JPH05280953A - 物体認識方法 - Google Patents
物体認識方法Info
- Publication number
- JPH05280953A JPH05280953A JP4075055A JP7505592A JPH05280953A JP H05280953 A JPH05280953 A JP H05280953A JP 4075055 A JP4075055 A JP 4075055A JP 7505592 A JP7505592 A JP 7505592A JP H05280953 A JPH05280953 A JP H05280953A
- Authority
- JP
- Japan
- Prior art keywords
- dimensional
- neural network
- input
- model
- input layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 241000218194 Laurales Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【目的】 ２次元パタ−ンどうしのマッチングの際に問
題となった回転や移動等による見え方の違いに煩わされ
ずに、見え方に関する拘束条件を記述することが困難な
複雑な３次元形状を持つ物体でも、判別および認識する
ことができるようにする。 【構成】 バックプロパゲ−ション型ニュ−ラルネット
ワ−クの入力層の各ユニットを３次元状に配置された点
の集合と対応付けて、認識対象物体の３次元形状そのも
のを学習させ、３次元計測装置を用いて得られる物体表
面の点の３次元情報を用いて作成した３次元モデルをネ
ットワ−クへの入力とすることにより、３次元パタ−ン
どうしのマッチングを行う。
題となった回転や移動等による見え方の違いに煩わされ
ずに、見え方に関する拘束条件を記述することが困難な
複雑な３次元形状を持つ物体でも、判別および認識する
ことができるようにする。 【構成】 バックプロパゲ−ション型ニュ−ラルネット
ワ−クの入力層の各ユニットを３次元状に配置された点
の集合と対応付けて、認識対象物体の３次元形状そのも
のを学習させ、３次元計測装置を用いて得られる物体表
面の点の３次元情報を用いて作成した３次元モデルをネ
ットワ−クへの入力とすることにより、３次元パタ−ン
どうしのマッチングを行う。
Description
【０００１】
【産業上の利用分野】本発明は、バックプロパゲ−ショ
ン型のニュ−ラルネットワ−クを用いた物体認識方法に
関する。
ン型のニュ−ラルネットワ−クを用いた物体認識方法に
関する。
【０００２】
【従来の技術】従来、透明な物体や金属等の物体の３次
元形状を認識するため、超音波による計測を行っていた
が、超音波で得られる映像は解像度が低かったので、次
に音響映像再生法とニュ−ラルネットワ−クを組み合わ
せた方法により、物体を認識する方法が提案されている
（例えば、『日経コンピュ−タ』1991.2.25、pp.77〜94
参照)。この学習では、モデルを超音波映像として取り
込み、１つのニュ−ラルネットワ−クで成形させ、別の
ニュ−ラルネットワ−クで判別させることを繰り返し行
う。また、実際の処理では、学習させた２つのニュ−ラ
ルネットワ−クを使用して認識させている。さらに、ニ
ュ−ラルネットワ−クをパタ−ン認識に応用する研究も
進んでおり、1976年に発表されたニュ−ラルネットの学
習アルゴリズムであるバックプロパゲ−ションでは、入
力と望ましい出力を与えていくことにより、自動的にニ
ュ−ラルネットを学習させている。すなわち、入力デ−
タは入力層、中間層、出力層の階層構造を有する各ユニ
ットで順次、変換されて次のユニットに伝わり、出力層
から出力が得られる。その出力値と望ましい出力値とを
比べて、その差を減らすように結合の強さを変える。そ
の結合の強さの計算は、出力層のユニットから始めて中
間層のユニットに移るが、中間層ユニットではその前段
の結合の強さが決まらなければ計算できない。従って、
最後の入力層まで遡及して初めて計算が可能となる。こ
のように、学習は入力デ−タの処理とは逆方向、つまり
後ろ向きに進む。バックプロパゲ−ションによる学習
は、先ず学習用デ−タを入力し、その結果を出力する。
結果のエラ−を減らすように、後ろ向きに結合の強さを
変える。再び、学習用デ−タを入力して、その結果を出
力する。この動作を収束するまで繰り返すのである（例
えば、『日経エレクトロニクス』８−１０，1987.no.42
7,pp.115〜126、“ニュ−ラルネットをパタ−ン認識，
信号処理，知識処理に使う”参照）。
元形状を認識するため、超音波による計測を行っていた
が、超音波で得られる映像は解像度が低かったので、次
に音響映像再生法とニュ−ラルネットワ−クを組み合わ
せた方法により、物体を認識する方法が提案されている
（例えば、『日経コンピュ−タ』1991.2.25、pp.77〜94
参照)。この学習では、モデルを超音波映像として取り
込み、１つのニュ−ラルネットワ−クで成形させ、別の
ニュ−ラルネットワ−クで判別させることを繰り返し行
う。また、実際の処理では、学習させた２つのニュ−ラ
ルネットワ−クを使用して認識させている。さらに、ニ
ュ−ラルネットワ−クをパタ−ン認識に応用する研究も
進んでおり、1976年に発表されたニュ−ラルネットの学
習アルゴリズムであるバックプロパゲ−ションでは、入
力と望ましい出力を与えていくことにより、自動的にニ
ュ−ラルネットを学習させている。すなわち、入力デ−
タは入力層、中間層、出力層の階層構造を有する各ユニ
ットで順次、変換されて次のユニットに伝わり、出力層
から出力が得られる。その出力値と望ましい出力値とを
比べて、その差を減らすように結合の強さを変える。そ
の結合の強さの計算は、出力層のユニットから始めて中
間層のユニットに移るが、中間層ユニットではその前段
の結合の強さが決まらなければ計算できない。従って、
最後の入力層まで遡及して初めて計算が可能となる。こ
のように、学習は入力デ−タの処理とは逆方向、つまり
後ろ向きに進む。バックプロパゲ−ションによる学習
は、先ず学習用デ−タを入力し、その結果を出力する。
結果のエラ−を減らすように、後ろ向きに結合の強さを
変える。再び、学習用デ−タを入力して、その結果を出
力する。この動作を収束するまで繰り返すのである（例
えば、『日経エレクトロニクス』８−１０，1987.no.42
7,pp.115〜126、“ニュ−ラルネットをパタ−ン認識，
信号処理，知識処理に使う”参照）。
【０００３】
【発明が解決しようとする課題】一般に、ニュ−ラルネ
ットワ−クを使用した従来の物体認識方法においては、
入力のパタ−ンを２次元に限定していた。また、３次元
形状をニュ−ラルネットワ−クにより表現するために
は、３次元パタ−ン自体ではなく、その見え方に関する
拘束条件をニュ−ラルネットワ−クのユニット間の結合
で表わしていた。なお、関連技術の従来文献としては、
例えば、“『Ｐarallel ＤistributedＰrocessing』
Ｄ．Ｅ．Ｒumelhart,Ｊ．Ｍc-Ｃlelland"がある。とこ
ろで、上述した従来のバックプロパゲ−ション型ニュ−
ラルネットワ−クによる物体認識方法では、画像から得
られる２次元情報を入力として、物体を３次元的ではな
く、固定された一方向からの２次元パタ−ンとしてしか
学習していなかった。そのため、実画像中に含まれてい
る物体の回転、移動等による見え方の変化に対応できな
いという問題があった。この問題点を解決するために
は、物体を多方向から見た２次元パタ−ンが必要であ
り、かつ大規模なニュ−ラルネットワ−ク群を用意する
必要があった。また、上述した３次元形状の拘束条件を
ニュ−ラルネットワ−クにより表現では、ネットワ−ク
内のユニット間の接続を学習ではなく、作成者が自力で
決定する必要があり、その上に複雑な形状の物体に関し
ては、拘束条件が表現しきれなくなってしまうという問
題があった。本発明の目的は、これら従来の課題を解決
し、物体の見え方に煩わされることなく、複雑な形状の
物体の認識を行うことが可能な物体認識方法を提供する
ことにある。
ットワ−クを使用した従来の物体認識方法においては、
入力のパタ−ンを２次元に限定していた。また、３次元
形状をニュ−ラルネットワ−クにより表現するために
は、３次元パタ−ン自体ではなく、その見え方に関する
拘束条件をニュ−ラルネットワ−クのユニット間の結合
で表わしていた。なお、関連技術の従来文献としては、
例えば、“『Ｐarallel ＤistributedＰrocessing』
Ｄ．Ｅ．Ｒumelhart,Ｊ．Ｍc-Ｃlelland"がある。とこ
ろで、上述した従来のバックプロパゲ−ション型ニュ−
ラルネットワ−クによる物体認識方法では、画像から得
られる２次元情報を入力として、物体を３次元的ではな
く、固定された一方向からの２次元パタ−ンとしてしか
学習していなかった。そのため、実画像中に含まれてい
る物体の回転、移動等による見え方の変化に対応できな
いという問題があった。この問題点を解決するために
は、物体を多方向から見た２次元パタ−ンが必要であ
り、かつ大規模なニュ−ラルネットワ−ク群を用意する
必要があった。また、上述した３次元形状の拘束条件を
ニュ−ラルネットワ−クにより表現では、ネットワ−ク
内のユニット間の接続を学習ではなく、作成者が自力で
決定する必要があり、その上に複雑な形状の物体に関し
ては、拘束条件が表現しきれなくなってしまうという問
題があった。本発明の目的は、これら従来の課題を解決
し、物体の見え方に煩わされることなく、複雑な形状の
物体の認識を行うことが可能な物体認識方法を提供する
ことにある。
【０００４】
【課題を解決するための手段】上記目的を達成するた
め、本発明の物体認識方法は、バックプロパゲ−ション
型ニュ−ラルネットワ−クの入力層の各ユニットを、３
次元状に配置された点の集合と対応付けて、認識対象物
体の３次元形状そのものを学習させ、次に３次元計測装
置を用いて得られる物体表面の点の３次元情報を用い３
次元モデルを作成し、３次元モデルに対して大きさおよ
び方向を調整した後、３次元モデルとニュ−ラルネット
ワ−クの入力層との対応付けを行い、３次元モデルを入
力層に入力することにより、３次元パタ−ンどうしのマ
ッチングを行わせ、ニュ−ラルネットワ−クが先に学習
したパタ−ンのうちで、入力された物体に最も近いパタ
−ンを出力させることを特徴としている。
め、本発明の物体認識方法は、バックプロパゲ−ション
型ニュ−ラルネットワ−クの入力層の各ユニットを、３
次元状に配置された点の集合と対応付けて、認識対象物
体の３次元形状そのものを学習させ、次に３次元計測装
置を用いて得られる物体表面の点の３次元情報を用い３
次元モデルを作成し、３次元モデルに対して大きさおよ
び方向を調整した後、３次元モデルとニュ−ラルネット
ワ−クの入力層との対応付けを行い、３次元モデルを入
力層に入力することにより、３次元パタ−ンどうしのマ
ッチングを行わせ、ニュ−ラルネットワ−クが先に学習
したパタ−ンのうちで、入力された物体に最も近いパタ
−ンを出力させることを特徴としている。
【０００５】
【作用】本発明においては、バックプロパゲ−ション型
ニュ−ラルネットワ−クの入力層の各ユニットを３次元
状に配置された点の集合と対応づけて、認識対象物体の
３次元形状そのものを学習させ、３次元計測装置を用い
て得られる物体表面の点の３次元情報を用いて作成した
３次元モデルをネットワ−クへの入力とすることによ
り、３次元パタ−ンどうしのマッチングを行い、２次元
パタ−ンどうしのマッチングの際に問題となった回転や
移動等による見え方の違いに煩わされることなく、見え
方に関する拘束条件を記述するのが困難な複雑な形状の
物体に対しても、判別および認識を行えるようにしてい
る。このように、ニュ−ラルネットワ−クに３次元パタ
−ンを学習させて、３次元計測装置により得られた物体
の３次元モデルとマッチングさせることにより、物体の
見え方に煩わされることなく、複雑な形状の物体の認識
を行うことができる。
ニュ−ラルネットワ−クの入力層の各ユニットを３次元
状に配置された点の集合と対応づけて、認識対象物体の
３次元形状そのものを学習させ、３次元計測装置を用い
て得られる物体表面の点の３次元情報を用いて作成した
３次元モデルをネットワ−クへの入力とすることによ
り、３次元パタ−ンどうしのマッチングを行い、２次元
パタ−ンどうしのマッチングの際に問題となった回転や
移動等による見え方の違いに煩わされることなく、見え
方に関する拘束条件を記述するのが困難な複雑な形状の
物体に対しても、判別および認識を行えるようにしてい
る。このように、ニュ−ラルネットワ−クに３次元パタ
−ンを学習させて、３次元計測装置により得られた物体
の３次元モデルとマッチングさせることにより、物体の
見え方に煩わされることなく、複雑な形状の物体の認識
を行うことができる。
【０００６】
【実施例】以下、本発明の実施例を、図面により詳細に
説明する。図１は、本発明の一実施例を示す物体認識方
法の説明図である。図１において、１は認識させようと
する物体、２は物体１の３次元形状モデル、３は３次元
形状モデルを正規化したもの、４は正規化モデルとニュ
−ラルネットワ−クの入力層との対応付け、５はバック
プロパゲ−ション型ニュ−ラルネットワ−クである。な
お、ニュ−ラルネットワ−ク５の２枚の壁は左側が入力
層、右側が中間層、右側の集約端子は出力層である。先
ず、バックプロパゲ−ション型ニュ−ラルネットワ−ク
５に、判別または認識したい物体１の３次元形状を学習
させる。このとき、認識したい物体の３次元形状モデル
２は、ｎ×ｎ×ｎ個の点からなる３次元座標系中の点の
集合として、後述のような表現で示される。そして、ニ
ュ−ラルネットワ−クの入力層のユニットの総数もｎ×
ｎ×ｎ個とし、この座標系の各点と１対１に対応させる
ことにより３次元形状を学習させる。
説明する。図１は、本発明の一実施例を示す物体認識方
法の説明図である。図１において、１は認識させようと
する物体、２は物体１の３次元形状モデル、３は３次元
形状モデルを正規化したもの、４は正規化モデルとニュ
−ラルネットワ−クの入力層との対応付け、５はバック
プロパゲ−ション型ニュ−ラルネットワ−クである。な
お、ニュ−ラルネットワ−ク５の２枚の壁は左側が入力
層、右側が中間層、右側の集約端子は出力層である。先
ず、バックプロパゲ−ション型ニュ−ラルネットワ−ク
５に、判別または認識したい物体１の３次元形状を学習
させる。このとき、認識したい物体の３次元形状モデル
２は、ｎ×ｎ×ｎ個の点からなる３次元座標系中の点の
集合として、後述のような表現で示される。そして、ニ
ュ−ラルネットワ−クの入力層のユニットの総数もｎ×
ｎ×ｎ個とし、この座標系の各点と１対１に対応させる
ことにより３次元形状を学習させる。
【０００７】次に、入力として与えられた物体から、３
次元計測装置、例えば光切断法によるレ−ザレンジファ
インダを用いて物体表面の点の３次元座標を計測し、３
次元形状モデル２を作成する。この３次元形状モデル２
を正規化して、大きさおよび方向を調整し（正規化モデ
ル３）、次にニュ−ラルネットワ−ク５の入力層との対
応付けを行い（対応付け４）、そして、ニュ−ラルネッ
トワ−ク５の入力層に入力することにより、ニュ−ラル
ネットワ−ク５が先に学習したパタ−ンのうちで最も近
いものが出力される。図３は、本発明における物体認識
方法の動作フロ−チャ−トである。先ず、バックプロパ
ゲ−ション型ニュ−ラルネットワ−ク５に認識させたい
物体１の３次元形状を学習させる（ステップ１０１）。
次に、入力として与える物体１から物体表面の点の３次
元座標を計測し、３次元形状モデル２を作る（ステップ
１０２）。次に、この３次元形状モデル２を正規化し
て、大きさと方向を調整する（ステップ１０３）。次
に、正規化モデル３とニュ−ラルネットワ−ク５の入力
層との対応付けを行って、入力層の一辺に含まれるユニ
ットの長さと等しくなるように拡大または縮小し（ステ
ップ１０４）、次にニユ−ラルネットワ−ク５の入力層
に入力する（ステップ１０５）。その結果、ニュ−ラル
ネットワ−ク５は先に学習したパタ−ンのうちの最もそ
れに近いパタ−ンを出力する（ステップ１０６）。
次元計測装置、例えば光切断法によるレ−ザレンジファ
インダを用いて物体表面の点の３次元座標を計測し、３
次元形状モデル２を作成する。この３次元形状モデル２
を正規化して、大きさおよび方向を調整し（正規化モデ
ル３）、次にニュ−ラルネットワ−ク５の入力層との対
応付けを行い（対応付け４）、そして、ニュ−ラルネッ
トワ−ク５の入力層に入力することにより、ニュ−ラル
ネットワ−ク５が先に学習したパタ−ンのうちで最も近
いものが出力される。図３は、本発明における物体認識
方法の動作フロ−チャ−トである。先ず、バックプロパ
ゲ−ション型ニュ−ラルネットワ−ク５に認識させたい
物体１の３次元形状を学習させる（ステップ１０１）。
次に、入力として与える物体１から物体表面の点の３次
元座標を計測し、３次元形状モデル２を作る（ステップ
１０２）。次に、この３次元形状モデル２を正規化し
て、大きさと方向を調整する（ステップ１０３）。次
に、正規化モデル３とニュ−ラルネットワ−ク５の入力
層との対応付けを行って、入力層の一辺に含まれるユニ
ットの長さと等しくなるように拡大または縮小し（ステ
ップ１０４）、次にニユ−ラルネットワ−ク５の入力層
に入力する（ステップ１０５）。その結果、ニュ−ラル
ネットワ−ク５は先に学習したパタ−ンのうちの最もそ
れに近いパタ−ンを出力する（ステップ１０６）。
【０００８】図２は、本発明で用いられる３次元形状モ
デルとそのニュ−ラルネットワ−クへの入力方法を示す
図である。ここでは、説明を簡単にするために、円柱状
の物体のモデルを例として用いる。物体の３次元形状モ
デルは、物体の表面に位置する点の集合として表わされ
る。これをニュ−ラルネットワ−クに入力する場合に
は、点の集合のモ−メント軸を求め、その第１軸をＸ
軸、第２軸をＹ軸、第３軸をＺ軸に合わせるようにモデ
ルを回転させて、向きに関する正規化を行う。次に、Ｘ
軸方向の最大値、最小値の差が、３次元状に配列された
入力層の一辺に含まれるユニットの長さと等しくなるよ
うに拡大縮小を行い、長さの正規化を行う。このような
準備処理を行った後に、対応付けられた正規化モデルは
バックプロパゲ−ション型ニュ−ラルネットワ−ク５の
入力層に入力される。
デルとそのニュ−ラルネットワ−クへの入力方法を示す
図である。ここでは、説明を簡単にするために、円柱状
の物体のモデルを例として用いる。物体の３次元形状モ
デルは、物体の表面に位置する点の集合として表わされ
る。これをニュ−ラルネットワ−クに入力する場合に
は、点の集合のモ−メント軸を求め、その第１軸をＸ
軸、第２軸をＹ軸、第３軸をＺ軸に合わせるようにモデ
ルを回転させて、向きに関する正規化を行う。次に、Ｘ
軸方向の最大値、最小値の差が、３次元状に配列された
入力層の一辺に含まれるユニットの長さと等しくなるよ
うに拡大縮小を行い、長さの正規化を行う。このような
準備処理を行った後に、対応付けられた正規化モデルは
バックプロパゲ−ション型ニュ−ラルネットワ−ク５の
入力層に入力される。
【０００９】以上説明したように、本発明によれば、ニ
ュ−ラルネットワ−クに３次元パタ−ンを学習させた
後、３次元計測装置により得られた物体の３次元モデル
とマッチングさせるので、物体の見え方に煩わされず
に、複雑な形状の物体を認識することができるという効
果がある。
ュ−ラルネットワ−クに３次元パタ−ンを学習させた
後、３次元計測装置により得られた物体の３次元モデル
とマッチングさせるので、物体の見え方に煩わされず
に、複雑な形状の物体を認識することができるという効
果がある。
【００１０】
【図１】本発明の一実施例を示す体物認識方法の説明図
である。
である。
【図２】本発明で用いられる３次元形状モデルとそのニ
ュ−ラルネットワ−クへの入力方法の説明図である。
ュ−ラルネットワ−クへの入力方法の説明図である。
【図３】本発明の一実施例を示す物体認識方法の動作フ
ロ−チャ−トである。
ロ−チャ−トである。
１ 物体 ２ ３次元形状モデル ３ 正規化モデル ４ ニュ−ラルネットワ−クの入力層 ５ ニュ−ラルネットワ−ク
Claims (1)
- 【請求項１】 バックプロパゲ−ション型ニュ−ラルネ
ットワ−クの入力層の各ユニットを、３次元状に配置さ
れた点の集合と対応付けて、認識対象物体の３次元形状
そのものを学習させ、次に３次元計測装置を用いて得ら
れる物体表面の点の３次元情報を用い３次元モデルを作
成し、該３次元モデルに対して大きさおよび方向を調整
した後、該３次元モデルと上記ニュ−ラルネットワ−ク
の入力層との対応付けを行い、該３次元モデルを該入力
層に入力することにより、３次元パタ−ンどうしのマッ
チングを行わせ、該ニュ−ラルネットワ−クが先に学習
したパタ−ンのうちで、入力された物体に最も近いパタ
−ンを出力させることを特徴とする物体認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4075055A JPH05280953A (ja) | 1992-03-31 | 1992-03-31 | 物体認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4075055A JPH05280953A (ja) | 1992-03-31 | 1992-03-31 | 物体認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05280953A true JPH05280953A (ja) | 1993-10-29 |
Family
ID=13565139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4075055A Pending JPH05280953A (ja) | 1992-03-31 | 1992-03-31 | 物体認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05280953A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1603071A1 (en) * | 2004-06-01 | 2005-12-07 | Fuji Jukogyo Kabushiki Kaisha | Three-dimensional object recognizing system |
| JP2010519509A (ja) * | 2007-02-19 | 2010-06-03 | ネーデルランデ オルガニサチエ ヴォール トエゲパスト−ナツールウェテンスハペリエク オンデルゾエク ティーエヌオー | 超音波による表面モニタリング法 |
| CN103791851A (zh) * | 2012-10-30 | 2014-05-14 | 财团法人工业技术研究院 | 非接触式三维物件测量方法与装置 |
| CN104596442A (zh) * | 2015-02-10 | 2015-05-06 | 新维畅想数字科技（北京）有限公司 | 一种辅助三维扫描的装置及方法 |
-
1992
- 1992-03-31 JP JP4075055A patent/JPH05280953A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1603071A1 (en) * | 2004-06-01 | 2005-12-07 | Fuji Jukogyo Kabushiki Kaisha | Three-dimensional object recognizing system |
| US7545975B2 (en) | 2004-06-01 | 2009-06-09 | Fuji Jukogyo Kabushiki Kaisha | Three-dimensional object recognizing system |
| JP2010519509A (ja) * | 2007-02-19 | 2010-06-03 | ネーデルランデ オルガニサチエ ヴォール トエゲパスト−ナツールウェテンスハペリエク オンデルゾエク ティーエヌオー | 超音波による表面モニタリング法 |
| US8583407B2 (en) | 2007-02-19 | 2013-11-12 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | Ultrasonic surface monitoring |
| CN103791851A (zh) * | 2012-10-30 | 2014-05-14 | 财团法人工业技术研究院 | 非接触式三维物件测量方法与装置 |
| CN104596442A (zh) * | 2015-02-10 | 2015-05-06 | 新维畅想数字科技（北京）有限公司 | 一种辅助三维扫描的装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2024060395A1 (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
| CN114758152B (zh) | 一种基于注意力机制和邻域一致性的特征匹配方法 | |
| CN114937066B (zh) | 基于交叉偏移特征与空间一致性的点云配准系统及方法 | |
| JP7298825B2 (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
| CN112507947A (zh) | 基于多模态融合的手势识别方法、装置、设备及介质 | |
| Han et al. | Underwater acoustic target recognition method based on a joint neural network | |
| CN117892175A (zh) | 一种snn多模态目标识别方法、系统、设备及介质 | |
| CN115273814A (zh) | 伪语音检测方法、装置、计算机设备和存储介质 | |
| CN118171235A (zh) | 基于大语言模型的双模态伪造信息检测方法 | |
| CN119502679B (zh) | 一种车载vr后排娱乐方法 | |
| KR20200042874A (ko) | 개인화된 hrtf 생성 방법 | |
| CN114743014A (zh) | 基于多头自注意力的激光点云特征提取方法及装置 | |
| CN117437467A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| Roozbehi et al. | Dynamic-structured reservoir spiking neural network in sound localization | |
| CN116704079B (zh) | 图像生成方法、装置、设备及存储介质 | |
| CN112820320A (zh) | 跨模态注意力一致性网络自监督学习方法 | |
| US12444058B2 (en) | Facial image processing method and apparatus, device, and storage medium | |
| JPH05280953A (ja) | 物体認識方法 | |
| CN117009816A (zh) | 激光雷达和视觉启发式学习的目标检测系统及方法 | |
| CN120431296B (zh) | 三维场景构建方法、装置、设备及存储介质 | |
| CN116188621A (zh) | 基于文本监督的双向数据流生成对抗网络图像生成方法 | |
| US11726554B2 (en) | Computer-implemented simulation of a virtual hand | |
| Liu et al. | Recurrent 3D attentional networks for end-to-end active object recognition | |
| CN118537917B (zh) | 基于视频数据的多特征融合人物交互识别方法及装置 | |
| CN120206513A (zh) | 基于多模态感知的面部机器人表情动作精准控制系统 |