-
公开(公告)号：CN110968715B
公开(公告)日：2022-08-05
申请号：CN201811134857.7
申请日：2018-09-28
Applicant: 哈尔滨理工大学
IPC: G06F16/53 , G06F16/583 , G06V10/764 , G06V10/82
Abstract: 本发明提出一种基于非均匀投影的三维模型检索方法，该方法通过描述三维模型表面信息量，刻画三维模型的不同位置所包含的信息量差异，同时给出基于信息量差异的视图拍摄方法。对于信息量稀疏的区域产生少量投影，对于信息量密集的区域产生较多的投影。采用非均匀的投影方法在保证模型描述精度的前提下，减少冗余信息，然后再利用三维模型提取出全景视图，将投影视图与全景图作为特征视图集。其次将特征视图集作为卷积神经网(Convolutional Neural Network,CNN)的输入，提取出视图集的深度特征并进行降维处理，将处理后的描述符作为模型检索的特征。最后计算该特征的欧式距离作为检索结果。此方法不仅利用全景图解决了非均匀投影视图缺少三维模型关联信息的问题，同时还采用非均匀投影视图解决了全景视图缺少三维模型完成信息的缺点。并且利用CNN对模型进行先分类再检索，有效提高了模型的检索速度与效率。
-
公开(公告)号：CN110737788B
公开(公告)日：2022-05-31
申请号：CN201910980788.X
申请日：2019-10-16
Applicant: 哈尔滨理工大学
IPC: G06F16/51 , G06F16/583 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 快速的三维模型索引建立及检索方法，本发明涉及三维模型检索过程中，二维视图表征三维模型存在冗余的问题以及检索效率低下的问题。目前基于视图的三维模型检索是先将三维模型投影成二维视图集合，然后采用深度学习技术对其进行分类和检索。然而,现有的方法在精度和效率方面都有待提升。为此，本发明采用K‑means方法选出代表性视图来替代投影所产生的所有视图，极大的减少了投影视图的数量。然后利用训练好的卷积神经网络(CNN)提取具有代表性的特征，并将特征按类别建立索引。检索时，利用CNN首先将代表性视图分到一个类别中，然后相似度匹配仅在该类别中进行而不是所有类别。通过这种方式，减少了检索算法的搜索空间。此外，本发明提出了一种视图递增的检索方法，该方法在满足条件时，提前终止检索，使得检索平均时间进一步减少，再次提高了检索效率。本发明应用于三维模型检索。
-
公开(公告)号：CN110968715A
公开(公告)日：2020-04-07
申请号：CN201811134857.7
申请日：2018-09-28
Applicant: 哈尔滨理工大学
IPC: G06F16/53 , G06F16/583 , G06K9/62
Abstract: 本发明提出一种基于非均匀投影的三维模型检索方法，该方法通过描述三维模型表面信息量，刻画三维模型的不同位置所包含的信息量差异，同时给出基于信息量差异的视图拍摄方法。对于信息量稀疏的区域产生少量投影，对于信息量密集的区域产生较多的投影。采用非均匀的投影方法在保证模型描述精度的前提下，减少冗余信息，然后再利用三维模型提取出全景视图，将投影视图与全景图作为特征视图集。其次将特征视图集作为卷积神经网(Convolutional Neural Network,CNN)的输入，提取出视图集的深度特征并进行降维处理，将处理后的描述符作为模型检索的特征。最后计算该特征的欧式距离作为检索结果。此方法不仅利用全景图解决了非均匀投影视图缺少三维模型关联信息的问题，同时还采用非均匀投影视图解决了全景视图缺少三维模型完成信息的缺点。并且利用CNN对模型进行先分类再检索，有效提高了模型的检索速度与效率。
-
公开(公告)号：CN110136059A
公开(公告)日：2019-08-16
申请号：CN201910269054.0
申请日：2019-04-04
Applicant: 哈尔滨理工大学
Abstract: 直线特征的风电叶片图像拼接方法，本发明涉及风电叶片图像拼接方法。本发明的目的是为了解决对于风电叶片背景相对简单、结构单一、明暗程度差异小并且重合度小的图像难以拼接的问题。为解决此问题，本发明提出了一种直线特征的风电叶片图像拼接方法。该方法首先对图像预处理并检测直线特征，然后根据直线差异度去掉重复直线特征，再配准直线特征，最后拼接图像。实验表明，该方法对于风电叶片图像拼接成功率较高，对于重合度小的图像拼接具有较强的鲁棒性，相比现有图像拼接方法是一种有效且稳定的风电叶片图像拼接方法。本发明应用于风电叶片图像拼接领域。
-
公开(公告)号：CN116309525A
公开(公告)日：2023-06-23
申请号：CN202310375319.1
申请日：2023-04-10
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/136 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明涉及一种基于语义对齐的零样本宫颈细胞检测方法，旨在提供一种有效的零样本细胞检测方法。采用视觉和文本语义对齐的模型学习方案，利用其他病理图像数据集构建零样本目标检测模型，将文本语义与目标特征对齐，在宫颈细胞语义描述的指导下扩展目标检测模型的检测类别，实现宫颈细胞的零样本检测。此外，利用部分标注的目标检测模型训练方法，降低零样本目标检测漏识别情况，提高细胞检测的准确性和可靠性。实验表明，本发明能够有效地实现各种类型宫颈细胞的零样本目标检测，并具有很强的鲁棒性和泛化能力。本发明涉及生物医学图像处理领域，具体涉及宫颈细胞的目标检测任务。
-
Patent Agency Ranking
公开(公告)号：CN115018820A
公开(公告)日：2022-09-06
申请号：CN202210796046.3
申请日：2022-07-08
Applicant: 哈尔滨理工大学
Abstract: 基于纹理加强的乳腺癌多分类方法，本发明涉及组织病理图像分类技术中，乳腺癌组织病理图像的多分类问题。组织病理图像分类技术通过图像处理技术提取出具有辨别性的类别特征进行癌症类型分类，在癌症诊断方面有着广泛的应用。然而由于乳腺癌的组织形象十分复杂和类型甚多，部分恶性亚型在临床和病理中表现出异质性差别小，导致在乳腺癌组织病理图像多分类中不易提取这些类别中具有区分性特征。为改善这一问题，本发明提出了一种基于纹理加强的乳腺癌多分类方法。实验表明，该方法能有效地提取不同乳腺癌亚型的具有辨别性的特征，减少分类误差，提高乳腺癌病理图像多分类精度。本发明应用于乳腺癌组织病理图像的多分类。
-
公开(公告)号：CN117830272A
公开(公告)日：2024-04-05
申请号：CN202410016592.X
申请日：2024-01-04
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06V20/69 , G06V10/25 , G06V10/42 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 一种基于Transformer的轻量化跨图像信息交互宫颈细胞目标检测方法，本发明涉及宫颈细胞检测中，传统Transformer架构计算量大、以及图像中细胞的数量或者种类过少使得检测准确率低的问题。传统Transformer网络计算量较大，进行目标检测较为困难。许多研究者尝试限制信息交互范围来实现轻量化。但是也限制了网络对图像的整体信息分析能力。在宫颈细胞的检测任务中，只有对比分析样本各处中的细胞，才能判断各个细胞的异常类型。缺乏整体信息分析能力的模型很难学习不同细胞的对比过程。为了改善这一问题。本发明提出了一种基于Transformer的轻量化跨图像信息交互宫颈细胞目标检测方法。该方法可以提升Transformer模型进行宫颈癌细胞目标检测的效果。本发明主要应用于异常宫颈细胞检测。
-
公开(公告)号：CN116580203A
公开(公告)日：2023-08-11
申请号：CN202310620910.9
申请日：2023-05-29
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/28 , G06V10/774 , G06V10/82 , G06V10/25 , G06V10/766
Abstract: 一种基于视觉注意力的无监督宫颈细胞实例分割方法，本发明涉及宫颈癌智能辅助诊断技术中标注数据缺失和宫颈细胞的精准分割问题。计算机智能辅助诊断技术被广泛应用，其中细胞分割技术是各种下游任务基础。深度学习模型需要大量的标注数据进行训练，而像素级的标注耗时耗力，且存在生理原因和制片原因导致的细菌、白细胞、气泡等杂质，另外宫颈细胞图像存在重叠粘连、视觉上不可分等问题。为改善这些问题，本发明提出了一种基于视觉注意力的无监督宫颈细胞实例分割方法。实验表明，该方法可以有效提升分割的准确率，减少杂质的干扰与标签不完全所导致的漏检问题。本发明应用于无标签情况下宫颈细胞的精准分割。
-
公开(公告)号：CN116188456A
公开(公告)日：2023-05-30
申请号：CN202310375318.7
申请日：2023-04-10
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06T7/62 , G06N3/08 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 一种融合病理知识的多尺度双流宫颈异常细胞检测方法，本发明涉及宫颈细胞病理全景图像异常细胞检测技术中，特征稀疏，不同大小异常细胞检测难度大的问题。在宫颈癌筛查中及早发现异常宫颈细胞可增加及时治疗的机会，但人工检测需要经验丰富的病理学家，耗时且容易出错，宫颈细胞病理全景图像异常细胞检测技术中，存在全景图像异常细胞特征稀疏，不同大小异常细胞检测难度大的问题。为了改善这一问题，本发明提出一种融合病理知识的多尺度双流宫颈异常细胞检测方法。实验表明，该方法能够有效融合病理知识，显著提高多尺度检测区域建议的质量，稳健检测出不同大小的细胞，提高了宫颈细胞检测的准确率、敏感度和特异度，为宫颈癌筛查和改善病理工作流程提供有效且高效的技术支持，帮助病理学家做出更准确的诊断。本发明主要应用于宫颈细胞病理全景图像异常细胞检测。
-
公开(公告)号：CN115760764A
公开(公告)日：2023-03-07
申请号：CN202211444831.9
申请日：2022-11-18
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/11 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种融合样本内对照信息的宫颈异常细胞识别方法，本发明涉及细胞病理检测中，样本间的差异性导致宫颈异常细胞识别精确率低、假阳性率高的问题。由于不同生理状态、不同年龄段的宫颈病理状态具有天然差异，宫颈细胞的形态、大小并不相同，而深度学习方法主要使用来自不同样本的宫颈异常细胞标注数据训练模型，极少考虑到宫颈细胞病理样本间的差异性，导致了宫颈异常细胞识别标准模糊，精确率低，假阳性率高等问题。为改善这一问题，本发明提出了一种融合样本内对照信息的宫颈异常细胞识别方法。实验表明，该方法能够有效对比样本内正常细胞的形态特征识别异常细胞，降低了宫颈异常细胞识别的假阳性率，提高了样本检测准确率、敏感度和特异度。本发明主要应用于宫颈细胞病理检测中异常细胞识别。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.035 seconds)
