申请/专利权人：山东科技大学

申请日：2024-02-02

公开（公告）日：2024-04-16

公开（公告）号：CN117893408A

主分类号：G06T3/4053

分类号：G06T3/4053;G06N3/0455;G06N3/08;G06F16/901

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明属于深度学习技术领域，特别涉及基于物理约束深度学习的八叉树分层采样方法及应用，该方法包括八叉树初始化：利用原始数据中的方差信息生成一个初始八叉树模型，八叉树将数据的体积域细分为多个具有不同大小的长方体子块，八叉树的根结点表示整个体积数据，每个叶结点对应一个不可分割的子块；基于八叉树模型通过体积超分辨率框架进行多阶段训练：每当训练达到瓶颈时，终止当前阶段的训练，并重建八叉树，开始下一阶段的训练，在每个训练阶段，使用更新后的八叉树执行分层采样优化。通过本发明实现潜在特征网格上的分层采样，根据其重要性分布引导采样过程，减少了样本点的数量，实现体积超分辨率重建及任何需要采样的深度学习训练任务。

主权项：1.基于物理约束深度学习的八叉树分层采样方法，其特征在于，基于八叉树模型进行多阶段采样优化，包括以下步骤：步骤1、八叉树初始化：利用原始数据中的方差信息生成一个初始八叉树模型，八叉树将数据的体积域细分为多个具有不同大小的长方体子块，八叉树的根结点表示整个体积数据，每个叶结点对应一个不可分割的子块；步骤2、基于八叉树模型，通过体积超分辨率框架进行多阶段训练：首先，在第一个训练阶段，使用初始八叉树模型执行分层采样优化，每当训练达到瓶颈时，终止当前阶段的训练，并重新构建八叉树，开始下一阶段的训练，使用更新后的八叉树执行分层采样优化；其中体积超分辨率框架包括三个部分：编码器、潜在特征网格采样器、解码器。

全文数据：

权利要求：

百度查询： 山东科技大学 基于物理约束深度学习的八叉树分层采样方法及应用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD