-
公开(公告)号：CN111340823B
公开(公告)日：2023-04-07
申请号：CN202010112442.0
申请日：2020-02-24
Applicant: 华侨大学 , 泉州市华工智能技术有限公司
Abstract: 本发明提供了图像处理领域的一种基于模糊熵以及差分进化的乳腺图像分割法，包括如下步骤：步骤S1、获取乳腺图像，设置模糊熵阈值的分割参数；步骤S2、对种群进行初始化；步骤S3、基于所述分割参数，计算初始化种群内个体的模糊熵隶属度函数，进而求取个体的适应值，生成优化种群；步骤S4、对所述优化种群进行变异、交叉以及选择操作；步骤S5、判断当前迭代次数是否大于最大迭代次数，若是，则输出各个体对应的最优的模糊熵隶属度参数，并进入步骤S6；若否，则进入步骤S3；步骤S6、利用所述最优的模糊熵隶属度参数以及双阈值分割法对乳腺图像进行分割。本发明的优点在于：极大的提升了乳腺图像分割的精度和速度，进而提升患者的治疗效果。
-
公开(公告)号：CN110569957A
公开(公告)日：2019-12-13
申请号：CN201910825742.0
申请日：2019-09-03
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司 , 中科永大控股有限公司
IPC: G06N3/00
Abstract: 本发明公开了一种基于人工蜂群算法的优化方法，涉及仿生智能计算与优化领域。本发明采用一种新的初始化策略，从而获得较高质量的初始种群并减少寻优迭代次数；然后提出了两个新的搜索方程，其中一个用于增强局部搜索能力，另一个用于避免后期寻优过程的早熟收敛；进一步地，本发明对基本人工蜂群算法的框架进行了调整。本发明在于提供一种基于人工蜂群算法的优化方法，增强初始种群的多样性和分布性，提高搜索随机性，避免陷入局部最优，改进算法性能，无论在解的精度还是收敛速度方面，效果都有所提高。
-
公开(公告)号：CN108021869A
公开(公告)日：2018-05-11
申请号：CN201711127478.0
申请日：2017-11-15
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明公开的一种结合高斯核函数的卷积神经网络跟踪方法，该方法步骤包括：首先对首帧图像进行归一化处理并聚类提取目标信息，结合跟踪过程中目标背景信息共同作为卷积网络结构中的各阶滤波器，通过高斯核函数来提高卷积运算速度，提取目标简单抽象特征，然后叠加简单层的卷积结果得到目标的深层次表达，最后结合粒子滤波跟踪框架实现跟踪。本发明简化后的卷积网络结构，脱离苛刻深度学习运行环境提取的深度抽象特征，能够有效地应对低分辨率，目标遮挡与形变等场景，提高复杂背景下的跟踪效率。
-
公开(公告)号：CN118964918A
公开(公告)日：2024-11-15
申请号：CN202411228297.7
申请日：2024-09-03
Applicant: 华侨大学
IPC: G06F18/211 , G06F18/214 , G06F18/24
Abstract: 本发明公开了一种基于特征选择的多情感音乐数据分类方法、装置及可读介质，包括：基于若干个具有已知情感标签的多情感音乐数据构造出特征空间矩阵和标记空间矩阵；从特征空间矩阵随机生成特征选择矩阵，基于特征空间矩阵和特征选择矩阵构造出具有结构化子空间的流形学习框架，通过潜在子空间探索音乐数据的相关性并构造出多情感音乐数据的几何结构，基于标记空间矩阵构造标记相关性模型，根据流形学习框架、几何结构和标记相关性模型构造出目标函数，对目标函数进行求解，得到优化后的特征选择矩阵，基于优化后的特征选择矩阵确定特征子集，基于特征子集训练分类器，经训练的分类器便可以对音乐数据进行分类，得到情感分类结果，能提高分类性能。
-
公开(公告)号：CN111340823A
公开(公告)日：2020-06-26
申请号：CN202010112442.0
申请日：2020-02-24
Applicant: 华侨大学 , 泉州市华工智能技术有限公司
Abstract: 本发明提供了图像处理领域的一种基于模糊熵以及差分进化的乳腺图像分割法，包括如下步骤：步骤S1、获取乳腺图像，设置模糊熵阈值的分割参数；步骤S2、对种群进行初始化；步骤S3、基于所述分割参数，计算初始化种群内个体的模糊熵隶属度函数，进而求取个体的适应值，生成优化种群；步骤S4、对所述优化种群进行变异、交叉以及选择操作；步骤S5、判断当前迭代次数是否大于最大迭代次数，若是，则输出各个体对应的最优的模糊熵隶属度参数，并进入步骤S6；若否，则进入步骤S3；步骤S6、利用所述最优的模糊熵隶属度参数以及双阈值分割法对乳腺图像进行分割。本发明的优点在于：极大的提升了乳腺图像分割的精度和速度，进而提升患者的治疗效果。
-
Patent Agency Ranking
公开(公告)号：CN109146864A
公开(公告)日：2019-01-04
申请号：CN201810909346.1
申请日：2018-08-10
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
CPC classification number: G06T7/0012 , G06K9/6215 , G06N3/006 , G06T7/136 , G06T2207/30068
Abstract: 本发明涉及图像处理与优化领域，尤其涉及一种基于模糊熵的差分进化算法对乳腺图像进行分割的方法。首先，结合图像的模糊熵，设置图像分割的参数和评价函数，以最大模糊熵作为评估的函数。其次，采用差分进化算法将图像模糊熵的参数作为初始化种群个体，经过变异、交叉和选择三个进化过程对图像模糊熵进行优化，根据最大模糊熵准则，确定分割图像的最优阈值。最后，应用最大模糊熵和双阈值分割方法对乳腺图像进行分割。通过与其他算法对比测试，本发明算法在结构相似度和特征相似度上都是最优的分割结果，具有较高的准确性，并且接近于专家手动分割的结果。
-
公开(公告)号：CN108564592A
公开(公告)日：2018-09-21
申请号：CN201810178714.X
申请日：2018-03-05
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明公开了一种基于动态多种群集成差分进化算法的图像分割方法，在种群结构规划方面采用原始种群进行划分和重新分配子种群机制，保证种群进化过程的多样性和避免出现局部最优现象；在变异策略上采用局部搜索变异和全局搜索变异相结合，以此来达到种群勘测最优阈值和加快收敛的平衡；还通过交叉概率因子的抛物线式的动态递增变化，有效地针对了标准差分进化算法固定参数带来的不足。通过与其他进化算法在基准测试集上的比较结果可以明显看出改进后算法寻优和收敛速度的显著性，并将改进后的差分进化算法应用于图像的分割，无论在准确度还是速度都有效果显著。
-
公开(公告)号：CN119149982B
公开(公告)日：2025-04-01
申请号：CN202411658867.6
申请日：2024-11-20
Applicant: 华侨大学
IPC: G06F18/211 , G06F16/35
Abstract: 本发明涉及一种标记松弛的多主题文本数据特征选择方法，涉及自然语言处理技术领域，方法包括：给定由特征空间和标记空间组成的多主题文本数据；使用非负标记松弛矩阵获得松弛后的标记空间；构建特征选择矩阵并进行分解得到结构化子空间和因子矩阵，挖掘特征之间和标记之间的结构化关系；构造损失函数并施加范数约束，对特征选择矩阵进行范数稀疏正则化，基于此构建总目标函数；再通过迭代求解总目标函数，获得最终特征选择矩阵；最后，利用最终特征选择矩阵选择特征以表征原始文本数据。本发明通过标记松弛、结构化子空间分解、稀疏正则化等技术手段，显著提高了多主题文本数据特征选择的准确性、解释性、泛化能力和计算效率。
-
公开(公告)号：CN119251250B
公开(公告)日：2025-03-25
申请号：CN202411780066.7
申请日：2024-12-05
Applicant: 华侨大学
IPC: G06T7/194 , G06T7/00 , G06N3/0455 , G06V10/44 , G06V10/80
Abstract: 本发明涉及图像处理技术领域，公开了基于Transformer的宫颈癌病理图像癌变组织的分割方法及系统，方法包括：采集宫颈癌病理图像并进行标注，获得宫颈癌病理图像数据集；使用DeepLabV3+作为主干网络构建宫颈癌病理图像分割网络，其中，在编码器中添加多特征Transformer单元以提取不同尺度的语义信息，且减少全局注意力计算中的冗余性；使用宫颈癌病理图像数据集对所述宫颈癌病理图像分割网络进行训练；使用训练好的宫颈癌病理图像分割网络对宫颈癌病理图像中的肿瘤和背景部分进行分割。本发明在分割宫颈癌病理图像时具有较高的准确率和较快的运行速度。
-
公开(公告)号：CN119251050A
公开(公告)日：2025-01-03
申请号：CN202411283089.7
申请日：2024-09-13
Applicant: 华侨大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06F17/16
Abstract: 本发明公开了一种基于混合池化Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：构建基于混合池化Transformer的轻量级图像超分辨率模型并训练，得到经训练的轻量级图像超分辨率模型；获取待重建的低分辨率图像和尺度因子并输入到经训练的轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一卷积层的输出特征，第一卷积层的输出特征经过若干个基于混合池化的Transformer模块后，得到最后一个基于混合池化的Transformer模块的输出特征，最后一个基于混合池化的Transformer模块的输出特征与第一卷积层的输出特征相加后依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像。本发明解决了现有Transformer方法计算复杂度过高的问题。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.018 seconds)
