[发明专利]跨域度量学习系统和方法

权利要求书

1.一种卷积神经网络（CNN）方法，包括：

响应于将锚图像提供给第一CNN，在语义空间中生成锚向量，其中，锚图像是二维RGB图像，其中，第一CNN包括一个或多个第一卷积层、一个或多个第一最大池化层、第一展平层、第一丢弃层和第一完全连接层；

响应于将负图像和正图像提供给第二CNN，在语义空间中生成正向量和负向量，其中，负图像是第一三维CAD图像，并且正图像是第二三维CAD图像，其中，第二CNN包括一个或多个第二卷积层、一个或多个第二最大池化层、第二展平层、第二丢弃层和第二完全连接层；以及

应用跨域深度度量学习算法，该算法可操作以使用锚向量、正向量和负向量来提取语义空间中的图像特征。

2.根据权利要求1所述的方法，其中，跨域深度度量学习算法是三重损失算法，其可操作以减小语义空间中的锚向量与正向量之间的第一距离，并且增加语义空间中的锚向量与负向量之间的第二距离。

3.根据权利要求1所述的方法，其中，一个或多个第一卷积层和一个或多个第二卷积层可操作以应用一个或多个激活函数。

4.根据权利要求3所述的方法，其中，使用线性整流单元来实现一个或多个激活函数。

5.根据权利要求3所述的方法，其中，第一CNN和第二CNN进一步包括一个或多个归一化层。

6.根据权利要求1所述的方法，其中，第二CNN是使用孪生神经网络来设计的。

7.根据权利要求1所述的方法，其中，第一CNN和第二CNN采用跳过连接架构。

8.根据权利要求1所述的方法，进一步包括：通过分析在语义空间中提取的图像特征来实行步骤识别。

9.根据权利要求1所述的方法，进一步包括：基于对语义空间中的图像特征的分析，确定是否已经发生无效的修复序列。

10.一种增强现实系统，包括：

可视化设备，其可操作以获取一个或多个RGB图像；以及

控制器，其可操作以，

响应于将锚图像提供给第一CNN，在语义空间中生成锚向量，其中，锚图像是二维RGB图像，其中，第一CNN包括一个或多个第一卷积层、一个或多个第一最大池化层、第一展平层、第一丢弃层和第一完全连接层；

响应于将负图像和正图像提供给第二CNN，在语义空间中生成正向量和负向量，其中，负图像是第一三维CAD图像，并且正图像是第二三维CAD图像，其中，第二CNN包括一个或多个第二卷积层、一个或多个第二最大池化层、第二展平层、第二丢弃层和第二完全连接层；以及

应用跨域深度度量学习算法，该算法可操作以使用锚向量、正向量和负向量来提取语义空间中的图像特征。

11.根据权利要求10所述的增强现实系统，其中，控制器进一步可操作以确定一个或多个RGB图像内的图像对象的姿势。

12.根据权利要求10所述的增强现实系统，其中，控制器进一步可操作以减小语义空间中的锚向量与正向量之间的第一距离，并且增加语义空间中的锚向量与负向量之间的第二距离。

13.根据权利要求10所述的增强现实系统，其中，控制器进一步可操作以将后处理图像算法应用于一个或多个RGB图像。

14.根据权利要求10所述的增强现实系统，其中，控制器进一步可操作以确定工作程序的当前步骤。

15.根据权利要求14所述的增强现实系统，其中，控制器进一步可操作以基于工作程序的当前步骤向可视化设备显示指令。

16.根据权利要求10所述的增强现实系统，其中，第二CNN是使用孪生神经网络来设计的。