从三维Mesh数据中分割建筑物立面以识别对象,是三维场景理解的关键,但现有方法多依赖高成本的精细标注数据。针对该问题,提出了一种半监督学习方法,引入一种基于对比学习和一致性正则化的半监督语义分割(semi-supervised semantic segme...从三维Mesh数据中分割建筑物立面以识别对象,是三维场景理解的关键,但现有方法多依赖高成本的精细标注数据。针对该问题,提出了一种半监督学习方法,引入一种基于对比学习和一致性正则化的半监督语义分割(semi-supervised semantic segmentation based on contrastive learning and consistency regularization,SS_CC)方法,用于分割三维Mesh数据的建筑物立面。在SS_CC方法中,改进后的对比学习模块利用正负样本之间的类可分性,能够更有效地利用类特征信息;提出的基于特征空间的一致性正则化损失函数,从挖掘全局特征的角度增强了对所提取建筑物立面特征的鉴别力。实验结果表明,所提出的SS_CC方法在F1分数、mIoU指标上优于当前一些主流方法,且在建筑物的墙面和窗户上的分割效果相对更好。展开更多
加密域可逆数据隐藏(reversible data hiding in encrypted domain,RDHED)技术可在保护载体隐私的同时嵌入秘密信息,但当前针对3D网格模型的RDHED方法普遍面临嵌入容量低的难题.针对这一问题,提出了一种基于八叉树分块和顶点划分策略的...加密域可逆数据隐藏(reversible data hiding in encrypted domain,RDHED)技术可在保护载体隐私的同时嵌入秘密信息,但当前针对3D网格模型的RDHED方法普遍面临嵌入容量低的难题.针对这一问题,提出了一种基于八叉树分块和顶点划分策略的加密3D网格模型可逆数据隐藏方法.首先,采用八叉树结构将模型自适应地划分为不重叠子块,保留块内空间相关性;其次,设计基于顶点熵的划分策略,精确选取参考顶点以提升预测精度;最后,采用自适应MSB(most significant bit)预测方法,最大化每个顶点的可嵌入空间,从而显著提升嵌入容量.实验结果表明,该方法在提高3D网格模型嵌入容量的同时,确保了数据的可逆性与可分离性,为3D模型的可逆数据隐藏提供了一种有效的解决方案.展开更多
文摘从三维Mesh数据中分割建筑物立面以识别对象,是三维场景理解的关键,但现有方法多依赖高成本的精细标注数据。针对该问题,提出了一种半监督学习方法,引入一种基于对比学习和一致性正则化的半监督语义分割(semi-supervised semantic segmentation based on contrastive learning and consistency regularization,SS_CC)方法,用于分割三维Mesh数据的建筑物立面。在SS_CC方法中,改进后的对比学习模块利用正负样本之间的类可分性,能够更有效地利用类特征信息;提出的基于特征空间的一致性正则化损失函数,从挖掘全局特征的角度增强了对所提取建筑物立面特征的鉴别力。实验结果表明,所提出的SS_CC方法在F1分数、mIoU指标上优于当前一些主流方法,且在建筑物的墙面和窗户上的分割效果相对更好。
文摘加密域可逆数据隐藏(reversible data hiding in encrypted domain,RDHED)技术可在保护载体隐私的同时嵌入秘密信息,但当前针对3D网格模型的RDHED方法普遍面临嵌入容量低的难题.针对这一问题,提出了一种基于八叉树分块和顶点划分策略的加密3D网格模型可逆数据隐藏方法.首先,采用八叉树结构将模型自适应地划分为不重叠子块,保留块内空间相关性;其次,设计基于顶点熵的划分策略,精确选取参考顶点以提升预测精度;最后,采用自适应MSB(most significant bit)预测方法,最大化每个顶点的可嵌入空间,从而显著提升嵌入容量.实验结果表明,该方法在提高3D网格模型嵌入容量的同时,确保了数据的可逆性与可分离性,为3D模型的可逆数据隐藏提供了一种有效的解决方案.
