-
公开(公告)号：CN115908250A
公开(公告)日：2023-04-04
申请号：CN202211241392.1
申请日：2022-10-11
Applicant: 同济大学
Abstract: 一种基于双主干网络的RGB‑D图像显著性目标检测方法，基于双主干网络的RGB‑D显著性目标检测模型，通过隐‑显式多模态特征融合网络模块的设计，实现RGB图像和Depth图像特征信息的充分融合，为显著性目标检测做出精准决策。在双主干网络的编码阶段，各网络层间的特征信息通过隐式的双注意力交叉模态融合，实现各模态特征的逐层互补性融合；在编码器的末端，通过设计的空间相关特征的显式再融合模块，进一步加强多模态特征的融合效果；在解码器阶段，两次融合的特征又依次进行特征的解码，进而得到边缘清晰、定位准确的显著性目标检测结果。通过设计一个多模态特征学习网络，实现RGB图像和Depth图像两种模态数据的充分融合，提高基于RGB‑D图像的显著性目标检测效果。
-
公开(公告)号：CN114302321B
公开(公告)日：2022-10-14
申请号：CN202111483695.X
申请日：2021-12-07
Applicant: 同济大学
IPC: H04W4/02 , H04W4/029 , H04W12/04 , H04W12/069
Abstract: 本发明提供一种隐藏锚节点位置信息的隐私保护定位方法。该方法使用密钥共享技术，使锚节点的位置信息在无线定位过程中无法被其他节点包括服务器获知。在定位过程中，服务器为每个锚节点分配一个非零参数，每个锚节点将包含自身位置信息的隐私输入构建成对应于每个锚节点的非零参数的密钥多项式，并将多项式的数值发布给对应的其他锚节点；每个锚节点将从其他锚节点处接收到的所有多项式数值求和后发送给服务器；服务器根据接收到的数值构建方程组，进一步求解得到待定位节点的位置坐标。本发明通过密钥共享技术，可以有效地保护无线网络定位系统中锚节点的位置隐私安全，避免因位置泄露而导致的不可估量的后果。
-
公开(公告)号：CN113537395B
公开(公告)日：2022-07-08
申请号：CN202110909914.X
申请日：2021-08-09
Applicant: 同济大学
Abstract: 一种基于眼底图像的糖尿病性视网膜病变图像识别方法，眼底图片的病变区域与周围正常区域往往会呈现视觉上较为明显的不同特征，这些区域为感兴趣区域；考虑糖尿病性视网感兴趣区域，在传统分类网络中融合注意力机制算法；使用并改进Arcface loss的思路，对类别之间的渐进关系建模，使得模型对数据分布敏感。本发明考虑了医学图像的特征，在深度学习网络中融合了注意力特征，使得模型能够关注图像中的感兴趣区域，在数据规模有限的情况下也能收获较好的效果；此外，还考虑了糖尿病性视网膜图像不同类别之间的距离渐进关系，根据类别间距离建模，提出W‑Arcface loss，根据样本类别与真实标签的距离，动态调整Arcface loss中的惩罚项，进一步提升分类准确率。
-
公开(公告)号：CN114170426A
公开(公告)日：2022-03-11
申请号：CN202111310276.6
申请日：2021-11-04
Applicant: 同济大学
Abstract: 本发明公开了一种基于代价敏感的稀有肿瘤类别小样本分类的算法模型。现有的小样本学习方法大都忽略了特征空间的特殊性与迁移性，本发明则重点关注于此，构建的特征存储与筛选模块让前一阶段预训练中的特征能被后一阶段的元学习充分利用。首先，构建一个传统的深度学习神经网络进行预训练，对类似任务的非稀有类别数据集进行学习，冻结预训练模型的参数并存储预训练样本中每个类别的特征原型以及特征方差。接下来，通过Transformer编码当前特征与上一阶段选择出来的类别原型之间的关系，进而生成基于当前特征的新特征用于小样本分类器的分类。并在元学习过程中引入了可学习的代价敏感函数，从而使网络对稀有类别的样本更加具有敏感性。
-
公开(公告)号：CN112767277A
公开(公告)日：2021-05-07
申请号：CN202110107628.1
申请日：2021-01-27
Applicant: 同济大学
Abstract: 本发明公开了一种基于参考图像的深度特征排序去模糊方法。现有去模糊方法只应用于模糊图像，难以恢复结构及细节信息，本发明引入参考图像，利用参考图像中清晰的结构信息和丰富的细节信息辅助于去模糊过程得到潜在清晰图像。首先，将模糊图像和参考图像转变为对应特征空间的特征图，并计算参考图像特征中每一个元素与模糊图像特征的相关性；然后，该相关性特征图分别通过浅层神经网络与最大池化，对相关性特征图排序，其中，排序在前的特征图表示参考图像与模糊图像相关性强，反之亦然；最后，将排序后的特征图选取固定数量的特征图用于特征重建并将特征空间的特征图转化为图像空间的图像，得到潜在清晰图像。
-
Patent Agency Ranking
公开(公告)号：CN114331884A
公开(公告)日：2022-04-12
申请号：CN202111581296.7
申请日：2021-12-22
Applicant: 同济大学
Abstract: 本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。
-
公开(公告)号：CN112767277B
公开(公告)日：2022-06-07
申请号：CN202110107628.1
申请日：2021-01-27
Applicant: 同济大学
Abstract: 本发明公开了一种基于参考图像的深度特征排序去模糊方法。现有去模糊方法只应用于模糊图像，难以恢复结构及细节信息，本发明引入参考图像，利用参考图像中清晰的结构信息和丰富的细节信息辅助于去模糊过程得到潜在清晰图像。首先，将模糊图像和参考图像转变为对应特征空间的特征图，并计算参考图像特征中每一个元素与模糊图像特征的相关性；然后，该相关性特征图分别通过浅层神经网络与最大池化，对相关性特征图排序，其中，排序在前的特征图表示参考图像与模糊图像相关性强，反之亦然；最后，将排序后的特征图选取固定数量的特征图用于特征重建并将特征空间的特征图转化为图像空间的图像，得到潜在清晰图像。
-
公开(公告)号：CN114723669B
公开(公告)日：2025-04-15
申请号：CN202210227648.7
申请日：2022-03-08
Applicant: 同济大学
IPC: G06T7/00 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法。本发明结合二维网络和三维网络提出基于上下文感知的二点五维分割网络模型，在综合利用上下文信息的同时有效降低计算成本。一方面将多张连续切片作为网络输入，另一方面在编码器部分使用三维卷积提取深层特征和片间特征，从而利用层间连续性来优化分割结果，同时在特征提取网络顶层使用空洞空间卷积池化模块来引入全局语义信息，缓解分割目标尺度差异较大的问题。此外，在解码器部分使用二维网络降低参数量，在网络中使用深度可分离卷积代替常规卷积来降低运算成本，同时结合类别交叉熵损失函数和Dice损失函数设计的加权损失函数也能够进一步改善医学图像中的类别不均衡问题。
-
公开(公告)号：CN114170426B
公开(公告)日：2025-03-21
申请号：CN202111310276.6
申请日：2021-11-04
Applicant: 同济大学
IPC: G06F17/40 , G06V10/40 , G06V10/764 , G06V10/82 , G16H30/20
Abstract: 本发明公开了一种基于代价敏感的稀有肿瘤类别小样本分类的方法。现有的小样本学习方法大都忽略了特征空间的特殊性与迁移性，本发明则重点关注于此，构建的特征存储与筛选模块让前一阶段预训练中的特征能被后一阶段的元学习充分利用。首先，构建一个传统的深度学习神经网络进行预训练，对类似任务的非稀有类别数据集进行学习，冻结预训练模型的参数并存储预训练样本中每个类别的特征原型以及特征方差。接下来，通过Transformer编码当前特征与上一阶段选择出来的类别原型之间的关系，进而生成基于当前特征的新特征用于小样本分类器的分类。并在元学习过程中引入了可学习的代价敏感函数，从而使网络对稀有类别的样本更加具有敏感性。
-
公开(公告)号：CN114331884B
公开(公告)日：2025-03-18
申请号：CN202111581296.7
申请日：2021-12-22
Applicant: 同济大学
Abstract: 本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典#imgabs0#所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.019 seconds)
