公开(公告)号：CN117974993A

公开(公告)日：2024-05-03

申请号：CN202311262483.8

申请日：2023-09-27

Applicant: 北京工业大学

Inventor： 李建强 ,  周琰涛 ,  赵琳娜 ,  徐曦 ,  刘素芹 ,  高正凯 ,  夏锐禹

IPC: G06V10/26 ,  G06V10/25 ,  G06V10/762

Abstract: 本发明提供了一种集成二维最优分割的三维图像分割方法，针对像素级别标签收集费时又费力的问题。类激活映射图通过简单地将类激活映射上采样到输入图像的大小，可以识别与特定类别最相关的图像区域。然而，类激活映射方法通常具有两方面问题：一是目标激活不足，即仅覆盖对象的最有区别的部分；二是背景激活过度，指激活了背景区域，导致激活不正确。因此，在二维图像分割层面，本发明首先采用弱监督方法来缓解像素级别标签难以获得的问题。其次，本方法充分考虑了传统无监督方法具有先验知识指导的优势，最终结合两种方法将二者获得的鉴别性区域进行充分融合、优势互补，可以弥补上述类激活映射两个问题的缺点，获得二维层面的最优分割结果。

公开(公告)号：CN118038113A

公开(公告)日：2024-05-14

申请号：CN202311351593.1

申请日：2023-10-18

Applicant: 北京工业大学

Inventor： 李建强 ,  夏锐禹 ,  赵琳娜 ,  徐曦 ,  刘素芹 ,  高正凯 ,  周琰涛

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/762 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0464

Abstract: 本发明提供了一种基于区域关系引导的图像分类方法。本发明包括四个模块：(1)经过CNN模型提取单个图像级特征，获得单个图像级特征矩阵；(2)首先经过CNN模型提取单个图像级特征；其次需要构造相似目标的图表征：基于上述图像级表示特征进行K‑means聚类，获得关键目标的聚类质心，最后通过GCN模型生成关键目标的关系矩阵；(3)在融合模块中，利用矩阵融合的方式将特征提取模块得到的特征矩阵和关系学习模块得到的关系矩阵深度融合；(4)在图像分类器模块，将上述融合后的图像特征输入分类器中的池化操作、归一化、交叉熵损失的三个流程，得到最终的图像分类预测结果。本发明有效解决了类间相似目标之间难以辨别的问题。

公开(公告)号：CN119445642A

公开(公告)日：2025-02-14

申请号：CN202411374955.3

申请日：2024-09-30

Applicant: 北京工业大学

Inventor： 李建强 ,  夏锐禹 ,  付光晖 ,  徐曦 ,  赵琳娜 ,  程文秀 ,  刘素芹

IPC: G06V40/18 ,  G06V10/26 ,  G06N3/0464

Abstract: 一种基于拓扑交并约束损失的人眼多类分割方法属于计算机视觉领域，解决不同标签之间的拓扑结构表示。在分割模型的基础上，引入人体眼睛结构的先验知识，以拓扑交并约束损失函数形式来指导多类标签的分割图像。分割模型外部再接入一个最大池化层，在最大池化层中引入拓扑约束，最大池化差异和拓扑区域约束组成拓扑交并约束损失。此损失分为两个模块，模块一是最大池化差异，包括归一化输入和目标张量，以及使用不同的内核和步幅对预测图像和标注图像进行最大池化，计算池化预测与各通道标签的差值。模块二是拓扑区域约束，引入附加拓扑条件保证巩膜包含虹膜，虹膜包含瞳孔，巩膜与瞳孔互斥。将池化差异和拓扑约束组合成最终的拓扑交并约束损失。