-
公开(公告)号：CN113887662B
公开(公告)日：2024-11-08
申请号：CN202111244501.0
申请日：2021-10-26
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V10/764 , G06V40/18 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于残差网络的图像分类方法、装置、设备及介质，该方法包括获取根据数据特征分类的数据集，并根据所述数据特征编写卷积神经网络所需的数据接口；制作数据集标签，每一类不同数据特征的数据集对应一个数据集标签；构建训练集和测试集，将数据集分割成若干等份；构建深层残差单元，搭建卷积神经网络，建立图像分类模型；对图像分类模型设置训练参数和损失函数策略，确定分类器输出的分类结果；对图像分类模型进行网络训练和网络测试；向图像分类模型中输入待分类图像，获得分类结果。本发明通过构建图像分类模型辅助医生诊断，减轻眼科医生负担、缩短检查时间，降低疾病不同等级对应的图片筛查的时间和人力成本。
-
公开(公告)号：CN113781444B
公开(公告)日：2024-01-16
申请号：CN202111067612.9
申请日：2021-09-13
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06T7/00 , G06T5/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T7/33 , G06T7/73 , G06T3/4038 , G06T5/60
Abstract: 本发明公开了一种基于多层感知机校正的快速拼接航拍图像的方法和系统。对于每一幅航拍的正射图像，先基于位置、高度、横滚角、俯仰角、偏航角等信息直接进行粗配准，得到浮动图像与参考图像的单应矩阵，利用离线训练的多层感知机对该单应矩阵进行校正，基于校正结果使用渐入渐出算法对正射图像进行融合。本发明融合了位姿拼接法配准速度快的特点，以及特征点式方法配准精准度高的特点，增强了校正阶段的非线性拟合能力，提高了配准的精度，神经网络的应用减少了真值矩阵分解得到飞行参数以及飞行参数计算校正矩阵的过程，提高了配准速度，使用早停法训练多层感知机，可以防止网络过拟合并节省训练时间。
-
公开(公告)号：CN116523892A
公开(公告)日：2023-08-01
申请号：CN202310551472.5
申请日：2023-05-16
Applicant: 北京理工大学 , 北京理工大学重庆创新中心
Abstract: 本发明提供一种用于遥感矿斑层级特征增强的变化检测系统及方法，属于图像处理技术领域，解决了传统变化检测方法中的局限性问题；包括：数据预处理模块，编码器模块，解码器模块；原始遥感矿斑图像首先经过数据预处理模块，再将处理后的数据输入编码器模块中，提取遥感图像的多层语义信息，同时，编码器模块将深层次语义信息和浅层次语义信息合理结合，得到更有价值的特征图；在解码器模块，解码器由自适应尺度增强模块和监督注意力模块组成，实现对特征图的解码，最后逐级相加得到解码后的多个不同层级的特征图用于计算损失函数；本发明具有能充分挖掘、捕获遥感图像多层次信息特征的特点，能够高效的完成遥感矿斑图像的变化检测任务。
-
公开(公告)号：CN113327272B
公开(公告)日：2022-11-22
申请号：CN202110590166.3
申请日：2021-05-28
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06T7/246 , G06T7/579 , G06T7/90 , G06V10/762 , G06V10/75 , G06V10/82 , G06N3/04 , G06N3/08 , G06T5/40
Abstract: 本发明公开了一种基于相关滤波的鲁棒性长时跟踪方法，包括利用初始帧图像初始化滤波器；对于后续帧图像，提取当前帧图像搜索区域的特征图，与上一帧图像训练得到的滤波器进行互相关匹配，得到响应图；判断响应图对应跟踪结果的可靠等级，若跟踪结果不可靠，则重新检测目标，否则以响应图中峰值位置作为目标中心位置，并更新滤波器：当跟踪结果为一般可靠，以当前帧搜索区域的显著性图作为目标函数中自适应空间正则项的权重对滤波器进行训练；当跟踪结果为可靠，采用传统的负高斯型空间正则项权重对滤波器进行训练。本发明在目标跟踪失败时进行重检，在跟踪过程中，自适应调整目标函数中空间正则项的权重，增强了复杂场景下目标跟踪的鲁棒性。
-
公开(公告)号：CN111160478B
公开(公告)日：2022-07-26
申请号：CN201911410767.0
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V20/10 , G06V10/46 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的高光谱目标显著性检测方法，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图。本发明基于深度学习提取高光谱图像的空间和光谱深层特征，提升了特征的鲁棒性，且卷积神经网络采用自监督训练，无需真值标签；利用显著性优化，能够提升生成显著性图的质量，突出显著性目标。
-
Patent Agency Ranking
公开(公告)号：CN111426383B
公开(公告)日：2022-05-10
申请号：CN202010303994.X
申请日：2020-04-17
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种机器学习优化稀疏基的高光谱全偏振图像压缩重构方法，采用四分之一波片与具有线偏振特性的器件组合将图像成像于探测器，通过切换四分之一波片的快轴角度和/或具有线偏振特性的器件的透光轴角度实现不同的全偏振调制方式；采用该全偏振调制方式对任一波段的全偏振局部图像进行处理，获得压缩信息；采用粒子群算法优化稀疏基，优化后的稀疏基使得利用压缩信息重构的全偏振局部图像逼近其原图像。应用时，采用上述全偏振调制方式对高光谱全偏振图像进行偏振调制，获得压缩信息，并利用优化稀疏基获得重构的高光谱全偏振图像。采用本发明能够实现高光谱图像四个斯托克斯参量的重构，提高四个斯托克斯参量的重构精度。
-
公开(公告)号：CN114387258A
公开(公告)日：2022-04-22
申请号：CN202210039789.6
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于区域动态深度展开神经网络的高光谱图像重构方法，包括如下步骤：S1，模拟高光谱数据的真值图像；S2，将真值图像经过掩膜编码得到混叠图像；S3，混叠图像经过数据预处理后输入深度展开神经网络进行训练；所述深度展开神经网络包括区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；S4，利用训练好的深度展开神经网络进行光谱图像重构。本发明采用基于区域动态的深度展开神经网络根据混叠图像的区域化特征来动态指导重构变换域的生成，有效提升了快照压缩光谱成像中的图像重构质量，在网络训练和实用中更为便捷灵活，节省计算资源和降低时间消耗。
-
公开(公告)号：CN114359838A
公开(公告)日：2022-04-15
申请号：CN202210039817.4
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于高斯交叉注意力网络的跨模态行人检测方法，包括：S1，获取多源行人图像；S2，对多源行人图像进行数据预处理得到多源行人图像训练集；S3，对多源行人图像进行人工标注得到真值行人位置边界框坐标；S4，构建基于高斯交叉注意力的检测网络；S5，利用多源行人图像训练集训练基于高斯交叉注意力的检测网络，得到训练好的基于高斯交叉注意力的检测网络；S6，利用训练好的基于高斯交叉注意力的检测网络进行行人检测。本发明采用基于高斯交叉注意力的检测网络提取多源行人图像的深层显著特征并融合，直接获得表示行人位置的边界框坐标，在网络训练和实用中更为便捷灵活，节省计算资源和降低时间消耗。
-
公开(公告)号：CN114359675A
公开(公告)日：2022-04-15
申请号：CN202210039812.1
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于半监督神经网络的高光谱图像显著图生成方法，包括：构建半监督神经网络；所述半监督神经网络包括孪生预测模块和注意力辅助模块；利用完全监督数据集对孪生预测模块和注意力辅助模块进行预训练；利用预训练的注意力辅助模块对弱监督数据集生成像素级掩码；使用像素级掩码和弱监督数据集对预训练的对孪生预测模块进行完全监督训练；利用完全监督训练好的孪生预测模块对输入的高光谱图像生成显著图。本发明采用半监督神经网络提取高光谱图像特征并直接生成预测显著图，极大的节省了像素级标注成本，提高模型鲁棒性和检测精度，能够生成质量更高的显著图。
-
公开(公告)号：CN114331911A
公开(公告)日：2022-04-12
申请号：CN202210007222.0
申请日：2022-01-05
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于卷积神经网络的傅里叶叠层显微图像去噪方法，包括以下步骤：S1、利用傅里叶叠层显微系统对人体血细胞样本进行成像，制作数据集；S2、搭建卷积神经网络；S3、将训练集的输入送入到卷积神经网络的编码模块、去噪模块和解码模块，利用卷积神经网络的特性，抑制噪声信息通道的表达；S4、利用L1损失函数反复迭代优化卷积神经网络，完成卷积神经网络的训练；S5、利用卷积神经网络对实际采集的傅里叶显微图像进行去噪，获得高质量重建图像。本发明结合傅里叶叠层显微系统获得的强度图和相位图，利用深度学习方法的优势，改善了传统重建算法的噪声问题，给医学高质量成像提供了一种准确科学的算法。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.027 seconds)
