的细节提取能力,在细节生成部分将人脸细节分为表情相关细节和表情无关细节,并根据两种细节的不同特性分别设计细节生成网络。为进一步提升重建细节的质量,设计了一组针对细节重建的多层级损失函数。最后在大量无标签的二维图像中以弱监督方式学习,实现基于单张图像的细节三维人脸重建。大量实验结果表明,本文算法在鲁棒性和细节重建质量上均有较好的表现。
展开更多
关键词
三维人脸重建
深度学习
弱监督学习
细节生成
三维形变模型
下载PDF
职称材料
题名
基于多视图和注意力推荐网络的三维物体识别方法
1
作者
张满囤
权子洋
师
子奇
刘川
申冲
吴清
田琪
机构
河北工业大学人工智能与数据科学学院
出处
《郑州大学学报（理学版）》
CAS
北大核心
2023年第1期57-63,共7页
基金
河北省自然科学基金项目(F2019202054)。
文摘
传统物体识别方法是从单一图像中通过人工提取图像特征,存在成本高、质量低等问题。针对上述问题,提出一种基于多视图和注意力推荐网络的三维物体识别方法,多视图很好地保留了物体在局部和全局上的特征;注意力模块可以有效地对视图上关键的特征聚焦,忽略无关或干扰特征。该方法利用一组多视图作为输入数据,通过卷积神经网络端到端提取物体特征,在卷积层加入注意力模块,实现视图关键区域的定位和剪裁,将处理后的视图送入另外一个卷积层,两个相同卷积操作提取的特征在池化层聚合,利用稀疏表示分类器对特征描述子进行分类识别。通过两个公开数据集的实验表明,所提算法对物体图像的识别准确度优于传统算法。
关键词
三维物体识别
多视图
注意力模块
卷积神经网络
稀疏表示分类器
Keywords
3D object recognition
multi-view
attention module
convolutional neural network
sparse representation classifier
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
文化传承视角下古村落的保护与可持续发展——以玉林高山村为例
2
作者
莫绮萍
沈李莲
苏帮周
师
子奇
冯玉梅
机构
玉林师范学院
出处
《中文科技期刊数据库（全文版）社会科学》
2022年第12期57-60,共4页
基金
2021年广西壮族自治区大学生创新创业项目“文化传承视角下古村落的保护与可持续发展——以玉林高山村为例”(202110606085)。
文摘
玉林高山村,自明代天顺年间开始形成的古村落,村内现存有大量明清之际的古建筑、文物等历史遗迹,以其独特的宗族文化、科举文化备受人们关注,它体现了这一地域明清时的建筑风格、生活方式、审美价值等文化特质。其包含的文化底蕴也成为研究中国乡村历史文化演变的一手材料。但由于社会变迁、人文活动和自然环境等因素,高山村古建筑破坏严重,其承载的历史文化也正在逐步消失。本文以高山村为例,通过文化传承视角,寻求古村落遗迹的保护方法,探究文化的传承以及开发,振兴乡村,以适应当前经济社会的发展。
关键词
高山村
开发保护
文化传承
发展策略
分类号
F592 [经济管理—旅游管理]
K878 [经济管理—产业经济]
下载PDF
职称材料
题名
基于弱监督学习的细节三维人脸重建
被引量：
2
3
作者
申冲
刘川
张满囤
权子洋
师
子奇
史京珊
郭竹砚
机构
河北工业大学人工智能与数据科学学院
河北省数据驱动工业智能工程研究中心
天津市虚拟现实与可视计算国际联合中心
出处
《燕山大学学报》
CAS
北大核心
2023年第2期144-151,163,共9页
基金
河北省自然科学基金资助项目(F2019202054)。
文摘
人脸细节特征(如皱纹、沟壑等)在表达情感信息和提高模型真实感上起着重要作用,然而目前大多数细节重建算法忽略了人脸细节的复杂特性,以单一方法提取细节,无法兼顾细节重建质量和鲁棒性。为此,本文提出了一个基于弱监督学习的重建算法,使用基于三维人脸形变模型的粗略模型和UV空间的位移贴图来表示细节人脸。为提升网络的细节提取能力,在细节生成部分将人脸细节分为表情相关细节和表情无关细节,并根据两种细节的不同特性分别设计细节生成网络。为进一步提升重建细节的质量,设计了一组针对细节重建的多层级损失函数。最后在大量无标签的二维图像中以弱监督方式学习,实现基于单张图像的细节三维人脸重建。大量实验结果表明,本文算法在鲁棒性和细节重建质量上均有较好的表现。
关键词
三维人脸重建
深度学习
弱监督学习
细节生成
三维形变模型
Keywords
3D face reconstruction
deep learning
weakly supervised learning
detail generation
3D morphable model
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多视图和注意力推荐网络的三维物体识别方法
张满囤
权子洋
师
子奇
刘川
申冲
吴清
田琪
《郑州大学学报（理学版）》
CAS
北大核心
2023
0
下载PDF
职称材料
2
文化传承视角下古村落的保护与可持续发展——以玉林高山村为例
莫绮萍
沈李莲
苏帮周
师
子奇
冯玉梅
《中文科技期刊数据库（全文版）社会科学》
2022
0
下载PDF
职称材料
3
基于弱监督学习的细节三维人脸重建
申冲
刘川
张满囤
权子洋
师
子奇
史京珊
郭竹砚
《燕山大学学报》
CAS
北大核心
2023
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
