-
公开(公告)号：CN119091322A
公开(公告)日：2024-12-06
申请号：CN202411328327.1
申请日：2024-09-24
Applicant: 烟台大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于遥感图像处理技术领域，具体涉及基于深度学习的遥感图像目标检测方法、系统、装置，对待处理的遥感图像数据进行多个不同尺度大小卷积核的深度可分离卷积，以捕捉到不同尺度的信息并有效扩大感受野；采用条状卷积注意力机制，其中的条状卷积组合不仅可以帮助理解上下文信息，还可以增强对条状物体的敏感度；所得到的特征有效地缓解了在目标检测任务中存在的目标尺度差异和复杂背景信息问题，既实现了高检测精度，又保持了高推理速度。
-
公开(公告)号：CN118333861B
公开(公告)日：2024-08-20
申请号：CN202410756700.7
申请日：2024-06-13
Applicant: 烟台大学
IPC: G06T3/4053 , G06T5/60 , G06T5/50 , G06N3/0475 , G06N3/084 , G06N3/0464 , G06T3/4007
Abstract: 本发明属于图像处理技术领域，具体涉及一种遥感图像重建方法、系统、装置、介质，首先通过模拟实际遥感图像的退化情况来增强数据的真实性、复杂性，然后对遥感图像分别进行两次重建，并根据对比度进行自适应融合以整合不同分辨率的图像信息，从而提高了图像重建的准确性、清晰度和高质量。
-
公开(公告)号：CN117975041B
公开(公告)日：2024-06-14
申请号：CN202410369852.1
申请日：2024-03-29
Applicant: 烟台大学
IPC: G06V10/44 , G06V10/52 , G06V10/80 , G06V10/26 , G06V10/75 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/042 , G06N3/084 , G06N3/048
Abstract: 本发明涉及图像数据分析技术领域，具体为基于图卷积神经网络的脑网络特征提取方法、系统和设备；该特征提取方法首先将T1加权成像的灰质体积图进行多维残差特征提取，得到残差特征；然后，将关键脑区对应的影像组学特征与维度特征映射后的残差特征进行融合，得到综合影像组学特征，用于获得增强形态学脑网络；接着，将增强形态学脑网络进行多层图数据特征提取处理后，提取关键脑区对应的数据特征，得到关键节点特征；最后，将表达能力强的全连接处理后的关键节点特征，与保留了脑网络连通性信息的一维拓扑特征向量进行拼接处理，得到关键特征明显，信息丰富的脑网络增强特征向量，用于脑网络分类时，可提高分类结果的准确度。
-
公开(公告)号：CN118097123A
公开(公告)日：2024-05-28
申请号：CN202410508740.X
申请日：2024-04-26
Applicant: 烟台大学
IPC: G06V10/25 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/82 , G06V20/64 , G06T3/06 , G06T3/4007 , G06T3/4038 , G06T5/50
Abstract: 本申请及图像分析技术领域，具体为基于点云和图像的三维目标检测方法、系统、设备和介质；首先获取3D目标物的初始点云数据，将初始点云数据转化为点云体素；然后，获取3D目标物的初始图像数据，将初始图像数据进行图像特征提取，得到二维特征图，并将密集深度图与二维特征图进行双线性插值处理和拼接处理，得到像素深度图；接着，将像素深度图进行反投影处理和体素划分，得到图像体素，并将图像体素与点云体素结合后投影到二维平面，得到待检特征图；最后，基于预设锚框和真实锚框之间的交并比大小，获得待检场景中3D目标检测结果；该方法目标检测准确度较高，检测质量较稳定。
-
公开(公告)号：CN117350352A
公开(公告)日：2024-01-05
申请号：CN202311657308.9
申请日：2023-12-06
Applicant: 烟台大学
IPC: G06N3/08 , G06N3/0464
Abstract: 本发明涉及图像数据处理技术领域，具体为结构脑网络到功能连通性网络的学习方法、系统和设备，将T1加权成像的结构脑网络中影像组学特征和脑区间连通性拓扑结构进行不同空间不同通道维度的信息聚合，可有效捕捉到高维度的脑区图像特征，得到初始连通性网络；同时，在不扫描标准静息态功能磁共振成像的情况下，获得标准功能连通性网络；并通过控制初始连通性网络与标准功能连通性网络的特征差异，以及初始连通性网络经多空间尺度特征处理后得到的优化初始连通性网络，与结构脑网络的特征差异，让初始连通性网络中的影像结构表达与标准功能连通性网络更接近，提升T1加权成像的结构脑网络的关键信息表达性能。
-
Patent Agency Ranking
公开(公告)号：CN117292232A
公开(公告)日：2023-12-26
申请号：CN202311575553.5
申请日：2023-11-24
Applicant: 烟台大学
Abstract: 本发明涉及图像数据处理技术领域，具体为T1加权成像的多维空间特征获取方法、系统和设备，通过将T1加权成像的灰质图像进行局部特征聚合、全局特征聚合和局部特征降维处理，得到欧式空间特征向量；接着，将T1加权成像的形态学脑网络，与经过节点和边信息聚合处理和相关图空间矩阵运算的形态学脑网络，进行对应位置的矩阵图元素相加后，得到第一图空间特征向量；随后，将形态学脑网络的一维向量，进行矩阵图相关标准处理和简化处理，得到第二图空间特征向量；最后，将三种不同维度的空间特征进行融合，获得空间信息丰富的T1加权成像特征向量，便于后续病理研究中获取丰富准确的脑部信息。
-
公开(公告)号：CN116740985A
公开(公告)日：2023-09-12
申请号：CN202310825487.6
申请日：2023-07-06
Applicant: 烟台大学
Abstract: 本发明公开了一种基于物联网的交通监测系统，涉及交通监测技术领域，包括监测采集模块，所述监测采集模块具体包括：通过监测装置对十字路口各道路以及非机动车道、斑马线与路口中央交通实况进行监测采集，本发明的有益效果为：通过监测采集模块对道路、非机动车道、以及斑马线进行监测，当绿灯结束时人工智能分析模块分析道路内存在违规车辆、非机动车辆以及行人时，立刻发出预警信号，通过预警警示装置对绿灯行驶车辆进行提示，从而有效减少交通事故的发生，通过车辆测速模块对绿灯即将变红的道路行驶车辆进行测速，当存在加速“抢黄灯”的车辆时也通过预警警示装置对即将绿灯行驶道路车辆提示，避免与减少交通事故发生。
-
公开(公告)号：CN114550118B
公开(公告)日：2023-07-11
申请号：CN202210167488.1
申请日：2022-02-23
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/764 , G06F17/16 , E01C23/22
Abstract: 一种基于视频图像驱动的高速公路全自动智能划线方法，对摄像头进行标定，通过摄像头获得前方道路图像；建立道路路面置信区间分类器，实现道路路面区域有效分割，获得粗略二值道路路面检测结果；进行精细化处理，提出帧间关联的精细化道路检测算法，获得精细化二值道路路面检测结果；对获得的精细化二值道路路面检测结果逆变换到原图像中，获得带道路路面检测结果的RGB三通道图像；对道路图像通过逆透视变换方法获得俯视图方向的道路图像，获得两近似平行边界的道路图像；对路面检测结果边缘对应的范围确定为道路边界，并对道路边界进行划线；根据一侧标线，依次将其他的车道线划好；本发明具有效率高的特点。
-
公开(公告)号：CN115082311A
公开(公告)日：2022-09-20
申请号：CN202210693292.6
申请日：2022-06-17
Applicant: 烟台大学
Abstract: 一种基于深度注意力残差网络的单幅图像超分辨重建方法，包括；步骤1：向网络模型中输入经过退化处理的低分辨率图像，由网络前端卷积层提取浅层特征，即通过加权求和在空间上局部浓缩连续子块的信息；步骤2：在神经网络中引入残差学习构成残差块；步骤3：对于步骤2中残差块输出的来自不同层的特征组合，通过获取不同深度特征之间的依赖关系，对不同层的特征分配不同的注意权重；步骤4：利用CSAM学习步骤2中残差块输出的特征组合不同位置的相关性；步骤5：针对步骤4得到的特征组合进行求和并重建；步骤6：输出高分辨率重建图像。本发明能够避免出现梯度变化不稳定的问题，同时由跳层连接保留中间层输出的特征，减少特征丢失。
-
公开(公告)号：CN114913394A
公开(公告)日：2022-08-16
申请号：CN202210629816.5
申请日：2022-06-02
Applicant: 烟台大学
IPC: G06V10/774 , G06V10/80 , G06V10/82 , G06V20/58 , G06N3/08
Abstract: 一种基于Yolov4改进的交通标志检测方法，包括以下步骤；步骤1：将数据集按照8：1：1的比例划分为训练集、验证集和测试集，划分出来的子集相互独立；步骤2：对数据集进行预处理；步骤3：先对网络模型中参数进行初始化，对步骤2中处理后的训练集进行训练，建立模型，再使用验证集检验模型状态，与训练过程不同的是不需要进行反向传播，验证过程目的是防止过拟合，如果出现过拟合可提前终止训练，根据情况调整超参数，接下来重复此步骤，经训练150轮后，损失值达到最低，得到最终模型；步骤4：利用步骤3训练出的最终模型，对测试集进行推理。本发明具有精度高的特点。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.077 seconds)
