卷积神经网络软硬件协同加速的异构SoC实现方法

    公开(公告)号:CN113240101B

    公开(公告)日:2022-07-05

    申请号:CN202110521611.0

    申请日:2021-05-13

    Applicant: 湖南大学

    Abstract: 本发明公开了一种卷积神经网络软硬件协同加速的异构SoC实现方法,包括:片内处理器获取当前待检测图片进行预处理,当当前待检测图片预处理完毕后,将预处理完毕的当前待检测图片通过存储器发送至可编程逻辑电路,并获取下一张待检测图片作为当前待检测图片进行预处理;可编程逻辑电路接收预处理完毕的当前待检测图片,根据预设的卷积神经网络硬件加速器和预设的卷积神经网络模型进行计算,当当前待检测图片计算完毕后,将计算完毕的当前待检测图片通过存储器发送至片内处理器;片内处理器接收计算完毕的当前待检测图片,对计算完毕的当前待检测图片进行后处理,输出当前待检测图片的检测结果。实现低成本的嵌入式SoC的高速实时图像处理。

    一种基于自动数据增广的医学图像分割方法

    公开(公告)号:CN114693935A

    公开(公告)日:2022-07-01

    申请号:CN202210395449.7

    申请日:2022-04-15

    Applicant: 湖南大学

    Abstract: 本发明公开了一种基于自动数据增广的医学图像分割方法,包括:S1、将原始训练集按照设定比例随机划分为训练集和验证集;S2、构建数据增广搜索空间,得到采样子策略;S3、将采样子策略在训练集上进行训练,在每次迭代中,通过随机梯度下降更新网络权重,将更新后的网络权重用来计算验证集损失,通过近端迭代更新策略参数,当验证集损失最小时,得到数据增广子策略;S4、在重训练阶段,将数据增广子策略应用在原始训练集上进行数据增广,在增广后的训练集上进行训练,获得最优的网络权重,采用该网络权重进行推理,得到目标区域。本发明采用的算法在基本网络架构下实现了先进的性能,该算法的搜索策略的效率至少提高了一个数量级。

    一种三维数字图像中分支点的快速检测方法

    公开(公告)号:CN111429343B

    公开(公告)日:2022-07-01

    申请号:CN202010267759.1

    申请日:2020-04-08

    Applicant: 湖南大学

    Abstract: 本发明具体公开了一种三维数字图像中分支点的快速检测方法,所述方法包括以下步骤:S1、将给定的三维数字图像分成若干子图像并生成对应若干二维最大强度投影图像;S2、将每幅二维最大强度投影图像骨架化并选取骨架上的点作为候选分支点,再通过改进的ray‑shooting模型提取所有候选分支点周围像素强度分布特征;S3、根据所提取的像素强度分布特征利用DBSCAN方法确定候选分支区域的分支数,从而根据确定的分支数得到二维分支点;S4、利用反向映射方法将得到的二维分支点映射到三维数字图像中,从而得到三维数字图像中树状结构的真实三维分支点。本发明能够准确的将三维数字图像中树状结构的分支点检测出来,具有计算成本低、误检率低且检测效率高的特点。

    基于注意力机制的卷积神经网络医学图像关键点检测方法

    公开(公告)号:CN113393446B

    公开(公告)日:2022-04-15

    申请号:CN202110687012.6

    申请日:2021-06-21

    Applicant: 湖南大学

    Abstract: 本发明提供一种基于注意力机制的卷积神经网络医学图像关键点检测方法,包括如下步骤:构建基于注意力机制的O型卷积神经网络,其包括注意力模块、关键点检测分支和局部增强分支;局部增强分支用于局部前景增强和结构提取;局部增强分支和关键点检测分支对不同层次的信息编码解码来生成热图;本发明利用注意力模块将局部增强分支的特征图引入关键点检测分支;将训练集数据输入到O型卷积神经网络进行训练,将测试集数据数据输入到学习后的O型卷积神经网络得到关键点热图,对关键点热图进行局部最大值提取,得到关键点的坐标。本发明直接在原始图像上执行,更加稳健和准确,能更加有效地整合局部结构特征和上下文信息,并检测细分支的关键点。

    面向主动配电网的源-荷联合时序场景生成方法和系统

    公开(公告)号:CN113822319A

    公开(公告)日:2021-12-21

    申请号:CN202110762778.6

    申请日:2021-07-01

    Applicant: 湖南大学

    Abstract: 本发明实施例提供一种面向主动配电网的源‑荷联合时序场景生成方法和系统,通过原始数据构建初始源‑荷时序联合场景,计算各场景间的DTW距离、欧式距离以及源‑荷相关性距离,利用主成分法生成各个指标的权重系数,计算场景间相似度衡量指标,利用手肘法、轮廓系数选择典型场景个数,随机选取聚类中心。利用聚类散度判别选取典型场景的合理性。本发明实施例充分考虑了时间序列的时移特性,能更准确地描述负荷、分布式电源的相关性,能解决多维数组下连续时间曲线聚类效果差的问题;此外,该方法还能利用较少典型场景更准确地描述负荷和分布式电源出力的随机性和间歇性,提升主动配电网规划效率。

Patent Agency Ranking