项目名称: 海量形状数据的表示、分析与检索研究

项目编号: No.61300187

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 栗志扬

作者单位: 大连海事大学

项目金额: 27万元

中文摘要: 海量多媒体数据的存储与管理是目前信息科学领域的重点研究内容。而传统的解决方案主要关注于声音、图像、视频等低维数据类型。三维形状数据作为一种新兴的多媒体数据类型,表达能力更为丰富,并在多个领域取得了广泛的应用。相关研究已经成为业界的热点问题,其基础问题是形状数据的表示和分析方法研究。 针对数据库中形状具备数据量大、数据结构复杂、数据类型不同等特点,本项目拟基于形状的几何特征表示开展相关研究。以异构数据类型下的形状分析、形状检索等应用为背景,研究异构形状数据的统一表示方法,包括兴趣点表示、内蕴特征表示和隐式函数表示,进而建立适用于不同形状数据类型的统一几何特征表示及分析框架。并结合海量形状数据检索,开展基于逼近算子的应用模型加速算法研究。本项目涉及多个领域的基础理论以及最新的信息处理技术,面向海量形状数据的表示、分析领域的核心问题开展应用基础研究,具有一定的难度,既有理论意义,也极具应用价值。

中文关键词: 形状表示;形状检索;海量数据处理;广义电荷分布;形状分析

英文摘要: The storage and management of massive multimedia data is a research focus in the field of information science. However, the traditional research is majorly concerned with the low-dimensional multimedia data, such as audio, image and video. As a new type of multimedia data, 3D shape has more rich expression for the real world than the low-dimensional data, and has been widely used in different fields. The research on 3D shape data gradually becomes a hot topic, and its foundation is how to represent and describe the 3D shape in an unified manner. According to shape data is usually considerably large, having complex structure and different data types, this project will do some research based on the geometric feature of the shape. The geometric feature based method can overcome the above problems to some extent, because the geometric feature remain stable when the shape changes for one data type to another. In this project, we will take shape analysis and retrieval applications as the background, and focuse our important research on how to represent 3D shapes with different types in a unified manner. Three ways will be discussed, including the interest point representation, the intrinsic feature representation and the implicit function representation. Base on the above representations, we will propose a unified fr

英文关键词: Shape Representation;Shape Retrieval;Massive Data Processing;General Charge Distribution;Shape Analysis

成为VIP会员查看完整内容
0

相关内容

专知会员服务
50+阅读 · 2021年8月13日
专知会员服务
60+阅读 · 2021年3月25日
专知会员服务
28+阅读 · 2021年2月17日
专知会员服务
33+阅读 · 2021年2月7日
基于深度学习的数据融合方法研究综述
专知会员服务
137+阅读 · 2020年12月10日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
45+阅读 · 2020年12月4日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
零样本图像分类综述 : 十年进展
专知会员服务
126+阅读 · 2019年11月16日
2022年,捕捉这12个数据和分析趋势
AI前线
1+阅读 · 2022年4月14日
开源数据支撑下的人物与装备分析
PaperWeekly
4+阅读 · 2022年3月20日
图像修复研究进展综述
专知
19+阅读 · 2021年3月9日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
【大数据】海量数据分析能力形成和大数据关键技术
产业智能官
17+阅读 · 2018年10月29日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
14+阅读 · 2021年3月10日
小贴士
相关VIP内容
专知会员服务
50+阅读 · 2021年8月13日
专知会员服务
60+阅读 · 2021年3月25日
专知会员服务
28+阅读 · 2021年2月17日
专知会员服务
33+阅读 · 2021年2月7日
基于深度学习的数据融合方法研究综述
专知会员服务
137+阅读 · 2020年12月10日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
45+阅读 · 2020年12月4日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
零样本图像分类综述 : 十年进展
专知会员服务
126+阅读 · 2019年11月16日
相关资讯
2022年,捕捉这12个数据和分析趋势
AI前线
1+阅读 · 2022年4月14日
开源数据支撑下的人物与装备分析
PaperWeekly
4+阅读 · 2022年3月20日
图像修复研究进展综述
专知
19+阅读 · 2021年3月9日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
【大数据】海量数据分析能力形成和大数据关键技术
产业智能官
17+阅读 · 2018年10月29日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员