公开(公告)号：CN114757911A

公开(公告)日：2022-07-15

申请号：CN202210390815.X

申请日：2022-04-14

Applicant: 电子科技大学

Inventor： 王正宁 ,  高婧婧 ,  彭大伟 ,  吴岳潼 ,  徐宇航 ,  商勇彬

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于图神经网络和对比学习的磁共振影像辅助处理系统，该系统包含依次连接的MRI影像数据预处理模块、图数据增广模块、对比学习模块以及迁移学习模块。本发明提出了一种基于自注意力的长短距离特征融合图神经网络LS‑GNN，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合；在对比学习模型的投影头部分，通过多层感知机实现了特征向量映射与图读出功能的结合；本发明充分利用了大量的无标签和主观标签数据，通过对比学习，既获得了具备通用特征表示能力的模型，又减少了可能错误的主观标签的影响；通过迁移学习，可实现分类、聚类等多个领域的性能提升。

公开(公告)号：CN112819707B

公开(公告)日：2022-05-03

申请号：CN202110056964.8

申请日：2021-01-15

Applicant: 电子科技大学

Inventor： 王正宁 ,  曾仪 ,  彭大伟 ,  曾浩 ,  刘怡君 ,  冯妤婕

IPC: G06T5/00 ,  G06T5/50 ,  G06T7/10 ,  G06T9/00 ,  G06N3/08

Abstract: 本发明属于图像增强领域，具体为一种端到端抗块效应低照度图像增强方法。本发明的方法采用先将收集的数据进行处理后分成测试数据和训练数据两类；再通过构建一个端到端图像增强网络结构，将训练数据输入到端到端网络结构中进行多轮训练。在训练过程中，采用最小化网络预测图与真值图的均方二范数差值、计算压缩图像的边界损失平滑块边界；并计算出网络预测图与真值图的块相似损失值、构造结构相似损失值进行端到端网络的参数调整，优化网络结构，得到完成训练的端到端图像增强网络；然后将测试数据输入训练好的端到端图像增强网络结构中，得到最终的增强图像。与现有技术相比，本发明提供的方法解决了有损压缩低照度像块效应被放大的问题。

公开(公告)号：CN112819707A

公开(公告)日：2021-05-18

申请号：CN202110056964.8

申请日：2021-01-15

Applicant: 电子科技大学

Inventor： 王正宁 ,  曾仪 ,  彭大伟 ,  曾浩 ,  刘怡君 ,  冯妤婕

IPC: G06T5/00 ,  G06T5/50 ,  G06T7/10 ,  G06T9/00 ,  G06N3/08

Abstract: 本发明属于图像增强领域，具体为一种端到端抗块效应低照度图像增强方法。本发明的方法采用先将收集的数据进行处理后分成测试数据和训练数据两类；再通过构建一个端到端图像增强网络结构，将训练数据输入到端到端网络结构中进行多轮训练。在训练过程中，采用最小化网络预测图与真值图的均方二范数差值、计算压缩图像的边界损失平滑块边界；并计算出网络预测图与真值图的块相似损失值、构造结构相似损失值进行端到端网络的参数调整，优化网络结构，得到完成训练的端到端图像增强网络；然后将测试数据输入训练好的端到端图像增强网络结构中，得到最终的增强图像。与现有技术相比，本发明提供的方法解决了有损压缩低照度像块效应被放大的问题。

公开(公告)号：CN112215080A

公开(公告)日：2021-01-12

申请号：CN202010974350.3

申请日：2020-09-16

Applicant: 电子科技大学

Inventor： 王正宁 ,  曾浩 ,  赵德明 ,  彭大伟 ,  曾仪 ,  刘怡君

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种利用时序信息的目标跟踪方法，涉及图像处理和计算机视觉领域。该方法使用的方法关键步骤分为如下两个阶段，其中第一阶段输入第一帧与搜索帧，第二阶段输出目标在搜索框上的位置。本发明在特征提取阶段使用非对称卷积模块，选择三种不同形态的卷积核共同使用提升了模型对图像翻转和旋转的鲁棒性，提高网络的抗旋转鲁棒性。在候选框精修中，使用双径候选框分类回归网络，分类支路与回归支路分别处理候选框的分类结果与精修后的候选框，相比单纯依赖卷积网络或全连接网络的网络，进一步提高了结果精度。同时利用时序信息进行目标跟踪后处理，选择更加契合之前结果的跟踪框，减少错误跟踪目标的情况发生。

公开(公告)号：CN111696136A

公开(公告)日：2020-09-22

申请号：CN202010518310.8

申请日：2020-06-09

Applicant: 电子科技大学

Inventor： 王正宁 ,  曾浩 ,  潘力立 ,  赵德明 ,  曾仪 ,  刘怡君 ,  彭大伟

IPC: G06T7/246

Abstract: 本发明公开了一种基于编解码结构的目标跟踪方法，该方法使用编码器-解码器与鉴别器组合，构建类似生成对抗网络结构，使得编码器提取的特征更加泛化，学习到被跟踪对象的本质特征。由于对象帧中存在被半遮挡、受到光照、运动模糊影响的对象，使得网络受到这些影响更小，更具鲁棒性。使用Focal Loss使用替代传统的交叉熵损失函数，使得网络减少易分类样本的损失，使得模型更关注于困难的、错分的样本，同时平衡正负样本数量的不均衡。使用Distance-U loss作为回归损失，不仅关注重叠区域，还关注其他的非重合区域，具有尺度不变性，可以为边界框提供移动方向，同时具有较快的收敛速度。