-
公开(公告)号：CN115192048A
公开(公告)日：2022-10-18
申请号：CN202210851305.8
申请日：2022-07-20
申请人： 常州大学
摘要： 本发明涉及SVR算法技术领域，尤其涉及一种用于肌电‑握力预测的改进SVR方法及装置，包括分别采集正常侧手臂的肌电信号和握力信号；对肌电信号和握力信号进行预处理、特征提取，构建特征提取后的肌电信号和握力信号的训练集和测试集；通过训练集数据训练出改进SVR模型。本发明通过正常侧指套装置抓取物体，采集物体对应的握力值与正常侧肌电值，通过麻雀搜索算法对SVR模型改进，建立肌电与握力预测模型；并实时采集患侧抓取物体时的握力，通过比较抓取相同物体时正常侧与患侧握力的差值，对患侧的握力进行补偿。
-
公开(公告)号：CN118967641A
公开(公告)日：2024-11-15
申请号：CN202411099144.7
申请日：2024-08-12
申请人： 常州大学
IPC分类号： G06T7/00 , G06T7/11 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明涉及图像处理技术领域，尤其涉及基于DDet模型的超声肝脏检测追踪方法，包括获取超声肝脏视频，并分割为若干图像帧，并对病变区域进行标注；构建改进DiffusionDet模型，将DiffusionDet模型的ResNet50特征提取网络替换为Mix Transformer网络，增强DiffusionDet模型的全局注意力；提高病变部位识别能力。本发明解决现有图像检测追踪方法无法完整捕获病变部位以及无法捕获较小病变部位的问题。
-
公开(公告)号：CN118379307A
公开(公告)日：2024-07-23
申请号：CN202410412379.0
申请日：2024-04-08
申请人： 常州大学
IPC分类号： G06T7/11 , G06V10/764 , G06V10/40 , G06V10/80 , G06V10/54
摘要： 本发明涉及图像处理技术领域，尤其涉及基于子网注意力和尺度注意力甲状腺结节预测方法，包括获取甲状腺结节超声图像；利用MNATT模块首先将超声图像划分为若干分组，使分组间特征提取独立；其次利用纹理子网强调捕捉甲状腺结节中的纹理特征；再其次利用形状子网强调甲状腺结节的形状特征；并将纹理特征和形状特征进行融合得到空间注意力图；对空间注意力图进行空间加权，得到空间加权特征图；利用特征融合模块将空间加权特征图和空间注意力图进行融合；利用分类模块对融合特征图进行分类；利用可视化模块对融合特征图进行梯度信息提取，输出注意力热图。本发明利用子网注意力和尺度注意力融合，提升甲状腺结节超声图像识别准确性。
-
公开(公告)号：CN114998296A
公开(公告)日：2022-09-02
申请号：CN202210723059.8
申请日：2022-06-24
申请人： 常州大学
摘要： 本发明涉及图像分割技术领域，尤其涉及一种基于改进Unet网络的甲状腺结节分割方法，包括：对公共甲状腺超声图像数据集进行图像大小统一、随机翻转、旋转和增强对比度操作；构建改进Unet网络，首先在Unet网络的前3个下采样卷积中增加自注意力残差连接块；其次在第4个下采样后增加高低频自注意力自适应融合模块；最后在高低频自注意力自适应融合模块之后接入语义增强模块；使用argmax判断像素值属于结节还是背景。本发明为了帮助医生进行准确的甲状腺结节分割，对结节区域进行精确的定位，同时增强全局上下文与局部信息，降低甲状腺结节分割的误差。
-
公开(公告)号：CN112329683A
公开(公告)日：2021-02-05
申请号：CN202011276595.5
申请日：2020-11-16
申请人： 常州大学
摘要： 本发明涉及一种基于注意力机制融合的多通道卷积神经网络人脸表情识别方法，首先通过Viola‑Jones人脸检测器和旋转校正从输入的灰度图像中检测出人脸区域，尽可能减少无关区域对人脸表情识别准确性的影响；其次将检测得到的人脸区域应用到深度图像和局部二值模式图像，得到三种具有互补性的人脸区域数据；然后采用单通道‑特征提取网络分别从三种类型的人脸区域数据中自动提取与表情相关的特征，并将提取得到的特征送入交互注意力融合模块中进行融合，该模块基于交互注意力机制提取任意两种人脸区域特征的空间相关性，从而实现了不同类型人脸区域的有效特征融合；最后将交互注意力融合模块输出的特征再次拼接融合后，通过全连接层进行特征变换，并通过softmax操作最后得到表情识别结果。
-
公开(公告)号：CN112329682A
公开(公告)日：2021-02-05
申请号：CN202011276593.6
申请日：2020-11-16
申请人： 常州大学
摘要： 本发明涉及一种基于穿越动作和交通场景上下文因素的行人穿越马路意图识别方法，首先通过faster‑RCNN进行行人检测，进一步利用行人的运动信息搜索感兴趣目标，提取感兴趣目标的运动序列、周围交通场景序列以及轨迹位置；其次设计了一种三维卷积神经网络来处理感兴趣目标的运动序列，得到与行人穿越马路意图相关的行为特征；然后本发明根据行人所处的局部交通场景的要素以及车辆行驶速度得到两个权重，来修正人‑车距离，并将修正后的距离送到多层感知机进行编码，得到与行人穿越马路意图相关的距离特征；最后将行为特征和距离特征进行信息融合，利用全连接层将融合后的特征降维，并通过softmax操作得到行人是否穿越马路的结果。
-
公开(公告)号：CN118781391A
公开(公告)日：2024-10-15
申请号：CN202410767851.2
申请日：2024-06-14
申请人： 常州大学
IPC分类号： G06V10/764 , G06V10/44 , G06V10/80 , G06N3/0464
摘要： 本发明涉及图像处理技术领域，尤其涉及基于改进YOLOv9和双流网络的结节检测方法，包括获取超声甲状腺结节图像，并标注结节位置和划分若干等级；将图像输入去噪模块，得到去噪后的图像；将去噪后的图像输入YOLOv9模型，进行结节位置检测，得到结节检测框图像；并利用双流网络模块中的结节图提取模块和原图提取模块进行特征提取，得到原图特征图和结节特征提取图，并利用特征融合模块将原图特征图和结节特征提取图进行特征融合，经过分类模块后输出结节的等级。本发明利用改进的YOLOv9模型对结节进行定位检测；利用双流识别模块对甲状腺结节的分险等级进行评估。
-
公开(公告)号：CN112329682B
公开(公告)日：2024-01-26
申请号：CN202011276593.6
申请日：2020-11-16
申请人： 常州大学
IPC分类号： G06V40/10 , G06V10/25 , G06V10/42 , G06V10/764 , G06N3/0464
摘要： 本发明涉及一种基于穿越动作和交通场景上下文因素的行人穿越马路意图识别方法，首先通过faster‑RCNN进行行人检测，进一步利用行人的运动信息搜索感兴趣目标，提取感兴趣目标的运动序列、周围交通场景序列以及轨迹位置；其次设计了一种三维卷积神经网络来处理感兴趣目标的运动序列，得到与行人穿越马路意图相关的行为特征；然后本发明根据行人所处的局部交通场景的要素以及车辆行驶速度得到两个权重，来修正人‑车距离，并将修正后的距离送到多层感知机进行编码，得到与行人穿越马路意图相关的距离特征；最后将行为特征和距离特征进行信息融合，利用全连接层将融合后的特征降维，并通过softmax操作得到行人是否穿越马路的结
-
公开(公告)号：CN112329685A
公开(公告)日：2021-02-05
申请号：CN202011277057.8
申请日：2020-11-16
申请人： 常州大学
摘要： 本发明涉及一种融合型卷积神经网络人群异常行为检测的方法，首先通过卷积神经网络从背景中分离出特定的运动物体；其次提出通过卷积神经网络对基于多尺度信息和多任务学习策略的人群进行计数的算法，前者考虑到图像中人群具有不同尺度信息，通过搭建三通道卷积神经网络进行人群回归计数，后者通过人群密度估计以及人群等级划分利用多任务学习策略提高人群计数的精度；然后通过利用加权卷积自编码‑长短期记忆网络学习正常行为模式，并通过对输入数据与重构数据误差分析进行异常行为检测与定位。最后通过前景分割算法抑制背景噪声的影响，从而进行准确的人群计数，并通过对群体人数进行预判再者对群体异常行为进行预测。
-
公开(公告)号：CN118762176A
公开(公告)日：2024-10-11
申请号：CN202410752725.X
申请日：2024-06-12
申请人： 常州大学
IPC分类号： G06V10/26 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/0464 , G06V10/44 , G06V10/764 , G06T1/00
摘要： 本发明涉及图像处理技术领域，尤其涉及一种基于种子区域生长的桃树枝干弱监督图像分割方法，包括采集果园果树枝干原始图像，并对图像进行预处理；将原始图像输入基于线级的稀疏标注的种子算法，生成初始种子图；利用分割网络对原始图像中的桃枝进行深度语义特征的提取，得到分割特征图；将SRG融合算法集成到分割网络中进行弱监督语义分割；将初始种子图在分割特征图中迭代生长，并输出标签图。本发明在实现智能剪枝的机械化、自动化以及智能化以及在稀疏标注的基础上实现对桃树枝干的弱监督图像分割。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.022 秒)
