【摘 要】
:
为降低服装三维模型的重建难度,提升三维服装模型的重建效率,提出一种基于多视角单目的服装三维重建方法,该方法首先获取服装图像序列,然后对服装图像序列进行实例化分割获得含服装部分的轮廓信息,使用SIFT算法提取每张图像的特征点和匹配对,加入双重约束去除误差匹配对。然后进行稀疏点云以及稠密点云的重建,最后使用泊松重建还原服装表面细节。结果表明:在多视觉单目服装三维重建过程加入实例分割和双重约束后可以将特
论文部分内容阅读
为降低服装三维模型的重建难度,提升三维服装模型的重建效率,提出一种基于多视角单目的服装三维重建方法,该方法首先获取服装图像序列,然后对服装图像序列进行实例化分割获得含服装部分的轮廓信息,使用SIFT算法提取每张图像的特征点和匹配对,加入双重约束去除误差匹配对。然后进行稀疏点云以及稠密点云的重建,最后使用泊松重建还原服装表面细节。结果表明:在多视觉单目服装三维重建过程加入实例分割和双重约束后可以将特征的匹配率提升至88.3%,三维重建的速度较传统方法提升了22%。该方法在服装三维模型重建的过程中也能较
其他文献
Dear editor,Autonomous gastrointestinal robots are the future form of traditional manually operated endoscopes for reducing adverse events, such as perforation of the gastrointestinal tract [1–3]. Car
7月7日,湘西州应急管理局党委书记、局长刘孟龙,湖南省地勘局四〇五队党委书记、副队长刘伟共同为"湘西州地震和地质灾害应急救援服务中心"揭牌,正式在湖南省地勘局四〇五队挂牌成立。随后,刘孟龙一行在四〇五队大楼一楼装备仓库参观了无人机、生命探测仪、智能工程测井系统等应急救援装备,在六楼参观了地震和地质灾害应急救援服务中心值班室、会商室、中央控制室及指挥中心。
原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集
磷素的吸附和解吸特性对土壤磷素迁移及其环境效应具有重要影响,过量磷肥施入易造成土壤磷素固定和流失,但合理间作可促进磷素吸收利用,减少固定,研究间作和不同施磷量条件下红壤磷素吸附解吸特性的平衡效应对促进红壤磷的高效利用,兼顾环境效应具有重要意义。本研究采取2因素裂区区组试验,主因素为种植模式,分别为与玉米||大豆(IM)、单作玉米(MM);副因素为施磷水平,分别为P0 [0 kg(P_2O_5)·h
针对深度学习目标检测算法尺度不变性较差的问题,基于特征金字塔(FPN)算法增加了图像特征增强分支与自注意力网络分支,提出了S-FPN算法结构。在FPN浅层特征中,融合多尺度卷积特征,设计了特征增强网络(FSN),突出浅层小尺度目标的特征。为消除多层特征语义不相容的问题,提出了flexweight自注意力分支,采用softmax回归自适应地为FPN各层分配权重。结果表明,在不增加训练时间基础上,改进
CO作为一种高毒性的气体,既是污染空气的元凶之一,长时间吸入也会对人体造成极大的伤害,甚至致死。如何实现CO的快速监测是传感领域面临的重要挑战。CO监测对保护人类健康和环境来说是一项必要的工作。在该研究中,多孔CeO_2纳米片(CeO_2 NSs)通过火焰退火用简单水热法合成的中间产物CeOHCO_3纳米片而得到。通过控制火焰退火时间,可将氧空位引入到CeO_2纳米片中。结果表明,退火2 min得
针对已有相机规划方案应对目标较少或无法做到实时性的问题,从自动实现相机视觉效果优化的角度出发,提出了一种对于动态多目标的实时相机规划方法。首先,通过在多个目标之间构造椭球形的相机空间;之后,获取场景中各目标相对相机的视觉特性,以此来构造非线性规划优化函数。通过模型预测控制的方法对目标在相机屏幕上的表现进行实时优化。通过对算法的运算时间、运行效率以及在场景中的运行表现进行实验,验证了本文方法能够有效
提出了基于联邦学习和区块链的COVID-19胸部CT图像分割方法,该方法可以自动分割出COVID-19肺部感染区域。首先,采用联邦学习进行分布式训练以应对患者样本数据少、分布在不同机构并且互不共享的现实情况。其次,利用区块链网络替代联邦学习中的中央服务器以解决联邦学习的服务器单点故障问题。最后,提出了轻量级深度可分离卷积U-Net降低运算量,减少时间成本。实验结果表明,本文方法经过训练后测试效果良
针对田间自然环境下杂草识别精度低和检测速度慢的问题,本文依据自然环境杂草图像数据的特性,在Xception卷积网络的基础上构建了一种基于轻量卷积网络的杂草识别模型。首先改进Xception模型,采用ELU作为模型的激活函数,并使用全局最大池化层对最后一层卷积进行下采样。然后,对原始数据进行背景分割和数据增强处理,在迁移后的模型上继续微调,训练得到最佳的杂草识别模型。在相同的试验条件下,与VGG16
为了实现提花织物疵点自动检测,提出了一种结合视觉显著性和卷积神经网络的提花织物疵点检测方法。针对提花织物背景干扰的问题,利用视觉显著性模型(Context-aware, CA)抑制背景信息,突出疵点区域的显著性来获得图像的显著图;为了区分织物图像中是否存在疵点,使用在通用数据集上训练过的VGG16神经网络模型对提花织物图像的显著图分类。结果表明:该方法在提花织物疵点检测上平均准确率为97.07%,