-
公开(公告)号：CN112597956B
公开(公告)日：2023-06-02
申请号：CN202011607985.6
申请日：2020-12-30
Applicant: 华侨大学 , 福建省公田软件股份有限公司
Abstract: 本发明提供一种基于人体锚点集合与感知增强网络的多人姿态估计方法，包括：步骤1、构建感知增强网络，并利用训练数据集进行网络训练和调优；步骤2、对一张待测试图片，首先将该图片输入感知增强网络中进行关节检测热图和锚点嵌入热图的检测，接着基于这两类热图进行算法的后处理过程，得到多人的姿态估计结果。本发明的优点在于：基于人体划分的思想，通过将多人姿态估计任务划分为上下两个半身的姿态估计子任务，能够有效降低检测任务的建模难度；结合注意力机制与特征融合策略构建感知增强网络，能够充分挖掘神经网络模型的特征提取能力，最终得到更加精确的多人姿态估计结果。
-
公开(公告)号：CN111489324B
公开(公告)日：2023-03-03
申请号：CN202010506330.3
申请日：2020-06-05
Applicant: 华侨大学 , 福建省公田软件股份有限公司
IPC: G06T5/50 , G06T7/00 , G06T7/11 , G06T7/40 , G16H30/40 , G06V10/774 , G06N3/0464
Abstract: 本发明提供了医学图像处理领域的一种融合多模态先验病理深度特征的宫颈图像分类方法，包括：步骤S10、获取宫颈图像、病理确诊数据、标注信息；步骤S20、将宫颈图像以及标注信息输入深度神经网络模型训练，生成一阶段训练结果；步骤S30、基于病理确诊数据以及一阶段训练结果，采用小网络分别对宫颈图像进行编码后，二阶融合一阶段训练结果后输入深度神经网络模型训练，生成二阶段训练结果；步骤S40、确定主干网络参数，并利用主干网络参数输入深度神经网络模型对宫颈图像进行递进迁移训练，生成三阶段训练结果；步骤S50、利用三阶段训练结果对宫颈图像进行分类。本发明的优点在于：极大的提升了宫颈癌病变诊断的准确性以及效率。
-
公开(公告)号：CN109325966B
公开(公告)日：2022-06-03
申请号：CN201811031171.5
申请日：2018-09-05
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明提供一种通过时空上下文进行视觉跟踪的方法，包括如下步骤：步骤1：初始化参数；步骤2：训练上下文感知滤波器得到位置模型；步骤3：训练尺度相关滤波器的最大尺度响应值得到尺度模型；步骤4：分类器输出响应图；判别相关滤波器生成与响应图峰值对应的峰值旁瓣比；步骤5：对比响应图峰值与峰值旁瓣比，如果响应图峰值大于峰值旁瓣比，则引入在线随机蕨分类器进行重检测；如果响应图峰值小于峰值旁瓣比，则更新步骤2的位置模型和步骤3的尺度模型；如果响应图峰值等于峰值旁瓣比，则继续维持当前视觉跟踪状态；步骤6：将更新好的位置模型与尺度模型作用于下一帧跟踪；返回步骤4。
-
公开(公告)号：CN112668545A
公开(公告)日：2021-04-16
申请号：CN202110031499.2
申请日：2021-01-11
Applicant: 华侨大学 , 福建省公田软件股份有限公司
Abstract: 本发明提供了人体姿态估计技术领域的一种基于人体树状网络和不同激活域值的姿态估计方法，包括如下步骤：步骤S10、搭建人体树状网络；步骤S20、分别设置各关节的激活域值，基于所述激活域值生成训练标签；生成各关节的偏移热图标签；利用所述训练标签以及偏移热图标签对人体树状网络进行训练；步骤S30、将人体图像输入训练后的所述人体树状网络，计算得到各关节之间的亲属度；基于所述亲属度计算得到所述人体图像中每个人的完整姿态。本发明的优点在于：极大的提升了人体姿态估计的精度。
-
公开(公告)号：CN110427890A
公开(公告)日：2019-11-08
申请号：CN201910716198.6
申请日：2019-08-05
Applicant: 华侨大学 , 福建省公田软件股份有限公司
Abstract: 本发明提供一种基于深度级联网络与质心分化编码的多人姿态估计方法，其采用自底向上的估计路线，针对现有算法尚不能解决的关节遮挡及尺度差异问题，设计出质心分化编码作为关节的相关性线索，并建立基于双路特征提取模块的深度级联网络完成对关节点与质心分化编码的提取，接着提出贪婪推理策略实现关节点鲁棒匹配到多个人体半身，最后对半身之间添加空间约束，利用图匹配算法完成人体拼接，实现快速高效的多人姿态估计。
-
Patent Agency Ranking
公开(公告)号：CN110136112A
公开(公告)日：2019-08-16
申请号：CN201910397979.3
申请日：2019-05-14
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明提供了一种基于乳腺X线摄影钙化计算机辅助检测算法，包括以下步骤：读入图像、预处理、图像滤波、图像均衡化、图像分割、灰度还原、LBP和GLDM纹理特征和随机森林算法分类；本发明通过图像处理的方法既可以提高乳腺钙化的检测率，精确地表示出乳腺钙化的方位信息，提高了乳腺钙化检测的精确度，本发明可用于从乳腺钼靶靶线图像中快速地检测出可疑钙化区域，通过计算机图像处理的方法，将可疑钙化区域标示出来供参考，为最后良恶性判别诊断提供有益信息。
-
公开(公告)号：CN109002877A
公开(公告)日：2018-12-14
申请号：CN201810987172.0
申请日：2018-08-28
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
IPC: G06N3/00
Abstract: 本发明公开了一种多尺度协同差分进化优化方法，其先采用多种群机制的种群结构，利用每一子种群结合相应的变异策略来保证进化过程个体多样性.然后，通过种群间的协方差学习，为交叉操作建立一个适当旋转的坐标系统；同时，使用自适应控制参数来平衡种群的勘测与收敛能力.最后，在单峰函数、多峰函数、偏移函数和高维函数的25个基准测试函数上进行测试，并同其他先进的进化算法对比；实验结果表明所提算法相较于其他算法在求解全局优化问题上达到最优效果。
-
公开(公告)号：CN108549839A
公开(公告)日：2018-09-18
申请号：CN201810206321.5
申请日：2018-03-13
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明公开了一种自适应特征融合的多尺度相关滤波视觉跟踪方法，该方法步骤包括：首先使用上下文感知相关滤波框架分别对目标Hog特征和color特征进行相关滤波，归一化两种特征下的响应值，按照响应值占比分配权重并线性加权融合，得到融合后的最终响应图，然后将其与预定义响应阈值进行判断是否更新滤波模型。最后在跟踪过程中引入尺度相关滤波器，提高算法的尺度适应能力。本发明的方法能够结合多种特征跟踪，发挥各自特征的性能优势，设计一种模型自适应的更新方法，此外还引入了一种精确尺度估计机制。能够有效地提高提高模型的更新质量以及跟踪精确度，并在尺度变化，快速运动，形变，遮挡等复杂场景下具有较好的鲁棒性。
-
公开(公告)号：CN112668545B
公开(公告)日：2023-06-02
申请号：CN202110031499.2
申请日：2021-01-11
Applicant: 华侨大学 , 福建省公田软件股份有限公司
IPC: G06V40/20 , G06V40/10 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了人体姿态估计技术领域的一种基于人体树状网络和不同激活域值的姿态估计方法，包括如下步骤：步骤S10、搭建人体树状网络；步骤S20、分别设置各关节的激活域值，基于所述激活域值生成训练标签；生成各关节的偏移热图标签；利用所述训练标签以及偏移热图标签对人体树状网络进行训练；步骤S30、将人体图像输入训练后的所述人体树状网络，计算得到各关节之间的亲属度；基于所述亲属度计算得到所述人体图像中每个人的完整姿态。本发明的优点在于：极大的提升了人体姿态估计的精度。
-
公开(公告)号：CN112241726B
公开(公告)日：2023-06-02
申请号：CN202011188660.9
申请日：2020-10-30
Applicant: 华侨大学 , 福建省公田软件股份有限公司
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T5/30 , G06T7/62
Abstract: 本发明提供了人体姿态估计技术领域的一种基于自适应感受野网络和关节点损失权重的姿态估计方法，包括：步骤S10、基于自适应感受野单元搭建自适应感受野网络；步骤S20、利用样本图像对所述自适应感受野网络进行训练；步骤S30、在训练所述自适应感受野网络时，计算得到所述样本图像包含的关节点以及各关节点的损失值；步骤S40、基于各关节点的所述损失值计算各关节点的损失权重；步骤S50、基于所述损失权重以及损失值计算得到最终损失值，基于所述最终损失值优化自适应感受野网络；步骤S60、将待测图像输入训练好的所述自适应感受野网络，计算关节点的位置并形成完整的人体姿态。本发明的优点在于：极大的提升了人体姿态估计的精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.019 seconds)
