基于多尺度CNN-RNN的单图三维重建网络

现有基于深度学习的三维重建算法主要从深度网络的单一层进行特征获取,二维图像特征提取不完整,造成三维重建效果不理想。为提高三维重建模型的精度及准确度,充分利用二维图像细节特征,使其有效转换为三维网络,提出一种基于多尺度CNN-RNN的单图三维重建网络。模型网络主要由二维编码器、转换器及三维编码器三部分组成。模型借鉴高斯金字塔模型,构建多尺度网络,保留二维图像不同尺度上的特征值,通过RNN将其转换为三维特征。模型使用公共的ShapeNet数据集进行训练和测试,通过前后对比,发现使用多尺度特征提取方法的模型具有更好的鲁棒性。与现有方法进行对比,该模型在飞机、柜子、汽车、显示器、灯、音响、沙发等模型的三维重建中拥有更好的重建效果。

基于改进注意力机制的燃煤电厂电煤库存校核研究

电煤作为我国电力行业重要生产原料以及最主要的能源来源之一,其资源管理事关经济民生。针对现阶段我国监管部门无法直接校核电煤库存以及数据集稀缺的情况,建立了一种基于U-net结构并融合改进式注意力机制的电煤库存校核算法模型,旨在助力我国电煤库存校核工作。该模型应对极少样本训练的情况,并通过提取单张无景深电煤图片中的空间特征信息并进行上采样生成点云信息,实现煤堆的三维重建后计算体积。实验结果表明,该校核算法可以在极少量数据样本数据集训练情况下,实现煤炭体积库存校核。最终实验点云生成结果位置区域吻合,测试集平均校核误差为3.04%,证明了该模型可有效帮助监管部门在校核样本稀少且缺乏相关数据集的情况下完成电煤库存校核。