[发明专利]一种基于深度学习的三维物体重建算法在审

专利信息
申请号: 202110563571.6 申请日: 2021-05-24
公开(公告)号: CN113393582A 公开(公告)日: 2021-09-14
发明(设计)人: 贾海涛;刘欣月;张诗涵;李玉琳;邹新雷;任利;许文波;罗俊海 申请(专利权)人: 电子科技大学
主分类号: G06T17/20 分类号: G06T17/20;G06T19/00;G06N3/04;G06N3/08
代理公司: 暂无信息 代理人: 暂无信息
地址: 611731 四川省成*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 三维 物体 重建 算法
【权利要求书】:

1.一种基于深度学习的三维物体重建算法,其特征在于,包括以下步骤:

步骤1:输入多个从任意角度获得的物体二维图像;

步骤2:建立卷积神经网络模型;

步骤3:将步骤1中的二维图像作为训练数据,输入到步骤2建立的卷积神经网络中进行训练;

步骤4:将待测的二维图像输入到步骤3训练好的卷积神经网络模型中,卷积神经网络模型输出三维重建结果。

2.根据权利要求1所述的方法,其特征在于:所述步骤2中卷积神经网络模型的结构体设置有3个,分别为:编码器、解码器、多视图特征组合模块。所述的编码器由嵌入SE-Block的ResNet50网络构成,卷积层之间使用BatchNorm进行正则化,激活函数选用ReLU函数。所述的解码器由三维反卷积层、BatchNorm层、三维反池化层、ReLU构成。其中,编码器的输入为多视角的二维图像,编码器的输出为二维特征向量,需要将其转换为三维信息;解码器的输入为编码器输出向量转换得到的三维信息,解码器的输出为单幅图像的三维预测体素占用;多视图特征组合模块的输入为每幅二维图像的三维预测体素占用,多视图特征组合模块的输出为最终的预测体素占用。

3.根据权利要求2所述的方法,其特征在于,所述步骤3具体包括以下步骤:

3.1随机初始化所述卷积神经网络模型;

3.2将每幅图像单独输入到二维编码器中进行特征提取;

3.3将步骤3.2提取到的二维特征向量Fi转换为三维的信息Vi

3.4将步骤3.3得到的三维信息Vi输入到三维解码器中进行解码,从而生成三维概率体素的形式,得到预测体素占用Oi

3.5使步骤3.4每幅图像得到的预测体素占用Oi通过多视图特征组合模块结合到一起,从而得到最终的预测体素占用O;

3.6通过交叉熵损失函数使模型中的参数逐步优化。

4.根据权利要求3所述的方法,其特征在于:所述步骤4具体包括以下步骤:

4.1将待测的二维图像集输入到步骤3.2至步骤3.6训练好的卷积神经网络中,获取预测体素概率O;

4.2根据分层预测策略预测所得的0-1占用与地面真实占用来计算准确率。

5.根据权利要求4所述的方法,其特征在于:所述步骤4.2的分层预测策略是根据多视图特征组合模块最终预测体素占用概率O从外至里判断体素网格占用与否,同时根据外层体素网格占用情况,动态调整体素网格的阈值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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电子科技大学,未经电子科技大学许可,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/202110563571.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top