-
公开(公告)号：CN111901562B
公开(公告)日：2021-07-27
申请号：CN202010696441.5
申请日：2020-07-20
Applicant: 复旦大学
IPC: H04N7/18 , G08B13/196
Abstract: 本发明提供一种面向校园的音视频智能监控系统，在该音视频智能监控系统中，因为通过监控服务器的车辆识别部对所有目标车辆进行识别得到目标车辆识别结果，轨迹记录部又根据目标车辆识别结果对目标车辆不同时间下对应的位置信息按照目标车辆被采集终端抓拍到时间先后顺序一一记录，形成车辆轨迹信息，服务侧通信部将记录的所有车辆轨迹信息发送到监控终端显示，安保人员通过查看车辆轨迹，从而实时掌握车辆行驶动态，不需要安保人员对车辆进行人工跟踪，节省人力和时间，有利于安保人员及时预防校园安全事故以及对已发生的校园安全事故采取相应的补救措施，将损失和伤害降到最低。
-
公开(公告)号：CN112869706A
公开(公告)日：2021-06-01
申请号：CN202110208791.7
申请日：2021-02-24
Applicant: 复旦大学
Abstract: 本发明提供了一种基于深度学习的双视野眼底图像融合方法，具有这样的特征，包括以下步骤，步骤S1，对两张待测图像进行预处理获得两张预处理图像；步骤S2，搭建卷积神经网络模型，对卷积神经网络模型进行训练，从而得到训练后的卷积神经网络模型，称为M‑net；步骤S3，将M‑net分成两部分，称为M‑net PartⅠ和M‑net PartⅡ；步骤S4，将两张预处理图像分别放入M‑net PartⅠ进行特征提取，获得两张图像特征图；步骤S5，将两张图像特征图进行拼接，得到拼接图像；步骤S6，将拼接图像放入M‑net PartⅡ进行特征融合。
-
公开(公告)号：CN112818907A
公开(公告)日：2021-05-18
申请号：CN202110198582.9
申请日：2021-02-22
Applicant: 复旦大学
Abstract: 本发明提供了一种基于课程学习机制的人群密度估计方法及装置，用于对与人群场景相关的待测图像进行人群密度估计得到人群密度结果，其特征在于，包括如下步骤：对训练数据集预处理得到预处理数据；构建基于课程学习机制的卷积神经网络模型，该卷积神经网络模型中包括主网络模块以及辅助网络模块；将预处理数据输入卷积神经网络模型，主网络模块从预处理数据中提取到预测密度图，辅助网络模块从预处理数据中提取到权重图；根据实际值、预测密度图以及权重图更新训练卷积神经网络模型得到训练好的卷积神经网络模型，并将其中的主网络模块作为人群密度估计模型；对待测图像预处理并输入人群密度估计模型从而得到人群密度结果。
-
公开(公告)号：CN112818904A
公开(公告)日：2021-05-18
申请号：CN202110198257.2
申请日：2021-02-22
Applicant: 复旦大学
Abstract: 本发明提供了一种基于注意力机制的人群密度估计方法及装置，用于对人群场景相关的待测对象进行人群密度估计得到人群密度预测结果，其特征在于，包括如下步骤：对训练集预处理得到预处理数据集；构建包括编码模块以及具有注意力模块的解码模块的神经网络模型；将预处理数据集输入神经网络模型，编码模块从预处理数据集中提取到特征图，解码模块对特征图还原得到预测结果；根据真实结果以及预测结果训练优化得到训练好的神经网络模型并作为人群密度预测模型；对待测对象进行处理并输入人群密度预测模型得到密度图，根据该密度图得到人群密度预测结果。其中，解码模块中包括卷积层以及紧随其后的注意力模块，该注意力模块包括用于获取通道注意力的通道注意力层以及获取空间注意力的空间注意力层。
-
公开(公告)号：CN106874898B
公开(公告)日：2021-03-30
申请号：CN201710226292.4
申请日：2017-04-08
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉、人工智能技术领域，具体为一种基于深度卷积神经网络模型的大规模人脸识别方法。本发明首先提出面向大规模人脸识别的残差学习深度网络模型，该模型由卷积层、下采样层、残差层以及全连接层组成，其中残差层由两路数据（一路是若干个卷积层级联的数据和一路原始数据）相加求和构成，并且模型中每一个卷积层之后都做批量归一化操作。本发明利用深度卷积神经网络学习能力强和残差学习收敛好的特性，在网络模型层数方面，把模型的层数增加；在残差层结构方面，本发明提出一个高效的残差层结构。在面向大规模人脸识别领域，本发明较之基线模型在准确率方面得到了极大提升，在百万级人脸数据库中人脸检索的准确率达到了74.25%。
-
Patent Agency Ranking
公开(公告)号：CN112419332A
公开(公告)日：2021-02-26
申请号：CN202011281328.7
申请日：2020-11-16
Applicant: 复旦大学
Abstract: 本发明提供的一种面向厚层MRI影像的头骨剥离方法，用于对厚层脑MRI图像进行脑组织提取并输出关于头骨剥离后脑组织区域的标注，通过将厚层MRI图像通过头骨剥离神经网络模型得到并输出分割文件。头骨剥离神经网络模型的训练过程为将厚层脑MRI图像训练集通过预处理模块、特征提取模块以及分割结果生成模块并通过反向传播从而得到头骨剥离神经网络模型。通过特征提取模块进行融合从而即考虑到了全局信息，也充分考虑了局部信息对分类判断的影响。针对厚层MRI图像这种携带信息较多、层数非常少、不同层间差距也非常大的图像所设置的头骨剥离神经网络模型，能够解决厚层图像的头骨剥离问题，并且头骨剥离神经网络模型在厚层脑MRI数据上具有优秀的表现。
-
公开(公告)号：CN112419256A
公开(公告)日：2021-02-26
申请号：CN202011284149.9
申请日：2020-11-17
Applicant: 复旦大学
IPC: G06T7/00
Abstract: 本发明提供一种基于模糊图神经网络的糖网病眼底图像分级方法，通过一个预先训练完成的糖网病眼底图像分级模型对糖网病眼底图像进行分级，该模型具有特征提取器、关系编码器、隶属函数模块以及图分类器，方法包括如下步骤：步骤S1，利用特征提取器对糖网病眼底图像进行特征提取得到眼底特征；步骤S2，将眼底特征以及预训练的支持集中的图像特征作为节点并通过关系编码器和隶属函数模块构建稀疏图结构；步骤S3，在稀疏图结构上，通过图分类器进行关注节点特征的图网络更新，对更新过后的节点进行分类完成糖网病眼底图像的分级；步骤S4，判断支持集中的图像数量是否达到预设的数量上限，若否则将将糖网病眼底图像加入到支持集中从而形成新的支持集。
-
公开(公告)号：CN112308163A
公开(公告)日：2021-02-02
申请号：CN202011237578.0
申请日：2020-11-09
Applicant: 复旦大学
Abstract: 本发明提供一种基于深度学习的脑胶质瘤辅助标注装置，由于通过脑胶质瘤算法模块进行自动分割的功能，从而能够实现对脑胶质瘤数据标注的半自动化。并充分利用了网页技术端应用软件灵活、便捷、随处访问的优势，结合了神经网络生成数据的功能，从而提升了在构造数据集过程中费时费力的数据标注过程的效率。本发明的脑胶质瘤辅助标注装置源自于数据并充分利用了深度学习，以及能够反馈数据生成的特点，解决完全由人工标注带来的巨大消耗，可以通过不断循环迭代，并利用数据集训练算法，以及利用算法辅助数据集的构造的方式，从而使得数据标注变得更加高效。
-
公开(公告)号：CN111461218A
公开(公告)日：2020-07-28
申请号：CN202010248309.8
申请日：2020-04-01
Applicant: 复旦大学
Abstract: 本发明提供一种糖网病眼底图像的样本数据标注系统，其特征在于，包括：眼底图像获取部，用于获取待判别的糖网病眼底图像，并对每个糖网病眼底图像进行图像预处理得到待判别眼底图像；质量判别筛选部，用于对待判别眼底图像进行质量判别得到质量判别信息，并基于该质量判别信息筛选出符合质量要求的待判别眼底图像作为合格眼底图像；左右眼判别部，用于对合格眼底图像进行左右眼判定得到左右眼信息；分级判别部，基于预先构建的分级判别模型以及左右眼信息对合格眼底图像进行分级判别得到表示该合格眼底图像的分级判别信息；以及标注结果存储部，用于将糖网病眼底图像、质量判别信息、左右眼信息以及分级判别信息进行对应存储。
-
公开(公告)号：CN111310591A
公开(公告)日：2020-06-19
申请号：CN202010064545.4
申请日：2020-01-20
Applicant: 复旦大学
Abstract: 本发明提供一种多类型样本数据制作装置，其特征在于，用于对导入的视频数据进行自动地目标检测以及多类型处理从而生成样本数据，包括：视频处理部，用于对视频数据进行预处理从而去除视频数据中模糊、无目标物体的帧并得到作为原始样本集的多个预处理帧；分辨率处理部，用于根据预设的放缩比例并利用双线性差值算法对预处理帧进行分辨率的放缩从而得到作为多尺度样本集的多个不同尺度的图像帧；对比度处理部，用于对预处理帧进行降低对比度处理从而得到作为低对比度样本集的多个不同对比度的图像帧；噪声处理部，用于对预处理帧进行添加噪声处理从而得到作为噪声样本集的多个被添加随机噪声的图像帧；数据命名存储部，用于对图像帧进行统一命名并存储为样本数据。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.021 seconds)
