-
公开(公告)号：CN114398972A
公开(公告)日：2022-04-26
申请号：CN202210018929.1
申请日：2022-01-07
Applicant: 福建农林大学
Abstract: 本发明涉及一种基于联合表示注意力机制的深度学习图像匹配方法。包括以下步骤：步骤1、使用SIFT算法和NN匹配算法建立初始匹配集；步骤2、利用改进的网络JRA‑Net进行误匹配剔除，得到匹配为内点的概率集；步骤3、将步骤2输出的概率集视为权重集，利用加权8点算法估计本质矩阵；步骤4、通过本质矩阵回归准确的相对姿态（旋转和平移）。本方法通过联合表示注意力机制的相关理论知识以及在室内外公开数据集上的大量实验说明了本方法具有高精度，高效率和高鲁棒性的特点，可广泛应用于三维重建，遥感图像拼接、即时定位与地图构建等计算机视觉任务中。
-
公开(公告)号：CN114743032B
公开(公告)日：2025-02-25
申请号：CN202210507403.X
申请日：2022-05-11
Applicant: 福建农林大学
Abstract: 本发明涉及一种基于偏好引导过滤的深度学习图像特征匹配方法，包括以下步骤：步骤1：对于给定的图像对I和I'，采用SIFT算法建立初始特征匹配集S；步骤2：通过偏好引导过滤网络进行误匹配剔除，得到匹配为内点的概率集W；步骤3：将步骤2得到的概率集W视为权重集，通过加权八点算法估计本质矩阵；步骤4：根据步骤3得到的本质矩阵恢复准确的相对姿态。该方法及系统有利于提高图像特征匹配的准确性。
-
公开(公告)号：CN115457009A
公开(公告)日：2022-12-09
申请号：CN202211171081.2
申请日：2022-09-24
Applicant: 福建农林大学
Abstract: 本发明提出一种基于Transformer和卷积神经网络的三维医学图像分割方法，包括以下步骤：步骤S1：对原始医学图像的标签图的边缘进行逐类提取；步骤S2：对原始医学图像的原图、标签图和标签图的边缘图像进行随机翻转、旋转和缩放处理；步骤S3：将处理后的图像输入医学图像分割模型进行各类组织器官的分割；所述医学图像分割模型是由训练集数据经过标签图的边缘提取后再对原图、标签图和标签图边缘图像随机翻转、旋转和缩放处理后产生的图像数据在基于Transformer和卷积神经网络的结合形态结构学习的网络模型进行训练获得。应用该技术方案可实现增强最终分割结果的准确性。
-
公开(公告)号：CN114743032A
公开(公告)日：2022-07-12
申请号：CN202210507403.X
申请日：2022-05-11
Applicant: 福建农林大学
Abstract: 本发明涉及一种基于偏好引导过滤的深度学习图像特征匹配方法，包括以下步骤：步骤1：对于给定的图像对I和I'，采用SIFT算法建立初始特征匹配集S；步骤2：通过偏好引导过滤网络进行误匹配剔除，得到匹配为内点的概率集W；步骤3：将步骤2得到的概率集W视为权重集，通过加权八点算法估计本质矩阵；步骤4：根据步骤3得到的本质矩阵恢复准确的相对姿态。该方法及系统有利于提高图像特征匹配的准确性。
-
-
Patent Agency Ranking
公开(公告)号：CN112001432B
公开(公告)日：2022-07-08
申请号：CN202010806097.0
申请日：2020-08-12
Applicant: 福建农林大学
Abstract: 本发明涉及一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法。该方法根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断以及根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域的方法构造寻求最小代价的数学模型。本发明的图像匹配方法在精度、召回和F值这三个指标方面表现较好，因此本发明图像匹配方法具有良好的应用前景，可应用于三维重建和快速地实现无人机遥感图像的拼接等领域中。
-
公开(公告)号：CN105678495A
公开(公告)日：2016-06-15
申请号：CN201610031879.5
申请日：2016-01-19
Applicant: 福建农林大学
CPC classification number: G06Q10/0833 , G06Q50/28
Abstract: 一种基于智能移动终端的实时物流监控系统，其特征在于：包括智能终端、数据库、信息查询模块、物流地理位置追踪系统及数据管理维护系统。通过联合计算机存储、图象处理与分析技术及无线通讯技术，利用移动终端设备实现多信息可选的高精度、高效率的物流查询、定位、追踪系统。
-
公开(公告)号：CN114387437B
公开(公告)日：2024-12-24
申请号：CN202210029904.1
申请日：2022-01-12
Applicant: 福建农林大学
IPC: G06V10/25 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于多注意力U‑Net全卷积网络的视网膜图像视盘提取方法，包括以下步骤：步骤S1:获取原始彩色视网膜图像，并采用最亮点提取及区域模糊最亮区域的方法进行感兴趣区域提取；步骤S2:根据提取的感兴趣区域图像，采用RGB通道分离，并对分离后的红色通道图像进行直方图均衡化和标准化处理；步骤S3:将红色通道图像，直方图均衡化图图像和标准化图像进行通道融合产生新的三通道图像；步骤S4:基于多注意力U‑Net全卷积网络，构建并训练视网膜图像视盘分割模型；步骤S5将将通道融合后的图像数据输入视网膜视盘分割模型进行视网膜图像视盘提取分割。本发明实现了视网膜图像视盘的高精度提取分割。
-
公开(公告)号：CN117853713A
公开(公告)日：2024-04-09
申请号：CN202410094607.4
申请日：2024-01-23
Applicant: 福建农林大学
IPC: G06V10/25 , G06V10/80 , G06V10/44 , G06V10/42 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/082 , G06N3/084 , G06N3/0985
Abstract: 本发明提出了一种基于通道剪枝和通道信息融合的实时目标检测方法，包括一种新的通道剪枝方法，在保证检测精度的同时，有效地减少了目标检测网络的冗余参数和计算复杂度；以及一种新的轻量级卷积CIMConv，利用更简单的卷积操作实现更高的精度，并降低标准卷积的复杂度。本发明将提出的两种优化策略应用于现有的目标检测器，在精度和复杂度之间实现了更好的平衡，超过了最先进的检测器。在具有挑战性的公共数据集上，本发明提出的通道剪枝和CIMConv方法大大减少了网络的参数量和计算量，同时提高了检测精度。
-
公开(公告)号：CN114387437A
公开(公告)日：2022-04-22
申请号：CN202210029904.1
申请日：2022-01-12
Applicant: 福建农林大学
IPC: G06V10/25 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多注意力U‑Net全卷积网络的视网膜图像视盘提取方法，包括以下步骤：步骤S1:获取原始彩色视网膜图像，并采用最亮点提取及区域模糊最亮区域的方法进行感兴趣区域提取；步骤S2:根据提取的感兴趣区域图像，采用RGB通道分离，并对分离后的红色通道图像进行直方图均衡化和标准化处理；步骤S3:将红色通道图像，直方图均衡化图图像和标准化图像进行通道融合产生新的三通道图像；步骤S4:基于多注意力U‑Net全卷积网络，构建并训练视网膜图像视盘分割模型；步骤S5将将通道融合后的图像数据输入视网膜视盘分割模型进行视网膜图像视盘提取分割。本发明实现了视网膜图像视盘的高精度提取分割。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.018 seconds)
