全局各向异性四边形主导网格重建方法?

四边形网格的结构特点要求网格单元满足全局一致性,难以取得网格质量与表达效率之间的平衡。为此,提出一种基于全局的各向异性四边形主导网格重建方法,可生成网格质量好且冗余程度低的四边形网格。重建过程以主曲率线为基本采样单元,首先计算模型表面的主曲率场并对主曲率场积分,得到密集的主曲率线采样;再根据贪心算法,利用几何形体自身的各向异性找出冗余度最高的主曲率线并予以删除;如此循环,直至达到理想的采样密度。该重建方法适用于任意拓扑网格模型,所得到的各向异性四边形主导网格在网格模型分辨率下降时,由于始终保留重要主曲率线,从而可以更好地保持模型特征。同时,在基于贪心算法的渐进式主曲率线删除过程中,可产生分辨率连续可调的四边形主导网格。     

基于净室规则的CMM及其应用

软件能力成熟度模型(CMM)是为了高效的软件开发而描述关键过程域的框架。净室是一种以合理的成本开发高质量软件的基于理论、面向工作组的方法。如果将CMM对软件质量的定量管理和净室对成本、风险的控制相结合，无疑会给软件的开发增加巨大的动力。并且，CMM和净室是相辅相成、共同促进的。本文描述了将净室技术和CMM相互应用在服装CAD软件开发中的一些启示。     

平行四边形网格上的递归曲面

文中利用直积的方法给出了平行四边形网格上递归曲面的定义，并由此引入了Ｌ曲面和Ｗ曲面，得到了Ｌ曲面的求导公式、基底表示、包络定理和把Ｌ曲面表示为等价的Ｂｅｚｉｅｒ曲面的表示公式．最后证明了平行四边形域上Ｗ曲面具有保凸性．     

Automatic Cage Building with Quadric Error Metrics

Modern computer graphics applications usually require high resolution object models for realistic rendering.However,it is expensive and difficult to deform such models in real time.In order to reduce the computational cost during deformations,a dense model is often manipulated through a simplified structure,called cage,which envelops the model.However,cages are usually built interactively by users,which is tedious and time-consuming.In this paper,we introduce a novel method that can build cages automatically for both 2D polygons and 3D triangular meshes.The method consists of two steps:1) simplifying the input model with quadric error metrics and quadratic programming to build a coarse cage;2) removing the self-intersections of the coarse cage with Delaunay partitions.With this new method,a user can build a cage to envelop an input model either entirely or partially with the approximate vertex number the user specifies.Experimental results show that,compared to other cage building methods with the same number of vertex,cages built by our method are more similar to the input models.Thus,the dense models can be manipulated with higher accuracy through our cages.     

基于Hot-Target 图和特征边缘保持的图像收缩方法

图像收缩是缩小高分辨率图像以适应不同纵横比小尺寸显示屏幕的过程,关键是收缩后能够凸显图像重要区域,保持连续,避免扭曲.提出一种新的图像收缩方法,该方法首先基于能量失真约束,迭代收缩覆盖图像的四边形网格至目标大小,然后映射,插值目标网格实现图像收缩.能量失真反映了对重要区域的凸显程度、结构的保持效果以及扭曲避免情况,失真越小,目标图像越理想.在该约束下,构成网格的子四边形非均匀收缩,重要度大的收缩小.为准确计算子四边形的重要度,根据图像显著度和边缘构建反映图像重要度的Hot-Target图.最后,通过保持图像直线边,称为特征边缘,避免非均匀收缩引起的边缘扭曲.为提高效率,降低复杂度,该方法由迭代求解线性方程实现.实验结果验证了方法的有效性.     

结合全局和局部特征的BiGRU-RA图像中文描述模型

针对目前基于全局特征的图像描述模型存在细节语义信息不足的问题,提出结合全局和局部特征的图像中文描述模型.该模型采用编码器-解码器框架,在编码阶段,分别使用残差网络(residual networks,ResNet)和Faster R-CNN提取图像的全局特征和局部特征,提高模型对不同尺度图像特征的利用.采用嵌入了残差连接结构和视觉注意力结构的双向门控循环单元(bi-directional gated recurrent unit,BiGRU)作为解码器(BiGRU with residual connection and attention,BiGRU-RA).模型可以自适应分配图像特征和文本权重,改善图像特征区域和上下文信息的映射关系.此外,加入基于强化学习的策略梯度对模型的损失函数进行改进,直接对评价指标CIDEr进行优化.在AI Challenger全球挑战赛图像中文描述数据集上进行训练和实验,实验结果表明,该模型获得更高的评分,生成的描述语句更准确、更详细.     

结合深度多标签解析的哈希服装检索

目的 服装检索对于在线服装的推广和销售有着重要的作用。而目前的服装检索算法无法准确地检索出非文本描述的服装。特别是对于跨场景的多标签服装图片,服装检索算法的准确率还有待提升。本文针对跨场景多标签服装图片的差异性较大以及卷积神经网络输出特征维度过高的问题,提出了深度多标签解析和哈希的服装检索算法。方法 该方法首先在FCN（fully convolutional network）的基础上加入条件随机场,对FCN的结果进行后处理,搭建了FCN粗分割加CRFs（conditional random fields）精分割的端到端的网络结构,实现了像素级别的语义识别。其次,针对跨场景服装检索的特点,我们调整了CCP（Clothing Co-Parsing）数据集,并构建了Consumer-to-Shop数据集。针对检索过程中容易出现的语义漂移现象,使用多任务学习网络分别训练了衣物分类模型和衣物相似度模型。结果 我们首先在Consumer-to-Shop数据集上进行了服装解析的对比实验,实验结果表明在添加了CRFs作为后处理之后,服装解析的效果有了明显提升。然后与3种主流检索算法进行了对比,结果显示,本文方法在使用哈希特征的条件下,也可以取得较好的检索效果。在top-5正确率上比WTBI（where to buy it）高出1.31%,比DARN（dual attribute-aware ranking network）高出0.21%。结论 针对服装检索的跨场景效果差、检索效率低的问题,本文提出了一种基于像素级别语义分割和哈希编码的快速多目标服装检索方法。与其他检索方法相比,本文在多目标、多标签服装检索场景有一定的优势,并且在保持了一定检索效果的前提下,有效地降低了存储空间,提高了检索效率。     

织物模拟中的自适应网格剖分研究

本文提出一种在织物模拟中的动态网格剖分方法，针对传统模拟算法中因网格剖分固定和曲面整体网格均匀剖分造成模拟误差与计算耗费，分别从织物物理和几何角度出发，提出在动态模拟过程中的自适应的网格剖分方法。利用模拟过程中曲面片局部形变信息，对网格进行动态剖分与合并，有效提高了模拟效率。经实际应用表明：该算法具有模拟效率高、易于计算机实现等优点，特别在对非均匀形变物体模拟中，该算法从模拟效率和精度均得到满意结果。     

融合非局部神经网络的行为检测模型

针对在视频行为检测中卷积神经网络(CNN)对时域信息理解能力不足的问题,提出了一种融合 非局部神经网络的行为检测模型。模型采用一种双分支的 CNN 结构,分别提取视频的空间特征和运动特征。 将视频单帧和视频连续帧序列作为网络输入,空间网络对视频当前帧进行 2D CNN 特征提取,时空网络采用融 合非局部模块的 3D CNN 来捕获视频帧之间的全局联系。为了进一步增强上下文语义信息,使用一种通道融合 机制来聚合双分支网络的特征,最后将融合后的特征用于帧级检测。在 UCF101-24 和 JHMDB 2 个数据集上进 行了实验,结果表明,该方法能够充分融合空间和时间维度信息,在基于视频的时空行为检测任务上具有较高 的检测精度。     

针对密集点云的快速自适应四边形网格生成算法

为了能够从密集点云直接获得四边形网格,而不需要通过三角形网格重构获得,提出针对密集点直接构造的四边形网格生成算法.首先进行点云数据体素化得到体素模型,建立体素和点云的索引关系,并对体素做精细化操作,以提高映射效果;然后通过体素模型外表面的顶点与原始点云的映射得到四边形网格模型,并对四边形网格进行优化.在斯坦福的数据集上进行实验,并使用MeshLab软件进行效果展示,结果表明,该算法可以基于密集点云直接生成四边形网格模型,同时可以通过调整体素大小来自适应地改变算法效率和四边形网格的大小.