[发明专利]用于学习可组合的三维(3D)对象的高阶函数网络及其操作方法在审
| 申请号： | 202080040967.6 | 申请日： | 2020-06-02 |
| 公开（公告）号： | CN113906473A | 公开（公告）日： | 2022-01-07 |
| 发明（设计）人： | E.米歇尔;S.恩吉恩;V.伊斯勒;D.李 | 申请（专利权）人： | 三星电子株式会社 |
| 主分类号： | G06T7/10 | 分类号： | G06T7/10;G06N3/04;G06N3/08 |
| 代理公司： | 北京市柳沈律师事务所 11105 | 代理人： | 邵亚丽 |
| 地址： | 韩国*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 用于 学习 组合 三维 对象 函数 网络 及其 操作方法 | ||
1.一种用于表示三维3D对象的装置，所述装置包括：
存储指令的存储器；以及
处理器，被配置为执行所述指令以：
将二维2D图像发送到外部设备；
在发送了2D图像的基础上，从外部设备接收使用第一神经网络获得的映射函数参数；
基于接收到的映射函数参数，设置第二神经网络的映射函数；以及
基于3D样本，使用其映射函数被设置的第二神经网络来获得与2D图像相对应的3D对象。
2.根据权利要求1所述的装置，其中，所述3D样本是3D标准域的表面或内部。
3.根据权利要求2所述的装置，其中，所述3D标准域是单位球体或单位立方体。
4.根据权利要求1所述的装置，其中，所述3D对象是包括在2D图像中的对象的表面或内部。
5.根据权利要求1所述的装置，其中，所述第一神经网络是卷积神经网络CNN并且结合第二神经网络来训练，所述CNN被训练为基于在CNN中输入的2D图像来输出映射函数参数。
6.根据权利要求1所述的装置，其中，所述第二神经网络是卷积神经网络CNN并且结合第一神经网络来训练，所述CNN被训练为基于在CNN中输入的3D样本来输出3D对象。
7.根据权利要求1所述的装置，其中，所述装置是与所述外部设备分离并在所述外部设备外部的客户端设备。
8.根据权利要求1所述的装置，其中，所述外部设备是与所述装置分离并且在所述装置外部的服务器设备。
9.一种表示三维3D对象的方法，所述方法由装置来执行，并且所述方法包括：
将二维2D图像发送到外部设备；
在发送了2D图像的基础上，从外部设备接收使用第一神经网络获得的映射函数参数；
基于接收到的映射函数参数，设置第二神经网络的映射函数；以及
基于3D样本，使用其映射函数被设置的第二神经网络来获得与2D图像相对应的3D对象。
10.根据权利要求9所述的方法，其中，所述3D样本是3D标准域的表面或内部。
11.根据权利要求10所述的方法，其中，所述3D标准域是单位球体或单位立方体。
12.根据权利要求9所述的方法，其中，所述3D对象是包括在2D图像中的对象的表面或内部。
13.根据权利要求9所述的方法，其中，所述第一神经网络是卷积神经网络CNN并且结合第二神经网络来训练，所述CNN被训练为基于在CNN中输入的2D图像来输出映射函数参数。
14.根据权利要求9所述的方法，其中，所述第二神经网络是卷积神经网络CNN并且结合第一神经网络来训练，所述CNN被训练为基于在CNN中输入的3D样本来输出3D对象。
15.一种存储指令的计算机可读存储介质，被配置为使处理器执行根据权利要求9至14中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于三星电子株式会社，未经三星电子株式会社许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202080040967.6/1.html，转载请声明来源钻瓜专利网。
- 上一篇：将纵(长度)方向作为主收缩方向的热收缩性聚酯系薄膜
- 下一篇：控制单元
