-
公开(公告)号：CN110096202A
公开(公告)日：2019-08-06
申请号：CN201910330259.5
申请日：2019-04-23
Applicant: 华中师范大学
IPC: G06F3/0484 , G06T7/10
Abstract: 本发明公开了一种基于深度强化学习的轻量级图像自动裁剪系统及方法，该系统包括环境、动作空间以及嵌入所述环境中的智能体；其中，环境为智能体提供当前观察，计算裁剪动作的实际奖励值和对当前观察图像执行裁剪动作，并更新当前观察；智能体包含预训练卷积神经网络MobileNetV2模型与两个全连接层，用于图像特征提取、输出裁剪动作值与估计状态价值；动作空间根据智能体输出的裁剪动作值，为环境提供实际裁剪动作；本发明的智能体能够自动学习如何做出序列裁剪动作，并使用环境计算的IOU值作为奖励函数，使用更少的裁剪步骤及更短的裁剪时间即可达到SOTA性能。
-
公开(公告)号：CN111862253B
公开(公告)日：2023-09-15
申请号：CN202010672560.7
申请日：2020-07-14
Applicant: 华中师范大学
IPC: G06T11/00 , G06N3/0464 , G06N3/084 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明提供一种基于深度卷积生成对抗网络的草图着色方法及系统，包括：S100，利用灰度图生成器GGN提取草图的特征，并对草图特征反卷积生成草图对应的灰度图；S110，利用彩色图生成器CGN对所述灰度图和用户对所述草图的涂鸦信息进行特征提取，对提取的灰度图和涂鸦信息的特征反卷积生成相应的彩色图；所述GGN和CGN均属于深度卷积生成对抗网络，本发明在着色阶段CGN网络中，巧妙地利用与训练模型提取草图的高级特征并输入到CGN中，使CGN网络不仅获得了灰度图的特征，而且得到了草图的特征，使得着色结果更加准确。
-
Patent Agency Ranking
公开(公告)号：CN115187513A
公开(公告)日：2022-10-14
申请号：CN202210665816.0
申请日：2022-06-13
Applicant: 华中师范大学
Abstract: 本发明属于医学图像分类领域，提供一种基于MRI不同尺度特征的Tri‑UNet大脑年龄预测方法，提出了一个基于3D ResNet和3DU‑Net的网络模型Tri‑UNet，用于大脑年龄预测任务，其中，U‑Net多层编解码结构能够结合深层特征和浅层特征，从而更好地学习输入特征的上下文语意信息，在提高预测准确率的同时还能学习到精细化的特征；ResNet中的残差结构可以将端到端的特征映射转换为残差映射，从而更好地学习前后层网络的特征信息，提高预测精度。
-
公开(公告)号：CN113763406A
公开(公告)日：2021-12-07
申请号：CN202110859051.X
申请日：2021-07-28
Applicant: 华中师范大学
Abstract: 本发明属于医学图像分割领域，提供一种基于半监督学习的婴儿脑MRI分割方法，该方法利用三维SRGAN模型将正常分辨率的MRI生成为高分辨率的MRI，然后将正常分辨率的MRI和提高分辨率的MRI共同输入到HLUNet模型中进行分割，三维SRGAN模型生成高分辨率的MRI扩充了数据量，提高了婴儿脑组织边界图像分辨率，提高了分割效果。本发明基于半监督学习的脑分割方法，节省了大量的打标签的资源消耗，适用于医学临床场景。
-
公开(公告)号：CN110096202B
公开(公告)日：2020-11-20
申请号：CN201910330259.5
申请日：2019-04-23
Applicant: 华中师范大学
IPC: G06F3/0484 , G06T7/10
Abstract: 本发明公开了一种基于深度强化学习的轻量级图像自动裁剪系统及方法，该系统包括环境、动作空间以及嵌入所述环境中的智能体；其中，环境为智能体提供当前观察，计算裁剪动作的实际奖励值和对当前观察图像执行裁剪动作，并更新当前观察；智能体包含预训练卷积神经网络MobileNetV2模型与两个全连接层，用于图像特征提取、输出裁剪动作值与估计状态价值；动作空间根据智能体输出的裁剪动作值，为环境提供实际裁剪动作；本发明的智能体能够自动学习如何做出序列裁剪动作，并使用环境计算的IOU值作为奖励函数，使用更少的裁剪步骤及更短的裁剪时间即可达到SOTA性能。
-
公开(公告)号：CN111862253A
公开(公告)日：2020-10-30
申请号：CN202010672560.7
申请日：2020-07-14
Applicant: 华中师范大学
Abstract: 本发明提供一种基于深度卷积生成对抗网络的草图着色方法及系统，包括：S100，利用灰度图生成器GGN提取草图的特征，并对草图特征反卷积生成草图对应的灰度图；S110，利用彩色图生成器CGN对所述灰度图和用户对所述草图的涂鸦信息进行特征提取，对提取的灰度图和涂鸦信息的特征反卷积生成相应的彩色图；所述GGN和CGN均属于深度卷积生成对抗网络，本发明在着色阶段CGN网络中，巧妙地利用与训练模型提取草图的高级特征并输入到CGN中，使CGN网络不仅获得了灰度图的特征，而且得到了草图的特征，使得着色结果更加准确。
-
公开(公告)号：CN113763406B
公开(公告)日：2024-04-26
申请号：CN202110859051.X
申请日：2021-07-28
Applicant: 华中师范大学
IPC: G06T7/13 , G06T3/4053 , G06T3/4007 , G06T3/4046 , G06N3/0464 , G06V10/32 , G06T7/00 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/0895 , A61B5/055 , A61B5/00
Abstract: 本发明属于医学图像分割领域，提供一种基于半监督学习的婴儿脑MRI分割方法，该方法利用三维SRGAN模型将正常分辨率的MRI生成为高分辨率的MRI，然后将正常分辨率的MRI和提高分辨率的MRI共同输入到HLUNet模型中进行分割，三维SRGAN模型生成高分辨率的MRI扩充了数据量，提高了婴儿脑组织边界图像分辨率，提高了分割效果。本发明基于半监督学习的脑分割方法，节省了大量的打标签的资源消耗，适用于医学临床场景。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
