-
公开(公告)号：CN112614113B
公开(公告)日：2025-01-10
申请号：CN202011569750.2
申请日：2020-12-26
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于深度学习的带钢缺陷检测方法，基于U‑Net的编码器，编码器通过反复的卷积操作提取图像中的特征，并进行五次下采样操作，提取不同尺度的特征。解码器部分与编码器对称，接受了编码器的输出，进行五次上采样，并且每次上采样得到的结果会与编码器同尺度的特征图进行拼接。下采样前使用高斯低通滤波器，去除其中的高频信息，防止因特征图原频率过高，出现混叠现象，导致特征图出现偏差。被去除的高频信息中蕴含了原图的细节信息，这些细节信息对带钢小型缺陷的检测至关重要，直接舍弃会影响效果。本方法将这些高频信息进一步加回到模型解码器的特征图上，产生更精细的分割效果。
-
Patent Agency Ranking
公开(公告)号：CN110276402B
公开(公告)日：2021-06-11
申请号：CN201910552738.1
申请日：2019-06-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于深度学习语义边界增强的盐体识别方法，本发明除了关注语义图像的识别功能，同样也对语义边界的提取进行了训练，增强语义图像的识别效果。由于网络获得了边界提取的相关能力，模型输出的语义图像边界会因此变得更加清晰，增加准确率。而且语义边界识别的特征也会直接显示地输入到语义图像提取的过程之中，以对盐体识别结果进行直接的监督与加强。语义图像提取网络中的注意力模块scSE也让模型在训练过程中自行学习，获取每个特征的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，显式地建模特征通道之间的相互依赖关系，也让模型更加稳定。本方法可以比较高效准确的对地质盐层图像进行分割。
-
公开(公告)号：CN112614113A
公开(公告)日：2021-04-06
申请号：CN202011569750.2
申请日：2020-12-26
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于深度学习的带钢缺陷检测方法，基于U‑Net的编码器，编码器通过反复的卷积操作提取图像中的特征，并进行五次下采样操作，提取不同尺度的特征。解码器部分与编码器对称，接受了编码器的输出，进行五次上采样，并且每次上采样得到的结果会与编码器同尺度的特征图进行拼接。下采样前使用高斯低通滤波器，去除其中的高频信息，防止因特征图原频率过高，出现混叠现象，导致特征图出现偏差。被去除的高频信息中蕴含了原图的细节信息，这些细节信息对带钢小型缺陷的检测至关重要，直接舍弃会影响效果。本方法将这些高频信息进一步加回到模型解码器的特征图上，产生更精细的分割效果。
-
公开(公告)号：CN108898175B
公开(公告)日：2020-11-20
申请号：CN201810665639.X
申请日：2018-06-26
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开了基于深度学习胃癌病理切片的计算机辅助模型构建方法，属于人工智能技术领域。本方法使用了一个121层稠密连接卷积神经网络进行图像的识别。DenseNet中的稠密块结构让网络的高层部分获取到浅层特征，很好地减轻过拟合现象。同时该模型层数较多，能拟合出更为复杂、更加光滑的决策函数。尽管层数很多，但该模型的参数数量并不多，很好地节约了资源占用。为进一步避免过拟合，采用了迁移学习的训练机制。模型会先在ImageNet数据集上进行预训练，让模型获得很强的图像特征提取能力，在正式训练时模型的主要优化就能更好地集中在如何提取患病区域的特征，极大地提高数据的利用效率。
-
公开(公告)号：CN110276402A
公开(公告)日：2019-09-24
申请号：CN201910552738.1
申请日：2019-06-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于深度学习语义边界增强的盐体识别方法，本发明除了关注语义图像的识别功能，同样也对语义边界的提取进行了训练，增强语义图像的识别效果。由于网络获得了边界提取的相关能力，模型输出的语义图像边界会因此变得更加清晰，增加准确率。而且语义边界识别的特征也会直接显示地输入到语义图像提取的过程之中，以对盐体识别结果进行直接的监督与加强。语义图像提取网络中的注意力模块scSE也让模型在训练过程中自行学习，获取每个特征的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，显式地建模特征通道之间的相互依赖关系，也让模型更加稳定。本方法可以比较高效准确的对地质盐层图像进行分割。
-
公开(公告)号：CN108898175A
公开(公告)日：2018-11-27
申请号：CN201810665639.X
申请日：2018-06-26
Applicant: 北京工业大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K2209/05
Abstract: 本发明公开了基于深度学习胃癌病理切片的计算机辅助模型构建方法，属于人工智能技术领域。本方法使用了一个121层稠密连接卷积神经网络进行图像的识别。DenseNet中的稠密块结构让网络的高层部分获取到浅层特征，很好地减轻过拟合现象。同时该模型层数较多，能拟合出更为复杂、更加光滑的决策函数。尽管层数很多，但该模型的参数数量并不多，很好地节约了资源占用。为进一步避免过拟合，采用了迁移学习的训练机制。模型会先在ImageNet数据集上进行预训练，让模型获得很强的图像特征提取能力，在正式训练时模型的主要优化就能更好地集中在如何提取患病区域的特征，极大地提高数据的利用效率。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
