融合RGB图像特征的多尺度深度图像补全方法

针对目前因缺少配对的“缺失-完整”RGB-D数据集而不能直接训练端对端深度图像补全模型的问题,提出基于随机掩码构造对应的缺失-完整数据,结合真实数据集与合成数据集交替训练模型的策略.基于随机掩码生成不同缺失比例的深度图像,并且利用合成数据集构造具有可靠真值的深度图像缺失数据,从而得到具有可靠数据的缺失-完整RGB-D数据集.以此策略为基础,搭建融合对应RGB图像特征的多尺度深度图像补全网络,该网络分别从RGB图像特征提取分支和深度图像特征提取分支提取不同尺度的RGB图像特征和深度图像特征,再经过特征融合分支在不同尺度上对RGB图像特征和深度图像特征进行融合,进而能够充分地学习RGB图像丰富的语义信息和深度图像的信息补全缺失深度.在NYU-Depth V2数据集的实验表明,该方法在不同缺失比例的深度图像补全任务中,阈值精度平均值为0.98,平均相对误差约为0.061,与现有基于神经网络和优化稀疏方程组的方法相比,其在阈值精度上平均提升了0.02,平均相对误差平均下降了0.027.

融合设计知识的室内饰品自动摆放方法

针对在家居设计过程中饰品的挑选与摆放耗时较长的问题,提出一种融合设计历史知识的数据驱动的智能饰品摆放方法.首先将已有的专业设计师设计好的家居场景划分成一系列子空间结构,针对存放饰品的子空间标记和提取对应的饰品与子空间的特征关联信息;然后构建相应的学习模型,把子空间的特征信息与饰品的特征信息构成融合特征;接着,在新的场景中对需要摆放饰品的系列子空间,利用训练好的模型和饰品库的饰品特征生成相应的饰品摆放方案;同时,根据饰品在已有的摆放历史数据中的位置和语义信息挖掘饰品之间的关联关系,给出子空间中饰品的组合摆放.实验结果表明,所提方法的Top-10准确率和Top-10召回率分别为0.166 9和0.432 0,相对神经协同过滤模型,得到了不同程度的提高,能针对室内家居场景给出合理的饰品摆放方案,可极大地节约用户摆放饰品的时间.

基于卷积神经网络的船舶分类模型

近年来智能交通发展迅速,但目前的研究大多是关于陆上交通的研究,分类任务也大多数是关于日常物体的分类,现在基本上很少有关于船舶分类的研究。但船舶分类对于航道安全,航道监管具有重要意义。卷积神经网络是近年来学术界和工业界广泛关注的一种图像处理方法。本文将近年来十分热门且高效的卷积神经网络应用到船舶分类任务当中,将船舶分成五类,构建了基于卷积神经网络的适应实际情况的船舶分类模型。一方面填补了这个领域研究上的空白,另一方面为船舶管理提供了一个新的方法。