-
公开(公告)号：CN117934991B
公开(公告)日：2024-07-05
申请号：CN202410015401.8
申请日：2024-01-05
Applicant: 南昌大学
IPC: G06V10/774 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/094
Abstract: 本发明涉及图像处理技术领域，特别涉及一种基于身份保持的多类面部表情图片生成技术，包括条件生成对抗网络模型训练、多类面部表情图片生成两个步骤。本发明能够根据主体中性表情图片生成包含该主体六类基本不同面部表情(愤怒、厌恶、恐惧、快乐、悲伤、以及惊讶)的面部图片，具有灵活性和实用性；另外，该技术能够在生成主体多类面部表情图片的同时保持主体身份信息，使得生成图片更为自然逼真，具有良好的应用前景。
-
公开(公告)号：CN116152885B
公开(公告)日：2023-08-01
申请号：CN202211540523.6
申请日：2022-12-02
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于特征解耦的跨模态异质人脸识别和原型修复方法，技术路线为：先从输入人脸图片学习到潜在特征空间，并在特征空间中解耦原型特征和源域特征，再用目标域特征替换源域特征，进而解码到像素空间中生成目标域的人脸原型图片。不同于现有跨模态人脸识别技术只关注系统自动识别准确率，本发明引入了跨模态人脸原型修复过程，提供了人工鉴别和比对途径，进而提高了复杂环境下人脸识别系统的鲁棒性。此项发明技术尤其适用于刑事侦查和犯罪识别。发明融合了解耦表征学习与生成对抗学习技术，通过在潜在特征空间中仅解耦原型和域特征，进而在像素空间中自适应地移除了人脸变化信息。
-
公开(公告)号：CN116052872A
公开(公告)日：2023-05-02
申请号：CN202310018729.0
申请日：2023-01-06
Applicant: 南昌大学
Abstract: 本发明公开了一种基于面部表情的帕金森疾病智能数据评估方法和系统，包括步骤：第一，采用StarGAN模型合成帕金森患者的正常面部表情图像；第二，基于FaceQnet模型制定了一个图像质量筛选方案来评估上述合成的面部表情图像质量，挑选出高质量合成面部图像；第三，将PD患者的原始训练数据与高质量合成面部表情图像和公共数据集中图像进行混合，对原始训练数据扩充，训练深度特征提取器，学习提取图像表情特征；第四，将提取的面部表情图像的特征连接起来，然后训练分类器进行PD/非PD分类。本发明提出了一种通过深度学习模型实现基于面部表情的诊断准确率高的体外帕金森诊断方法，大大降低了帕金森患者诊断成本，提高了帕金森诊断效率和准确率。
-
公开(公告)号：CN119418915B
公开(公告)日：2025-04-29
申请号：CN202510031898.7
申请日：2025-01-09
Applicant: 南昌大学
IPC: G16H50/20 , G16H50/70 , G06V40/16 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本申请涉及人工智能辅助疾病检测技术领域，公开了帕金森病评估模型训练方法、系统及帕金森病评估方法，该模型训练方法包括：获取多个样本对象的多类面部表情图像，并为每个样本对象标注真实类别标签（PD患者或非PD患者）；通过初始模型的分支网络模块提取多尺度特征，并利用初始模型的注意力融合模块对多尺度特征进行自适应加权融合，形成面部表情融合特征；通过初始模型的分类模块对面部表情融合特征进行分类，得到预测结果；根据预测结果与真实标签的差异构建联合损失函数，以优化模型的分类性能；基于联合损失函数对初始模型进行训练，最终得到目标帕金森病评估模型。该目标帕金森病评估模型能进一步提升帕金森疾病的评估。
-
公开(公告)号：CN118629632A
公开(公告)日：2024-09-10
申请号：CN202410764544.9
申请日：2024-06-14
Applicant: 南昌大学
IPC: G16H50/20 , G06N3/0455 , G06N3/098 , G16H50/70 , G06F18/24 , G06N3/0464 , G06F18/22
Abstract: 本发明涉及数据处理技术领域，特别涉及一种基于联邦学习模型的帕金森疾病智能评估方法与系统，从三个角度测量客户端贡献，并受启发于经典博弈合作中的贡献计算方式Shapley Value，大大简化了客户端贡献估计的复杂度，在保护隐私的同时，激励多个医疗机构协同训练帕金森疾病诊断模型。本发明一种基于联邦学习模型的帕金森疾病智能评估方法与系统，从梯度下降速率、梯度多样性、数据多样性三个维度估计各个医疗机构的贡献，并在中心服务器聚合模型时，使用此贡献对各个客户端模型加权得到中心模型，实现公平，增加了医疗机构参与训练的意愿，激励各个医疗机构进行联合学习，得到一个更好的帕金森疾病分类模型。
-
Patent Agency Ranking
公开(公告)号：CN117934991A
公开(公告)日：2024-04-26
申请号：CN202410015401.8
申请日：2024-01-05
Applicant: 南昌大学
IPC: G06V10/774 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/094
Abstract: 本发明涉及图像处理技术领域，特别涉及一种基于身份保持的多类面部表情图片生成技术，包括条件生成对抗网络模型训练、多类面部表情图片生成两个步骤。本发明能够根据主体中性表情图片生成包含该主体六类基本不同面部表情(愤怒、厌恶、恐惧、快乐、悲伤、以及惊讶)的面部图片，具有灵活性和实用性；另外，该技术能够在生成主体多类面部表情图片的同时保持主体身份信息，使得生成图片更为自然逼真，具有良好的应用前景。
-
公开(公告)号：CN116052872B
公开(公告)日：2023-10-13
申请号：CN202310018729.0
申请日：2023-01-06
Applicant: 南昌大学
Abstract: 本发明公开了一种基于面部表情的帕金森疾病智能数据评估方法和系统，包括步骤：第一，采用StarGAN模型合成帕金森患者的正常面部表情图像；第二，基于FaceQnet模型制定了一个图像质量筛选方案来评估上述合成的面部表情图像质量，挑选出高质量合成面部图像；第三，将PD患者的原始训练数据与高质量合成面部表情图像和公共数据集中图像进行混合，对原始训练数据扩充，训练深度特征提取器，学习提取图像表情特征；第四，将提取的面部表情图像的特征连接起来，然后训练分类器进行PD/非PD分类。本发明提出了一种通过深度学习模型实现基于面部表情的诊断准确率高的体外帕金森诊断方法，大大降低了帕金森患者诊断成本，提高了帕金森诊断效率和准确率。
-
公开(公告)号：CN119784576B
公开(公告)日：2025-05-16
申请号：CN202510279546.3
申请日：2025-03-11
IPC: G06T3/04 , G06V40/16 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0455
Abstract: 本申请属于图像处理技术领域，公开了基于扩散模型和面部关键点的面部表情迁移方法及系统，该方法包括：获取包括源人脸关键点、目标人脸图像、表情迁移结果的训练样本对；采用Swin Transformer模块替换原始稳定扩散模型的文本编码器，得到改进后的稳定扩散模型；根据改进后的稳定扩散模型的预训练神经网络块，拷贝得到副本网络块，在副本网络块加入零卷积层，得到ControlNet架构；根据改进后的稳定扩散模型和ControlNet架构搭建表情迁移模型；基于训练样本对，使用控制损失函数和依赖时间步长的身份保持损失函数训练表情迁移模型，以生成保留身份特征的表情迁移结果。该方法能够将源人脸图像的面部表情迁移至不同表情的目标人脸的同时保留目标人脸的身份信息。
-
公开(公告)号：CN119784576A
公开(公告)日：2025-04-08
申请号：CN202510279546.3
申请日：2025-03-11
IPC: G06T3/04 , G06V40/16 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0455
Abstract: 本申请属于图像处理技术领域，公开了基于扩散模型和面部关键点的面部表情迁移方法及系统，该方法包括：获取包括源人脸关键点、目标人脸图像、表情迁移结果的训练样本对；采用Swin Transformer模块替换原始稳定扩散模型的文本编码器，得到改进后的稳定扩散模型；根据改进后的稳定扩散模型的预训练神经网络块，拷贝得到副本网络块，在副本网络块加入零卷积层，得到ControlNet架构；根据改进后的稳定扩散模型和ControlNet架构搭建表情迁移模型；基于训练样本对，使用控制损失函数和依赖时间步长的身份保持损失函数训练表情迁移模型，以生成保留身份特征的表情迁移结果。该方法能够将源人脸图像的面部表情迁移至不同表情的目标人脸的同时保留目标人脸的身份信息。
-
公开(公告)号：CN116152885A
公开(公告)日：2023-05-23
申请号：CN202211540523.6
申请日：2022-12-02
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于特征解耦的跨模态异质人脸识别和原型修复方法，技术路线为：先从输入人脸图片学习到潜在特征空间，并在特征空间中解耦原型特征和源域特征，再用目标域特征替换源域特征，进而解码到像素空间中生成目标域的人脸原型图片。不同于现有跨模态人脸识别技术只关注系统自动识别准确率，本发明引入了跨模态人脸原型修复过程，提供了人工鉴别和比对途径，进而提高了复杂环境下人脸识别系统的鲁棒性。此项发明技术尤其适用于刑事侦查和犯罪识别。发明融合了解耦表征学习与生成对抗学习技术，通过在潜在特征空间中仅解耦原型和域特征，进而在像素空间中自适应地移除了人脸变化信息。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.032 seconds)
