公开(公告)号：CN118071613A

公开(公告)日：2024-05-24

申请号：CN202410026634.8

申请日：2024-01-08

Applicant: 哈尔滨理工大学

Inventor： 俞越 ,  王小玉 ,  兰诣伟

IPC: G06T5/50 ,  G06T5/60 ,  G06V10/44 ,  G06V10/771 ,  G06V10/82 ,  G06V10/52 ,  G06N3/045

Abstract: 本文提出了一种基于拉普拉斯金字塔和自注意力机制的灰色与彩色图像融合方法。该方法结合了拉普拉斯金字塔和自注意力机制的优势，旨在实现对医疗图像中灰色图像和彩色图像的有效融合。在处理待融合的图像之前使用空域细节增强方法进行细节增强处理，然后分别构建拉普拉斯金字塔。通过对每个图像进行高斯模糊和下采样操作，得到不同尺度上的图像金字塔。然后，对每个金字塔层进行自注意力计算。通过计算每个金字塔层中的像素与其他像素之间的相似度，确定它们之间的关联程度，并根据相似度分配不同的权重。将自注意力计算得到的权重与金字塔层进行加权融合。最后，通过对融合后的图像金字塔进行上采样和差值操作，重建出最终的融合图像。这种图像融合算法能够充分利用拉普拉斯金字塔的多尺度细节信息和自注意力机制的关联性，在医学彩色图像与灰度图像融合处理方案中具有保留了彩色图像的丰富信息、提高对比度和清晰度、自适应融合不同区域以及提高诊断和分析能力等优势。本发明为医疗图像融合提供了一个有效的解决方法。

公开(公告)号：CN118429643A

公开(公告)日：2024-08-02

申请号：CN202410607573.4

申请日：2024-05-15

Applicant: 哈尔滨理工大学

Inventor： 马宇龙 ,  王小玉 ,  俞越

IPC: G06V10/26 ,  G06V10/52 ,  G06V10/80 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于Deeplabv3+改进的轻量化高效语义分割算法，通过使用轻量级的主干网络，极大地减少了模型的参数量并获取不同层次的输入特征；浅层特征中引入注意力机制提高模型的感知能力，并最终将浅层特征融合；提出一种新的空洞空间卷积池化金字塔模块，并在特征融合后引入空间注意力机制提升精度；最后浅层特征和深层特征拼接后1×1卷积块进行处理；从而在模型参数量、计算效率和分割精度上取得了良好的均衡。

公开(公告)号：CN118537219A

公开(公告)日：2024-08-23

申请号：CN202410026619.3

申请日：2024-01-08

Applicant: 哈尔滨理工大学

Inventor： 俞越 ,  王小玉 ,  臧家彤 ,  岳思莹

IPC: G06T3/4053 ,  G06T3/4046 ,  G06T11/40 ,  G06V10/44 ,  G06V10/771 ,  G06V10/82 ,  G06V10/52 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明公开了一种基于多路径特征增强的图像超分辨率重建方法，包括：对已有数据集样本采用数据增强技术，增加训练数据的多样性。之后在浅层特征处理模块和深层特征处理模块之间引入多尺度预处理模块，以增强特征的丰富性和表达力。深层特征提取模块采用多路径学习的思想，在网络中使用多分支残差模块RDB和MSRN，两个分支使用不同大小的卷积核，获取从局部细节到全局结构的不同层次的信息，并将改进的双重注意力模块应用于网络中，实现更细粒度的特征提取，本发明充分利用图像特征的依赖性和相关性，更有效地获取和融合图像中的多层次、多样性特征，得到的高分辨率图像细节纹理更加优秀、色彩还原度更高。

公开(公告)号：CN117391993A

公开(公告)日：2024-01-12

申请号：CN202311328769.1

申请日：2023-10-14

Applicant: 哈尔滨理工大学

Inventor： 杨智博 ,  王小玉 ,  俞越

IPC: G06T5/70 ,  G06T5/50 ,  G06T3/04 ,  G06T7/90 ,  G06T11/00 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06N3/0464

Abstract: 本发明公开了一种基于扩散模型和生成对抗网络的图像自动上色方法，包括：对现有数据集进行数据增强，以增加训练数据集的多样性，同时对数据集图像进行裁剪，使得数据集中图像的尺寸保持一致，并复制彩色图像，去掉副本图像中的颜色信息，得到成对的灰度‑彩色图像数据集；引入了预训练去噪扩散概率模型（DDPM）作为生成网络，解决传统生成对抗网络生成器预测色彩信息能力较弱，执行图像上色任务时，生成图像的颜色丰富度不足而引起的整体视觉效果不佳的问题；生成网络输入原始灰度图像，输出色彩鲜艳丰富的彩色图像，得到的生成图像与原始彩色图像一起送入判别网络来判别真伪，利用损失函数对生成网络G和判别网络D进行训练，直至判别器无法分辨生成图像的真伪时，训练结束。本发明能够在生成对抗网络中引入扩散模型的同时，进一步提升颜色预测能力，使网络能在图像上色任务中有更好的表现，得到的图像色彩更加丰富且与图像的内容结构以及细节纹理更加相配，整体视觉效果更好。

公开(公告)号：CN118230052A

公开(公告)日：2024-06-21

申请号：CN202410423610.6

申请日：2024-04-09

Applicant: 哈尔滨理工大学

Inventor： 郭璐瑶 ,  王小玉 ,  俞越

IPC: G06V10/764 ,  G06T7/90 ,  G06V10/44 ,  G06T7/00 ,  G06T7/136 ,  G06V10/82 ,  G06N3/045 ,  G06T7/11

Abstract: 本发明涉及宫颈病理全景图像分类技术，旨在提出一种多模态集成诊断方案，填补目前视觉语言技术在宫颈组织病理诊断的应用空白，提升宫颈组织病理诊断效率。现有视觉语言模型通常在大规模图像文本对上进行训练，具备较强的表征能力，泛化能力和迁移能力。然而，这种方式在宫颈组织病理学领域面临挑战，由于数据的私密性高、标注成本高以及专家经验难复制等问题，难以构建大规模图像文本对。针对这些问题，本发明提出基于视觉引导及语言提示的宫颈全景图像少样本分类方法。实验结果显示，该方法能够有效识别宫颈组织病理学特征，并给出病理学诊断依据和诊断结果。本发明在宫颈组织病理学诊断领域具有广阔的应用前景。

公开(公告)号：CN116542878A

公开(公告)日：2023-08-04

申请号：CN202310543976.2

申请日：2023-05-15

Applicant: 哈尔滨理工大学

Inventor： 田昊 ,  王小玉 ,  俞越

IPC: G06T5/00 ,  G06T5/20 ,  G06T5/40 ,  G06N3/006

Abstract: 本发明公开了图像去雾改进算法。通过matlab语言获取含雾图像的基本信息，其中包括：图像大小、清晰度、去雾范围等基本信息，同时利用直方图局部拉伸提升图像的清晰度。本发明包括一个基于暗通道先验算法和一个基于粒子群搜索算法。其中粒子群搜索算法，用于求取图像的最佳保留因子，将保留因子带入暗通道先验算法中进行对图像原模型的构建。实验表明，该算法在去雾效率与去雾时间上有很好的提升效果。

公开(公告)号：CN115631400A

公开(公告)日：2023-01-20

申请号：CN202211459753.X

申请日：2022-11-21

Applicant: 哈尔滨理工大学

Inventor： 王小玉 ,  魏钰鑫 ,  俞越

IPC: G06V20/00 ,  G06V10/40 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于CenterNet改进的多尺度特征融合的小目标检测方法，通过更换高分辨率主干网络获取高分辨率特征图，来缓解小目标物体像素少、分辨率低导致模型对小目标物体检测性能差的问题，通过使用层级多尺度特征模块以及细粒度级多尺度特征融合模块两个相结合的方式来增强网络模型的多尺度表达能力，提高小目标物体的特征质量，同时提升了模型对多尺度目标的检测鲁棒性，从而提升小目标的检测性能。本发明能够在减少模型参数，提高网络推理速度的同时，更好地增强模型对多尺度特征的表达能力，不仅提升了模型对小目标物体的检测能力，同时也提高了大目标物体的检测能力。

公开(公告)号：CN119027365A

公开(公告)日：2024-11-26

申请号：CN202410902564.8

申请日：2024-07-07

Applicant: 哈尔滨理工大学

Inventor： 洪振龙 ,  王小玉 ,  俞越

IPC: G06T7/00 ,  G16H50/20 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/096 ,  G06N3/0895 ,  G06N3/0985

Abstract: 一种基于诊断结果引导伪标签与统一数据增强的半监督宫颈异常细胞长尾重采样检测方法，本发明涉及宫颈异常细胞检测中，全景图像存在大量无标注的数据，并且异常细胞数据标注困难且异常细胞存在长尾分布，导致数据无法充分利用，异常检出率和召回率低问题。半监督学习技术通过使用少量标记数据和大量未标记数据来学习信息，在医疗图像领域有着广泛的应用。由于全景图像的实例级别的异常细胞信息与全景图像诊断结果是息息相关的，半监督检测方法往往只考虑实例级别的标签，而忽略作为全局信息的诊断结果，这些因素导致了现有深度学习半监督目标检测方法的准确率低。为改善这一问题，本发明提出一种基于诊断结果引导伪标签与统一数据增强的半监督宫颈异常细胞长尾重采样检测方法。实验表明，该方法能有效地利用病理切片诊断结果的全局信息，减少了伪标签的不确定性，缓解长尾数据分布带来的模型偏置问题，提高了无标注数据的伪标签的可靠性，提升了异常细胞检测的准确率、召回率和平均精度。

公开(公告)号：CN118537370A

公开(公告)日：2024-08-23

申请号：CN202410701527.0

申请日：2024-05-31

Applicant: 哈尔滨理工大学

Inventor： 马鹏源 ,  王小玉 ,  俞越

IPC: G06T7/246 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82

Abstract: 一种基于双分支特征融合网络的多目标跟踪方法，本发明涉及一种基于双分支特征融合网络的多目标跟踪方法，属于多目标跟踪技术领域。旨在解决联合检测与嵌入方法中目标检测和外观嵌入特征提取任务间冲突的问题，同时缓解光照和遮挡引起的身份切换问题。首先提出一种双分支特征融合网络，结合坐标注意力机制，计算每个位置的注意力权重，增强任务对关键特征信息的关注，协调检测和外观嵌入特征提取任务之间的竞争。同时采用多阶段轨迹关联策略，将目标检测结果按照置信度分层，使用不同的相似度距离计算方法进行多阶段匹配，降低不同置信度目标之间的影响。本发明能够有效提高复杂场景下多目标跟踪的准确性和稳定性。

公开(公告)号：CN117456232A

公开(公告)日：2024-01-26

申请号：CN202311328771.9

申请日：2023-10-15

Applicant: 哈尔滨理工大学

Inventor： 臧家彤 ,  王小玉 ,  俞越

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/40 ,  G06V10/80 ,  G06N3/048 ,  G06N3/045 ,  G06N3/0895

Abstract: 本发明公开了一种基于多尺度特征的半监督少样本图像分类方法，涉及图像分类领域。本发明的技术要点包括：方向感知双重注意力模块通过注意力机制，在通道和空间维度上学习特征贡献，提高学习效率。多尺度特征融合模块通过分组和跨组连接，融合多尺度特征，避免特征丢失。伪标签实例选择方法通过分类器损失值分布和稀疏性参数，提高伪标签质量。本发明通过整合不同表示形式提高了少样本图像分类的准确性，减少噪声、提取多尺度特征，并选择高质量伪标签，提升分类性能。本发明在少样本图像分类中取得的效果相比于传统方法更好。