摘要：为了能够更好地应用深度神经网络学习三维模型的空间特征,获得更好的三维模型分割效果,提出面向三维模型分割的边界感知点云神经网络.首先,采用边界感知的网格点云化方法,将网格分割问题转化成点云标记问题;然后,利用数据切片方法对转化而来的点云数据进行重采样;最后,利用不同大小卷积核的滤波器提取点云数据的空间特征,并将点云标记的结果对应到原网格模型,得到三维模型分割的结果.在ShapeNetCore数据库上的实验结果表明,该方法不仅能够明显地提高分割的准确率,而且具有边界感知的特性,能够有效地避免过分割现象.

摘要：血栓的生成是血液生理特性的体现,在虚拟手术和人体生理仿真中有着重要的作用.为了解决现有血液模拟方法不能体现血栓生成的现象以及模拟速度过慢的问题,提出一种基于Gillespie方法的血栓生成模拟方法.首先使用血栓生成模型对血液粒子建模,并且针对血液成分设定生物反应速率;然后基于Gillespie方法在核范围内进行生物反应的计算,由蒙特卡洛方法确定反应以及反应时间,将流体粒子转化为血栓粒子;最后将含有纤维蛋白的粒子位置固定,形成血栓.为了使模拟结果能够实时呈现,计算中使用了CUDA并行计算来加速模拟.分别对血栓形成模拟、血栓生成速度和程序运行效率进行分析,实验结果表明,文中方法实现了血液中血栓形成的快速模拟,避免了血栓生成的偏微分方程模型带来的高计算量,能够更好地应用在血液中血栓生成的实时模拟中;同时模拟血栓的生成对血液的流动路径造成影响,体现了血栓与血液的耦合作用;最后展现了几个逼真的血栓模拟的渲染结果.

摘要：由于移动设备要求计算量小,一些经典的算法保形效果好,但计算量大,不太适合移动环境;而通用取中点的收缩方法虽然非常简化,但保形性不好。设计了一个在保持模型外观的基础上对网格模型进行简化和简化后的模型恢复的完整算法。首先设计了综合平均曲率大小和曲率变化量大小的特征保留折叠代价策略。平均曲率大小是利用边的两个顶点所邻接三角形片的两两法向夹角的平均值来计算特征保留折叠代价队列;同时考虑到存在的一些特殊情况提出加入曲率变化量来判断特征片面的特征保留策略。为了避免综合判断带来的计算量的增加,所设计的平均曲率代价和曲率变化量代价均是同一个Cost函数的线性组合。此外,还设计了基于权重代价的在折叠边上快速计算该边的收缩点位置的有效方法,基于Cost函数的线性计算,由于Cost函数在整个算法中可重复利用,因此在没有增加计算量的情况下又提高了保形性,在计算效率和简化质量两者之间取得了一个均衡。实验证明,该算法可以在保持模型外观的同时有效地降低模型规模并计算量较小,适用于计算能力低的移动设备运算环境。

摘要：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.

摘要：有车辆数限制的开放式车辆调度问题(m-OVRP)是车辆调度类问题(VRP)的一个新的分支.本文通过多初始解选优、平滑动态的禁忌长度等改进手段,基于遗传算法中变异的思想,设计了改进的禁忌搜索算法来解决m-OVRP问题.实验结果表明,本文提出的算法不仅能很好地解决m-OVRP问题,对OVRP问题也能得到稳定的结果.本算法核心包括:提出一种全新的构造初始解的贪心算法,在禁忌搜索初始解的选取中采用多初始解选优的策略;提出在禁忌搜索中采用平滑动态的禁忌长度.本算法可以很方便地应用到其他的一些启发式搜索问题的求解中.

摘要：近几年内地网民在微博上有诸多关于香港、澳门话题的讨论,这些讨论蕴含着集体情绪记忆。整体看内地网民在讨论港澳议题时,流露出的自豪感要高于负面情绪。网民对港澳的情绪在具体议题上呈现出一定差异,对香港在自豪感上的得分在"回归"这一话题中显著高于对澳门的得分,在"一国两制"政策、港澳与内地关系、港澳与中央政府、港澳殖民地历史等几个主题中,对香港在自豪感上的得分低于对澳门的得分,正情绪总量的分值也低于澳门。在大多数情况下,在网民的讨论中,对香港在负情绪总量、愤怒、焦虑、悲伤等负情绪上的得分都显著高于对澳门的得分。在国家领土完整、主权独立等议题中,香港和澳门已经成为一个统一的符号。值得关注的是,关于澳门话题的正情绪能显著降低香港话题的负情绪,激发香港话题的正情绪,而港澳舆论场的负情绪则具有极强的传染力。加强正情绪,消解负情绪,是今后网络舆论引导的重要方面。

摘要：小升初的暑假将近3个月,小学毕业班也鲜少布置暑假作业.在这个漫长的暑假里,很多焦虑的家长着急地给孩子报各种小升初的补习班,或是重复学习小学知识,或是提前学习初中的新知识.小升初的数学衔接该怎么做,会有什么效果?这些问题值得教师和家长们思考和探索.

摘要：为了解决由原始点云数据局部密度稀疏、不均匀或者法向量错误等制约因素引起的重建网格质量问题,利用对抗神经网络中权重共享的特性和对抗的训练过程,提出一种基于对抗网络的点云三维重建方法。首先,利用预测器对网格模型边的偏移量进行预测,从而得到每一个顶点的位移,并进行拓扑保持的顶点重定向,得到新的网格模型。然后,利用判别器中的点云分类器,提取原始点云数据和网格模型表面采样点集的高维特征,并基于高维特征进行空间感知的判别,用于区分原始点云与采样点集数据。最后,使用对抗的训练方式将预测器与判别器的输出数据关联起来,通过多次迭代优化网络模型,从而得到满足点云空间特征的三维网格模型。在不同的点云数据集上进行实验,并使用MeshLab软件进行效果展示,结果表明,该方法能够重建出满足点云空间信息的三维网格模型,同时能够解决粗劣的点云数据引起的网格质量问题。

摘要：网格纹理平滑技术要求既能保持模型大尺度结构特征又能去除模型小尺度纹理.然而当模型小尺度纹理与噪声相差较大时,大多数网格光顺算法会将网格纹理识别为特征加以保持,而无法有效将其去除;现有的基于谱分析的网格光顺方法尽管能有效去除网格纹理,但又无法同时保持模型大尺度结构特征.为解决该问题,本文提出一种基于混合频谱信号编码的低通过滤网格纹理平滑算法.首先采用基于视觉感知的特征识别方法,准确区分模型大尺度与小尺度特征.然后,基于顶点特征尺度,采用差异性频谱信号编码的方式进行几何信息重建,最终实现在保持网格模型大尺度结构特征的同时有效去除小尺度纹理.算法解决了现有网格光顺方法在模型小尺度纹理特征与噪声有明显区别时,无法有效去除纹理的问题;并且也解决了现有基于谱分析的网格光顺方法无法在去除模型小尺度纹理的同时,又能保持模型大尺度特征的矛盾.实验结果验证了算法的有效性.