-
公开(公告)号：CN112258480A
公开(公告)日：2021-01-22
申请号：CN202011144599.8
申请日：2020-10-23
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于点标注的弱监督腺体实例分割方法。包括：获取结肠组织病理学图像；对图像中存在的腺体实例进行点标注，生成腺体点检测训练样本集；建立腺体点检测模型；使用腺体点检测训练样本集对腺体点检测模型进行深度学习训练；利用深度学习训练后的腺体点检测模型预测结肠组织病理学图像中的高置信点，生成腺体实例分割训练样本集；建立腺体实例分割模型；使用腺体实例分割训练样本集对腺体实例分割模型进行深度学习训练；使用深度学习训练后的腺体实例分割模型对结肠组织病理学图像的腺体实例进行分割。本发明方法实现了结肠组织病理学图像中腺体实例的自动分割，降低了结肠癌诊断中人工分割腺体的数据标注成本。
-
公开(公告)号：CN114972032B
公开(公告)日：2025-04-25
申请号：CN202210630016.5
申请日：2022-06-06
Applicant: 厦门理工学院
IPC: G06T3/4046 , G06T3/4076 , G06N3/0464
Abstract: 本发明提出基于深度学习的图像超分辨率重建方法及系统，属于图像重建技术领域。方法包括步骤S1：获取第一分辨率组合的多个原始视频帧；S2：将所述多个原始视频帧进行分组，得到多个分组视频帧；S3：针对每一个分组视频帧执行超分辨率重建，得到第二分辨率组合的多个重建视频帧；S4：融合所述多个重建视频帧，得到所述原始视频帧的超分辨率重建结果。系统包括视频帧获取单元、视频帧分组单元、分组重建单元以及视频帧融合单元，用于实现所述方法。本发明的技术方案可以基于原始视频帧的时间戳和视角信息选择对应的深度学习模型执行分辨率重建，避免了单一重建方法带来的视角差异以及时间错误问题。
-
公开(公告)号：CN119206279A
公开(公告)日：2024-12-27
申请号：CN202411729686.8
申请日：2024-11-29
Applicant: 厦门理工学院
IPC: G06V10/762 , G06V10/774 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明提供的一种基于不确定性与图神经网络的多视图聚类方法，涉及多视图聚类技术领域。本发明通过获取多视图数据集，进行预处理后，得到原始特征矩阵与邻接矩阵；对输入的所述原始特征矩阵和所述邻接矩阵进行特征提取与融合后，得到一致嵌入矩阵与转移矩阵；基于Dempster‑Shafer证据理论与狄利克雷分布，通过降低所述一致嵌入矩阵中嵌入空间的不确定性，得到可靠一致嵌入；将所述可靠一致嵌入与所述转移矩阵映射为最终嵌入；对所述最终嵌入进行解码重建与聚类分析，得到聚类结果。本发明能充分挖掘视图中的潜在信息，降低模型中的不确定性，解决了多视图聚类任务中存在的噪声问题，能够快速、高效、准确地得到多视图数据的聚类结果。
-
公开(公告)号：CN119204096A
公开(公告)日：2024-12-27
申请号：CN202411707990.2
申请日：2024-11-27
Applicant: 厦门理工学院
IPC: G06N3/042 , G06N3/084 , G06F18/214 , G06F18/2415
Abstract: 本发明提供的一种基于稀疏与远邻节点增强的图表示学习方法，涉及数据增强技术领域。本发明根据获取的待增强的图结构数据集，得到初始节点特征矩阵、邻接矩阵与原始分类标签，并划分训练集与测试集；利用特征增强技术对训练集的节点特征进行强化，得到稀疏增强图结构数据集；然后结合节点混合技术，通过对类内节点和类间节点进行特征和分类标签的混合，以增加远邻节点的可达性，得到远邻增强图结构数据集；将远邻增强图结构数据集输入图神经网络模型进行图表示学习与训练，从而得到最优的节点表示与训练好的图表示学习模型；最后经模型测试评估，得到评估好的模型。本发明解决了传统图神经网络在处理稀疏节点和远邻节点信息聚合时的不足。
-
公开(公告)号：CN118711191A
公开(公告)日：2024-09-27
申请号：CN202410510028.3
申请日：2024-04-26
Applicant: 厦门理工学院 , 福建火炬电子科技股份有限公司
IPC: G06V30/16 , G06V30/14 , G06V30/148 , G06V30/18 , G06V30/19 , G06V30/41 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明提出一种应用于扭曲文档的文档图像校正方法及其装置，包括：构建并训练获得基于几何失真和照明表征的文档图像校正模型；将待检测的文档图像信息输入获得的所述校正模型中，得到几何校正后的文档图像，再根据所述文档图像所受的环境光信息区分是否需要进行亮度表征学习；对于所受的环境光信息很差的文档图像，将经过几何表示学习后把图像输入到亮度表征模型中，得到亮度表征学习后的文档图像；对于照明条件良好的图像，则不需要进行亮度表征学习；将输出的文档图像结果，输出至下游任务进行文字识别或者关键信息提取处理。实现对歪曲的和环境光差的文档图像分别进行几何表示和亮度表征学习；同时引入多层注意力机制提高文档图像校正的精度。
-
Patent Agency Ranking
公开(公告)号：CN118606498A
公开(公告)日：2024-09-06
申请号：CN202410709765.6
申请日：2024-06-03
Applicant: 福建火炬电子科技股份有限公司 , 厦门理工学院
IPC: G06F16/532 , G06F16/51 , G06F16/583 , G06F16/55 , G06F40/30 , G06F18/25 , G06F18/213 , G06F18/2433 , G06N3/0464 , G06N3/0455 , G06N3/048
Abstract: 本发明公开一种基于文本图像对齐的电容检测报告文档检索方法，提取文档图像的语义特征#imgabs0#和待搜索关键字的语义特征#imgabs1#；图像语义特征#imgabs2#和文本语义特征#imgabs3#融合得到自注意力对齐修正后的概率特征图#imgabs4#；基于所述概率特征图#imgabs5#通过设定阈值Hr得到文档图像的二值图Bm，获取文本框位置；基于概率特征图#imgabs6#通过设定阈值Ht进行特征选择，提取每个文本行的特征区域，构建出概率特征图#imgabs7#上所有存在文本的选择特征集合；基于所述选择特征集合进行GLR预测，得到包含待搜索关键字的位置信息，将位置信息映射到二值图Bm的文本框中，从而得到待搜索关键字在所述输入的文档图像中的位置。此种方法能够实现高效准确地对电容检测报告进行关键词检索和定位。
-
公开(公告)号：CN116563142A
公开(公告)日：2023-08-08
申请号：CN202310422873.0
申请日：2023-04-19
Applicant: 厦门理工学院
IPC: G06T5/00 , G06T3/40 , G06V10/10 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/088 , G06N3/094
Abstract: 本发明公开一种基于深度学习的全色锐化框架加速方法，其包括：将多光谱图像和全色图像拼接，再将拼接后的图像裁剪为多张子图像作为训练集；根据训练集构建基于生成对抗网络的无监督全色锐化模型，无监督全色锐化模型包括生成器网络和两判别网络；在生成器网络的第一层和第二层之间增加注意力机制，以加快提取多光谱图像和全色图像的特征；计算数据预处理后的子图像的平均梯度，进行梯度分类把训练集划分成简单和中等类别集合；并对其中的中等类别集合进行二次分类，划分为中等和困难类别集合；对不同类别的子图像集合采用不同量级的全色锐化模型分支进行训练。通过上述方案，本发明能够提高重建图像的准确度。
-
-
公开(公告)号：CN109685717A
公开(公告)日：2019-04-26
申请号：CN201811539090.6
申请日：2018-12-14
Applicant: 厦门理工学院
CPC classification number: G06T3/4053 , G06N3/0454
Abstract: 本发明提供了一种图像超分辨率重建方法、装置及电子设备，涉及图像处理技术领域，包括：获取待重建的低分辨率图像；通过预先建立的图像重建模型，将低分辨率图像重建为高分辨率图像；其中，图像重建模型是基于多尺度卷积融合神经网络建立的。本发明能够提升图像重建的效果。
-
公开(公告)号：CN107909498A
公开(公告)日：2018-04-13
申请号：CN201711012863.0
申请日：2017-10-26
Applicant: 厦门理工学院
Abstract: 基于最大化接受者操作特征曲线下方面积的推荐方法，包括如下步骤：1)构建用户的兴趣地点对集合和签到矩阵；2)构建最大化接受者操作特征曲线下方面积的目标方程；3)对目标方程进行优化，再采用随机梯度下降的方法进行求解，迭代结束后，得到最终的用户隐矩阵和兴趣地点隐矩阵；4)计算集合中的所有兴趣点对的距离，根据该距离计算邻接矩阵N；5)计算地理上下文的排序矩阵；6)根据用户隐矩阵和兴趣地点隐矩阵得到预测的排序矩阵，将其与地理上下文排序矩阵分别进行加权后相加得到最后的推荐结果。本发明的方法可以很好的应对数据稀疏问题、计算量少，具有很好的扩展性、能达到最高水平的结果。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.025 seconds)
