-
公开(公告)号：CN112926681A
公开(公告)日：2021-06-08
申请号：CN202110333413.1
申请日：2021-03-29
Applicant: 复旦大学
Abstract: 本发明提供了一种基于深度卷积神经网络的目标检测方法及装置，基于整张待测图像的特征预测该待测图像中所有目标物体的边界框以及种类，其特征在于，包括如下步骤：对待测图像预处理得到预处理图像；将预处理图像输入预先训练好的深度卷积网络模型，得到所有目标物体的边界框以及种类。其中，深度卷积网络模型的训练过程包括：对训练集预处理得到预处理数据集；搭建包括主网络以及辅助网络深度卷积神经网络，主网络为全卷积神经网络；利用主网络获取第一特征图，从而进行边界框预测得到预测边界框置信度分数；利用辅助网络获取第二特征图，进而得到物体边界框以及物体类别，进而训练更新得到训练好的深度卷积网络模型。
-
公开(公告)号：CN112633404A
公开(公告)日：2021-04-09
申请号：CN202011608745.8
申请日：2020-12-30
Applicant: 复旦大学
Abstract: 本发明提供了一种基于DenseNet的COVID‑19患者的CT影像分类方法及装置，用于根据COVID‑19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括如下步骤：存储医疗影像信息；利用预处理方法进行预处理得到预处理数据；利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；使用激活函数将融合特征向量映射到低维空间得到分类概率预测值；基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得CAM激活图；显示计算机断层扫描图像、分类概率预测值以及CAM激活图从而辅助医生进行诊断。本发明的方法及装置适用于疫情地区的早期筛查阶段，不仅能改善核算检测假阴性过高的问题，还能提高诊断效率。
-
公开(公告)号：CN112330644A
公开(公告)日：2021-02-05
申请号：CN202011252132.5
申请日：2020-11-11
Applicant: 复旦大学
Abstract: 本发明提供了一种基于深度学习的医疗影像诊断系统，其特征在于，包括：请求类型存储模块、数据存储模块、请求解析判断模块、消息判断设定模块、路由模块、数据处理模块、数据读写模块以及影像分析模块。其中，数据读写模块包括脱敏单元，影像分析模块包括卷积网络单元。脱敏单元将MRI原始影像数据的格式转换为NIFTI格式得到目标影像。卷积网络单元为一个包含卷积层、池化层以及激活层的深度神经网络，用于对预处理数据进行推断得到分析结果。本系统可以对于MRI原始影像数据中涉及到的病患的敏感信息进行脱敏从而保护病患的隐私，同时还能对经过预处理的MRI原始影像数据进行影像分析得到分析结果从而为医师提供参考依据。
-
公开(公告)号：CN106982356B
公开(公告)日：2020-12-22
申请号：CN201710226293.9
申请日：2017-04-08
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理、分布式计算技术领域，具体为一种分布式大规模视频流处理系统。本发明建立了一种分布式大规模视频流处理的模型，并根据此模型提出分布式视频流处理系统。本发明用多机集群的方式对大规模视频流协同处理，用多台机器进行视频流采集，提高吞吐量；主要提供两种接口，一种针对视频不可分割（帧与帧之间前后依赖）的情形，如行人跟踪等，另一种是视频可以分割的情形，如行人检测等。另外，本发明提供了比较科学合理的资源监控方法（主要是CPU资源和内存资源），对于集群的资源扩展提供了依据。此外，引入CPU时间占用率，提出CPU时间占用率来衡量集群的利用率，更加直观和科学。
-
公开(公告)号：CN111225280A
公开(公告)日：2020-06-02
申请号：CN202010074352.7
申请日：2020-01-22
Applicant: 复旦大学
IPC: H04N21/443 , H04N21/234 , H04N21/44 , H04N21/254
Abstract: 本发明提供一种基于嵌入式平台的轻量级视频分析系统，用于对流媒体数据进行轻量化处理从而获得视频分析结果并输出，其特征在于，包括：流媒体模块，用于获取流媒体数据并对该流媒体数据进行预处理得到预处理数据，流媒体数据至少包括视频流式数据；视频分析模块，用于持续接收预处理数据并根据预设的视频分析流程进行分析得到视频分析结果；数据持久化模块，用于对视频分析结果进行持久化处理并作为动态数据进行存储，其中，流媒体模块、视频分析模块以及数据持久化模块通过容器虚拟化技术部署在边缘节点上，使得流媒体模块、视频分析模块以及数据持久化模块利用边缘节点的计算资源完成视频分析处理。
-
Patent Agency Ranking
公开(公告)号：CN110837803A
公开(公告)日：2020-02-25
申请号：CN201911079788.9
申请日：2019-11-07
Applicant: 复旦大学
Abstract: 本发明提供一种基于深度图网络的糖尿病视网膜病变分级方法，能够有效模拟眼科医生对糖尿病视网膜病变的实际诊断过程，对患者单只眼睛的多张图像进行患病特征的信息传递与整合，从而得到更加准确的诊断结果，其特征在于，包括如下步骤：步骤S1，对患者的双眼的多张待测眼底图像进行至少包括图像质量检测以及左右眼分类识别的预处理从而得到预处理眼底图像；步骤S2，分别根据与患者的单眼对应的多张预处理眼底图像构建逻辑图数据，该逻辑图数据包含一个由多张预处理眼底图像作为节点的全连接图；步骤S3，将逻辑图数据输入预先训练完成的糖尿病视网膜病变分级模型从而得到患者的糖尿病视网膜病变等级信息。
-
公开(公告)号：CN109995965A
公开(公告)日：2019-07-09
申请号：CN201910276412.0
申请日：2019-04-08
Applicant: 复旦大学
IPC: H04N5/14 , H04N7/20 , H04N21/845 , H04N17/00
Abstract: 本发明提供了一种基于FPGA的超高清视频图像实时校准方法，用于通过FPGA对超高清视频图像进行实时校准，其特征在于，包括如下步骤：步骤S1，建立原始图像数据接收通道，直接将超高清视频图像的原始图像数据输送至FPGA；步骤S2，对原始图像数据进行校准处理，得到结果校准数据；步骤S3，建立校准结果输出通道，将结果校准数据从FPGA返回，其中，步骤S2包括如下子步骤：步骤S2‑1，建立图像数据帧缓存区，并对原始图像数据进行预处理得到预处理图像数据；步骤S2‑2，通过图像校准算法对预处理图像数据进行处理并得到ΔX,ΔY,Δθ；步骤S2‑3，建立结果内存缓存区，将得到的ΔX,ΔY,Δθ进行整理，得到最终的校准结果数据。
-
公开(公告)号：CN106250939A
公开(公告)日：2016-12-21
申请号：CN201610619786.4
申请日：2016-07-30
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理、模式识别技术领域，具体为一种基于FPGA+ARM多层卷积神经网络的手写体字符识别方法。本发明实现的硬件平台是Xilinx ZYNQ-7030可编程片上SoC，硬件平台内置FPGA处理器和ARM Cortex A9。本发明首先在ARM端对输入的待识别手写体字符图像进行预处理，然后将结果图像传输到FPGA端，利用多层卷积神经网络提取图像特征，特征向量传输至ARM端完成手写体字符的识别。本发明充分利用了FPGA对大量简单重复计算的硬件并行处理能力和ARM的灵活可扩展优势，在保证算法模型性能的前提下，大幅降低了系统功耗。本发明的处理效率功耗比是主流服务器+GPU实现方案的10倍以上，有效解决了主流服务器+GPU方案功耗过大的问题。
-
公开(公告)号：CN102799870B
公开(公告)日：2015-07-29
申请号：CN201210241541.4
申请日：2012-07-13
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理及模式识别技术领域，具体为一种基于分块一致LBP和稀疏编码的人脸识别方法。本发明首先将人脸图像按4*4分割成等大小的16块子区域，对于每块区域计算其1像素半径、8邻居的一致LBP直方图，再将16个子区域的LBP直方图连接成一个列向量，作为单幅人脸图像的特征向量。然后将通过将测试图像表示成训练集上的一个最稀疏线性组合，识别出人脸对象。相比于传统的特征提取和分类的算法，本发明能够更好的提取人脸的结构信息，并且能够在单训练样本和存在遮挡的情况下，表现出较高的识别率和鲁棒性。
-
公开(公告)号：CN103901891A
公开(公告)日：2014-07-02
申请号：CN201410150310.1
申请日：2014-04-12
Applicant: 复旦大学
IPC: G05D1/02
Abstract: 本发明属于人工智能领域，具体为一种基于层次结构的动态粒子树SLAM算法。本发明算法能有效的提升SLAM算法的稳定性，通过层次化的结构使得概率模型具有两种不同分辨率视角，低分辨率的全局模型有利于全局信息的生成与维护，并且能够保持地图的重叠与闭合，为导航系统生成拓扑图等信息打下基础；另一方面具有较高精度的低层次局部信息能够很好的保持小块区域内的导航精度，并不重复带入累积误差，使得整个算法在长时间运行的状态下仍然保持误差在可接受的水平范围内。动态更新的粒子树可以很好的降低时间、空间复杂度。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.04 seconds)
