徽派街坊的布局预测与生成方法研究

来源 :合肥工业大学 | 被引量 : 0次 | 上传用户:johnason1111
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着国家对于历史文化的日益重视,数字化遗产保护已经成为计算机应用领域的热点问题。很多学者将目光聚焦到了古建筑三维场景生成领域,徽派村落作为中国传统建筑的一个重要分支,是古建筑场景的典型代表,影视、游戏和虚拟现实应用内容在徽派风格场景均有充分的需求。另一方面,布局是三维场景生成的前提条件,而传统村落如徽派风格村落由于历史、风俗等复杂因素,其布局一直是传统建筑保护领域的研究热点,难以量化规则。在此背景下,本文拟从传统徽派村落的CAD数据整理工作开始,提出结构化处理方式,在建筑、规划领域已有的经验指导下,研究基于预测网络框架的徽派街坊布局与生成方法,为特色三维场景内容生成提供有效方法和工具。本文的主要研究工作如下:(1)提出了一种徽派街坊数据的结构化表达方式,研发了徽派村落CAD测绘数据的自动提取工具。形成了街坊布局的基本数据集,作为后续研究的数据基础。(2)提出了一套针对徽派街坊布局的预测网络结构和训练策略。首先根据街坊布局的特点提出训练集组织方式;然后针对徽派村落房屋面积特性,提出连续值和离散值预测的两种思路,在对基础模块设计的基础上分别实现了面积值预测和面积类别预测的网络方案;最后通过实验分析了两种方案中各个模块的预测结果,证明了预测网络对街坊布局的有效性。(3)提出了徽派街坊布局的两种生成方法与生成结果的评价指标。第一种采用基于模板的布局生成方案,通过聚类分析构建房屋形状模板库,在进行房屋生成时采用面积值预测的结果选择模板变形方式放置房屋;第二种采用基于样例搜索的布局生成方案,采用面积类别预测的结果进行比对,着重真实性结果。最后,量化徽派村落建筑领域的已有布局规则作为评价指标,通过实验证明了两种方法的适用性。
其他文献
随着智能安防和视频监控领域的需求与日俱增,越来越多的视频监控设备被部署安装,从而导致监控视频数据量呈爆发式增长,为了对这些海量的监控视频数据进行智能分析,引入人工智能技术已成为必然趋势。其中,行人重识别技术作为智能分析的关键技术支撑,正受到广泛的关注和研究。行人重识别旨在解决跨镜头情景下行人跟踪与检索问题,它是利用计算机视觉技术判别在指定的图片或视频序列中是否具有指定行人的技术,在视频监控、智能零
学位
情感识别在诸多领域有着重要应用,如人机交互、辅助医疗等,一直以来都是工业界和学术界的重要研究内容。传统的情感识别,如面部情感识别,虽然被研究较多,但也在数据精度要求和隐私保护等方面有一定的缺陷。相比之下步态数据也蕴含情感信息,但对数据精度要求相对较低,且有助于保护隐私。利用步态信息进行情感识别的研究于近年来逐渐开始兴起,本文对基于步态的情感识别这一被研究相对较少的任务,对步态原始存储数据进行了不同
学位
频发的货运铁路运输事故造成了严重的经济损失和恶劣的社会影响,在平面调车作业过程的闯蓝灯驾驶行为是诱发该类事故的主要原因之一,而该行为大多数归咎于驾驶员对调车信号的通行状态的误判、漏判。利用计算机视觉实现机务段调车场景下的交通信号灯识别,能够克服由于疲劳导致的肉眼错误判断等弊端,将有效服务于国家人工智能战略需求,同时也推进轨道运输转型升级创新发展。基于深度学习的交通灯目标检测模型依赖于海量的相关场景
学位
设备到设备(Device-to-device,D2D)通信技术允许邻近设备之间通过重用蜂窝频谱的方式直接通信,有效地提高了蜂窝网络的频谱效率,减轻了基站的负载压力,减小了端到端传输时延,成为5G通信网络的关键技术。D2D技术引入蜂窝移动通信网络在带来诸多好处的同时,也对蜂窝通信链路造成了干扰,若不能有效地协调干扰,将会严重影响蜂窝网络的通信质量。因此,本文针对两种不同的复用模式下的资源分配问题进行
学位
车联网作为智能交通系统中的重要组成部分,在交通管理、智能运输和缓解交通拥堵等领域都发挥了非常重要的作用。其中车辆自组织网络(Vehicular Ad Hoc Network,VANET)是构成车联网的重要一环,通过车辆间的通信来传输有效数据。而随着车辆节点的增多,车辆密度的增大所带来的交通拥堵等一系列问题,可能会导致VANET中通信性能的下降。如何在当前复杂的道路交通环境中提高VANET的传输性能
学位
轴承是旋转机械中的关键部件,在现代工业系统中得到了广泛的应用。对轴承进行健康状态管理,准确地预测轴承的剩余使用寿命,能有效地改善机械系统的可靠性、安全性,防止出现重大故障,从而降低维护费用。随着大数据和人工智能等先进技术的发展,深度学习已经成为剩余寿命预测领域的热门话题。然而在实际工况下,基于深度学习的轴承剩余寿命预测方法的研究方法通常会有以下两个问题:(1)样本数据量不足,导致模型无法收敛;(2
学位
随着大数据及高性能计算技术的发展,深度学习近十年得到迅速发展,在人脸识别、自然语言处理等领域也取得了巨大成功,并于近年开始进入工业产品表面缺陷检测等工业领域。虽然深度学习在表面缺陷检测方面取得了很大进展,但仍然存在一些亟待解决的难题,小目标检测精度低和样本均衡性差便是其中的两个典型难题。通过充分调研了目标检测算法、小目标检测和样本不均衡的相关研究,本文选择以通用目标检测算法RetinaNet为基础
学位
视频的获取及传输过程中,由于物理环境及算法性能的限制,其质量难免会出现无法预估的衰减,导致其在实际场景中的应用受到限制,并对人的视觉体验造成显著影响。因此,作为计算机视觉领域的一项重要任务,视频质量评价应运而生。其目的在于通过构建计算机数学模型来衡量视频中的失真信息以判断其质量的好坏,达到自动预测质量的效果。在城市生活、交通监控以及多媒体直播等多个场景中具有广泛的应用前景。本文主要针对使用较多的自
学位
行人轨迹预测是计算机视觉领域的一个热点方向,在无人驾驶、智能交通、智慧城市和机器人自动导航等领域具有较为广泛的应用。基于传统统计模型的方法受限于人工确定的行人运动特征,并且缺乏在复杂拥挤环境中能通用的模型。近年来,基于深度学习的轨迹预测模型,凭借高效的特征提取方法、出色的可移植性、应用面广等优势而成为主流,但现有研究工作仍然存在两点不足:行人运动的不确定性对行人轨迹预测十分重要,然而大多数基于深度
学位
时间序列预测在许多工业和商业应用中发挥着重要作用,例如金融市场、网络流量、天气预报和供水行业等。在这些场景中,人们可以利用大量关于过去行为的时间序列数据来预测将来的值。水是经济和社会发展的重要因素,它在工业生产、居民生活和生态保护等许多方面都有着重要影响。传统的供水系统中缺乏对供水数据进行有效的分析,而深度学习技术可以对数据进行深入的挖掘与利用,并分析数据中潜在的规律性。因此,结合深度学习模型对供
学位