-
公开(公告)号：CN113012087B
公开(公告)日：2022-11-04
申请号：CN202110347270.X
申请日：2021-03-31
Applicant: 中南大学
Abstract: 本发明公开了一种基于卷积神经网络的图像融合方法，包括获取训练数据集；构建基于卷积神经网络的图像融合模型并训练得到图像融合模型；将待融合的两张图像输入到图像融合模型中完成图像的融合。本发明将图像配准和图像融合过程在一个网络中进行训练，并共享编码器，从而减少了网络参数，加速了网络的训练过程；同时设计了一种DenseBlock结构，使得特征提取过程更为精确和可靠；最后采用配准解码器网络和跳跃连接的方式，使得网络的最后输出的变形场能够捕获到浅层网络的特征信息，并且能够和深层网络特征进行融合；因此，本发明方法的可靠性高、实用性好且精确性较好。
-
公开(公告)号：CN113012087A
公开(公告)日：2021-06-22
申请号：CN202110347270.X
申请日：2021-03-31
Applicant: 中南大学
Abstract: 本发明公开了一种基于卷积神经网络的图像融合方法，包括获取训练数据集；构建基于卷积神经网络的图像融合模型并训练得到图像融合模型；将待融合的两张图像输入到图像融合模型中完成图像的融合。本发明将图像配准和图像融合过程在一个网络中进行训练，并共享编码器，从而减少了网络参数，加速了网络的训练过程；同时设计了一种DenseBlock结构，使得特征提取过程更为精确和可靠；最后采用配准解码器网络和跳跃连接的方式，使得网络的最后输出的变形场能够捕获到浅层网络的特征信息，并且能够和深层网络特征进行融合；因此，本发明方法的可靠性高、实用性好且精确性较好。
-
公开(公告)号：CN111222460A
公开(公告)日：2020-06-02
申请号：CN202010010662.2
申请日：2020-01-06
Abstract: 本发明公开了一种基于增量误差计算的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建训练集；步骤2：权重与决策桩序号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩序号；步骤8：判断决策桩序号是否超过设定的上限值，若未超过，返回步骤3，否则，利用所有决策桩构建行人检测器。使用增量式误差计算获取误差数组集合，将误差计算的复杂度由O(n)降低为O(1)，加快了行人检测器的训练速度。
-
公开(公告)号：CN111192274A
公开(公告)日：2020-05-22
申请号：CN201911391004.6
申请日：2019-12-30
Applicant: 中南大学
Abstract: 本发明公开了一种空间敏感的视盘视杯联合分割方法、系统和可读存储介质，该方法针对现有的眼底图像中视盘视杯分割方法中没有考虑标志点空间分布特性的不足，考虑了大感受野稠密特征，通过提取大感受野稠密特征，并考虑了眼底图像中的血管空间分布差异，通过对血管稠密程度不同的区域学习不同的分类器，来对不同区域的像素进行分类。该方法能够很好地识别出有效的血管弯曲点和无效血管弯曲点，能够很好地分割出视盘和视杯区域。
-
公开(公告)号：CN111126247A
公开(公告)日：2020-05-08
申请号：CN201911327347.6
申请日：2019-12-20
Abstract: 本发明公开了一种基于二分查找的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建样本训练集；步骤2：权重与决策桩桩号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：利用最小误差数组中的最小误差，设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩桩号；步骤8：判断决策桩桩号是否超过设定的最大桩号，若未超过，返回步骤3，否则，利用所有决策桩构建用于行人检测的检测器。使用变种二分查找获取最小误差数组，将查找操作的复杂度由O(n)降低为O(logn)，加快了行人检测器的训练速度，且保持检测器性能不降低。
-
Patent Agency Ranking
公开(公告)号：CN107657605B
公开(公告)日：2019-12-03
申请号：CN201710810756.6
申请日：2017-09-11
Applicant: 中南大学
Abstract: 本发明公开了一种基于主动轮廓和能量约束的筛板前表面深度测量方法，该方法采用基于k均值聚类和主动轮廓的Bruch膜开口点测定方法和基于能量约束的筛板前表面分割方法，首先将k均值聚类的聚类图作为C‑V主动轮廓模型的初始轮廓，提取出轮廓中的Bruch膜开口点，再根据开口点的位置得到筛板前表面分割的感兴趣区域，使用能量约束方法分割出筛板前表面，最后根据两个步骤的结构测量出筛板前表面深度。该方法所得结果优于现有的方法，并与专家手工标定结果相一致，能够解决专家在临床诊断时需要手动标定测量筛板前表面深度的费时费力的问题，对青光眼的早期筛查和临床诊断具有积极意义。
-
公开(公告)号：CN114693914B
公开(公告)日：2025-03-04
申请号：CN202210303007.5
申请日：2022-03-24
Applicant: 中南大学
IPC: G06V10/25 , G06V20/56 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种基于增量学习的目标检测方法，包括获取原始目标检测初始模型；对原始目标检测初始模型的特征提取器部分参数进行预训练得到通用的目标检测特征提取器；采用检测头和参数掩码对目标检测特征提取器进行结构扩展得到扩展目标检测模型：采用扩展目标检测模型进行实际的目标检测。本发明还公开了一种包括所述基于增量学习的目标检测方法的自动驾驶方法。本发明提供的这种基于增量学习的目标检测方法及自动驾驶方法，创新性的提出了一种新的增量学习目标检测方法；通过检测头技术和掩码技术的创新性加入，不仅实现了增量学习目标检测，而且准确性高、可靠性高且实用性好。
-
公开(公告)号：CN114581429B
公开(公告)日：2024-04-19
申请号：CN202210243823.1
申请日：2022-03-14
Applicant: 中南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于区域关系的宫颈细胞检测方法，包括获取已有的宫颈细胞图像并标注宫颈细胞得到训练集；构建宫颈细胞检测初步模型；采用训练集对宫颈细胞检测初步模型进行训练得到宫颈细胞检测模型；采用宫颈细胞检测模型对实际的宫颈细胞图像进行检测并完成最终的宫颈细胞识别。本发明还公开了一种包括所述基于区域关系的宫颈细胞检测方法的成像方法。本发明利用上下文信息对宫颈细胞进行检测，同时在检测过程添加了细胞关系上下文信息和全局图像上下文信息到细胞特征中，增强了细胞特征的表示能力，提高了宫颈细胞的检测效果；而且本发明能够实现端到端的宫颈细胞检测，而且可靠性高，准确性好。
-
公开(公告)号：CN114677510A
公开(公告)日：2022-06-28
申请号：CN202210288172.8
申请日：2022-03-22
Applicant: 中南大学
Abstract: 本发明公开了一种特征图上采样方法，包括获取待进行上采样的特征图的步骤；构建上采样算子预测模块得到上采样核的步骤；构建缩放因子预测模块得到缩放因子的步骤：根据上采样核和缩放因子对待进行上采样的特征图进行特征重组并完成特征图的上采样。本发明还公开了一种包括所述特征图上采样方法的小目标语义分割方法，以及公开了包括所述小目标语义分割方法的成像方法。本发明针对小目标语义分割的现存问题，对特征图的上采样过程进行了创新，创造性的提出了带缩放因子的特征图上采样方法；因此本发明方法极其适用于小目标的语义分割，而且可靠性高，实用性好。
-
公开(公告)号：CN104537355B
公开(公告)日：2017-11-24
申请号：CN201510013897.6
申请日：2015-01-12
Applicant: 中南大学
Abstract: 本发明提出了一种利用图像边界信息和区域连通性的显著对象检测方法，通过对待检测的图像进行超像素分割，利用超像素的平均Lab颜色特征向量和超像素的空间拓扑关系构建三个无向加权图，计算每个超像素到图像边界的最短路径，获取三个显著图，将三个显著图相乘得到最终的显著图，完成显著对象的检测；利用超像素的局部上下文信息对显著值进行修正，从而提高了显著对象检测的精度，进一步降低背景区域的显著性；此外，采用逻辑斯蒂回归器对根据不同连通性计算得到的修正后的显著图进行特征整合，得到最终的在显著对象区域均匀高亮的显著图。本方法能够快速的将显著对象区域高亮，并且能够降低背景中高对比度区域的误检率。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.022 seconds)
