-
公开(公告)号：CN112686822B
公开(公告)日：2021-09-07
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
公开(公告)号：CN112365464B
公开(公告)日：2021-08-10
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN112365464A
公开(公告)日：2021-02-12
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN108962267B
公开(公告)日：2019-11-15
申请号：CN201810742980.0
申请日：2018-07-09
Applicant: 成都信息工程大学
IPC: G10L19/018
Abstract: 本发明涉及一种基于哈希特征的加密语音内容认证方法，其包括：输入原始语音后，通过Logistic映射和流密码RC4对原始语音进行加密以生成加密语音，对加密语音进行分帧并对每帧加密语音执行整数小波变换和离散余弦变换，通过比较低频DCT系数的均值和方差来计算哈希特征，利用差分扩展将哈希特征作为水印嵌入到IWT的细节系数的高位比特中；然后对IWT近似系数和含哈希特征的细节系数执行逆IWT变换来获得含水印的加密语音，从含水印的加密语音中提取哈希特征与重构的哈希特征进行对比来对加密语音进行内容认证。本发明提高了云计算中的语音内容认证的鲁棒性，可以准确定位篡改语音帧，在实际应用中适用范围更广。
-
公开(公告)号：CN110427928A
公开(公告)日：2019-11-08
申请号：CN201910652768.X
申请日：2019-07-19
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于深卷积神经网络的自然场景图像文本检测方法，该方法具体包括以下步骤：制作数据集，将所有图片按照VOC格式制作成数据集，文件夹Annotation用于存放xml文件，每一个xml文件对应一张图像，并且每个xml文件中存放的是标记的各个目标的位置和类别信息。将自然图像通过ResNet网络从底层像素点获取更多的高级特征，然后利用BLSTM层提取字符序列的上下文特征，找到检测文本的边界框，有效地提高了文本检测的效果。本发明的有益效果：本发明使用自动学习，结合上下文特征替换人工定义的特征；本发明避免字符分割问题，实现端到端的无约束字符检测。提高了检测效率和精度，实现了对自然场景图像的文本检测。
-
Patent Agency Ranking
公开(公告)号：CN109389584A
公开(公告)日：2019-02-26
申请号：CN201811083803.2
申请日：2018-09-17
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于CNN的多尺度鼻咽肿瘤分割方法。包括以下步骤：收集若干例患鼻咽肿瘤的病例，采集其鼻咽部位MRI图像数据；对上一步骤收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；对上一步骤得到的标签数据进行标准化预处理并转成二维数据集；构建基于CNN的多层二维卷积神经网络，使用上一步骤中的二维数据集进行训练；对于待分割的鼻咽部位MRI图像数据，采集同部位同样模态的医学图像，对采集的图像进行标准化处理；通过训练得到的网络模型，对待分割的鼻咽部位MRI图像数据进行自动分割。本发明可以实现对于鼻咽肿瘤的自动分割，且与主流网络对比能取得较高的精度。
-
公开(公告)号：CN109325514A
公开(公告)日：2019-02-12
申请号：CN201810872957.3
申请日：2018-08-02
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于改进CNN的简单学习框架的图像分类方法，其包括：输入图像I；将图像I分为大小为m×m的图像块集合；将图像Ii输入到卷积神经网络中进行训练；通过三层全连接层处理得到一维的矩阵，使用dropout正则化操作以避免过拟合；将神经网络中的输出结果输入到分类器里，输出得到分类结果。本发明提出了一种基于卷积神经网络的简单学习框架，表示为Brief–Net，并将其应用于图像分类，减少了训练的时间同时也提高了分类的精度。Brief–Net包括三个卷积层和最大池化层，接着是三个全连接层。采用softmax分类器来识别图像分类。本发明的方法能够有效减少训练时间和存储成本，具有较高的识别精度。
-
公开(公告)号：CN109284765A
公开(公告)日：2019-01-29
申请号：CN201810789885.6
申请日：2018-07-18
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于负值特征的卷积神经网络的自然图像分类方法，其包括以下步骤：S1输入一张图像I；S2将图像I分为大小为m×m的图像块集合，每一块用Ii(i＝1,2,…,n)表示；S3将Ii输入到卷积神经网络中进行训练，其包括：用大小为k×k的卷积核对图像Ii做卷积处理，然后将卷积之后得到的特征取反，再和原来的特征一起作用Leaky ReLU激活函数，再将得到的结果传递到下一层做池化采样；S4经过多次提取特征，最后通过全连接层，得到一维的矩阵；S5将神经网络中的输出结果输入到分类器里，最终得到分类结果。本发明能够增强有效特征的学习，从而提高图像分类的效果，并且对不同的数据有良好的泛化能力。
-
公开(公告)号：CN108921202A
公开(公告)日：2018-11-30
申请号：CN201810601416.7
申请日：2018-06-12
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于数据结构的异常点检测方法，其包括：输入数据集；根据数据集构建一棵多维二叉树，利用二叉树搜索算法搜索距离树中每个节点最近的k个邻居；基于一棵多维二叉树构建数据点的数据结构图，结合树中各节点的邻居关系，计算数据点之间的欧氏距离；考虑到数据点之间的相似性和数据点在树中的邻居关系，通过对计算出的欧氏距离进行排序，并设定阈值p自动确定异常点。本发明提高了异常点检测的性能，更好的反应了数据集的结构特征。此外，本发明受数据分布和数据维度影响较弱，在实际应用中适用范围更广，解决了现有技术对特殊点的检测精度和对高维数据检测性能不佳的不足。
-
公开(公告)号：CN108921192A
公开(公告)日：2018-11-30
申请号：CN201810517949.7
申请日：2018-05-25
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于测地线距离的异常点检测方法，其包括：输入数据集X；针对数据集X构建邻接图G，利用Dijkstra算法创建测地距离矩阵；针对各样本点计算测地距离ηi以及各点的度deg(xi)；计算平均测地距离设定阈值τ，计算样本点的实际度Rdeg(xi)；判断特殊点和异常点。本发明提高了异常点检测的性能，更好的反应了数据集的结构特征，且可同时检测到异常点和边缘点。此外，本发明的方法受数据分布和数据维度影响较弱，在实际应用中适用范围更广，解决了现有技术对异常点的检测精度不高和对高维数据检测性能不佳的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.025 seconds)
