-
公开(公告)号：CN110580687B
公开(公告)日：2021-02-02
申请号：CN201910717564.X
申请日：2019-08-05
Applicant: 重庆大学
Abstract: 本发明提供一种提升生成对抗网络空洞填充质量的数据预处理方法，包括以下步骤：将三维图像变换后的目标图像对应的深度图二值化，再旋转和平移生成空洞图像；定位空洞图像中的连通区域，将不同的连通区域分别定义为小空洞、大空洞和边缘空洞；对大空洞进行平移：当大空洞在参考图像对应位置上与前景物体重叠时，如果三维图像变换生成的目标图像为右视图，则右移，否则左移；当大空洞在参考图像对应位置上与前景物体不重叠时，如果三维图像变换生成的目标图像为右视图，则左移，否则右移。本发明从数据预处理入手，生成一种模拟目标图像中空洞的蒙版，将这种蒙版和参考图像训练生成对抗网络，能够显著提升生成对抗网络的空洞填充质量。
-
Patent Agency Ranking
公开(公告)号：CN110580687A
公开(公告)日：2019-12-17
申请号：CN201910717564.X
申请日：2019-08-05
Applicant: 重庆大学
Abstract: 本发明提供一种提升生成对抗网络空洞填充质量的数据预处理方法，包括以下步骤：将三维图像变换后的目标图像对应的深度图二值化，再旋转和平移生成空洞图像；定位空洞图像中的连通区域，将不同的连通区域分别定义为小空洞、大空洞和边缘空洞；对大空洞进行平移：当大空洞在参考图像对应位置上与前景物体重叠时，如果三维图像变换生成的目标图像为右视图，则右移，否则左移；当大空洞在参考图像对应位置上与前景物体不重叠时，如果三维图像变换生成的目标图像为右视图，则左移，否则右移。本发明从数据预处理入手，生成一种模拟目标图像中空洞的蒙版，将这种蒙版和参考图像训练生成对抗网络，能够显著提升生成对抗网络的空洞填充质量。
-
公开(公告)号：CN110136115A
公开(公告)日：2019-08-16
申请号：CN201910402166.9
申请日：2019-05-14
Applicant: 重庆大学
IPC: G06T7/00
Abstract: 本发明提供一种IVOCT图像易损斑块自动检测神经网络集成方法，包括以下步骤：集成网络选取，选取的网络包括传统的目标检测网络Haar-Adaboost、基于回归的目标检测网络YOLO和SSD及基于区域建议的目标检测网络Faster R-CNN；网络训练检测，根据IVOCT图像的自身特征，设置反映每个网络对于易损斑块检测结果的数据指标和评价指标，对每个网络进行训练生成不同的测试模型，各自检测预定数量的IVOCT测试图像；两步集成方法，先是利用设计的集成策略对每个网络检测出来的IVOCT检测图像类别标签进行集成，然后根据类别集成的结果进行区域集成得出检测结果。本申请能提高检测易损斑块区域的准确性，减少漏检和错检的情况，且能提高检测区域与真实区域之间的重合度及最终检测结果性能。
-
公开(公告)号：CN109118508A
公开(公告)日：2019-01-01
申请号：CN201811010424.0
申请日：2018-08-31
Applicant: 成都美律科技有限公司 , 重庆大学
Abstract: 本发明公开了一种IVOCT图像血管壁内腔轮廓提取方法，对于采集到的极坐标系下的IVOCT图像，首先在极坐标系下去除标定圈，然后转换至笛卡尔坐标系，去除成像导管和保护鞘，然后还原至极坐标系，在极坐标系下进行搜索得到导丝区域并去除导丝，然后进行血管壁边缘检测，将血管壁边缘曲线以上的像素点全部置为0，然后转换到笛卡尔坐标系下，得到血管壁内腔轮廓。采用本发明可以有效去除IVOCT图像中的干扰信息，提高所提取的血管壁内腔轮廓的准确度，从而突出显示冠状动脉形态和病理信息，对分析冠状动脉相关病症具有重要的意义。
-
公开(公告)号：CN111401443B
公开(公告)日：2023-04-18
申请号：CN202010181905.9
申请日：2020-03-16
IPC: G06V10/778 , G06V10/50 , G06V10/56 , G06V10/762
Abstract: 本发明基于多特征提取的宽度学习系统，包括四个子宽度学习系统，每个子宽度学习系统包括特征节点、增强节点和子节点；每个子宽度学习系统先对图像数据集提取一种图像特征，各子宽度学习系统将对图像数据集提取的图像特征合并得到各自的特征节点，再分别通过增强映射函数对各自的特征节点进行增强，形成对应的增强节点；各子宽度学习系统在形成增强节点之后，再将其特征节点与对应的增强节点合并，然后再连接到其子节点中，然后对各子宽度学习系统的子节点的输出进行归一化后再连接到最终输出层。本发明在复杂数据集分类问题上兼有模型训练时间少和分类准确性高的优点。
-
公开(公告)号：CN111401443A
公开(公告)日：2020-07-10
申请号：CN202010181905.9
申请日：2020-03-16
Abstract: 本发明基于多特征提取的宽度学习系统，包括四个子宽度学习系统，每个子宽度学习系统包括特征节点、增强节点和子节点；每个子宽度学习系统先对图像数据集提取一种图像特征，各子宽度学习系统将对图像数据集提取的图像特征合并得到各自的特征节点，再分别通过增强映射函数对各自的特征节点进行增强，形成对应的增强节点；各子宽度学习系统在形成增强节点之后，再将其特征节点与对应的增强节点合并，然后再连接到其子节点中，然后对各子宽度学习系统的子节点的输出进行归一化后再连接到最终输出层。本发明在复杂数据集分类问题上兼有模型训练时间少和分类准确性高的优点。
-
-
-
-
-
Search Results
26
records
(took 0.017 seconds)
