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。