-
公开(公告)号：CN116433611A
公开(公告)日：2023-07-14
申请号：CN202310279890.3
申请日：2023-03-21
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于UNet的多分支肝脏肿瘤分割方法，先构建基于UNet的多分支肝脏肿瘤分割网络；再利用事先已经分割出肝脏肿瘤的CT图像所构建的训练样本集对基于UNet的多分支肝脏肿瘤分割网络进行深度学习训练，得到训练好的基于UNet的多分支肝脏肿瘤分割网络；后将当前需要进行肝脏肿瘤分割的CT图像送到训练好的基于UNet的多分支肝脏肿瘤分割网络中，得到已分割出肝脏肿瘤的CT图像。通过加强分割网络特征图的感受野以及充分利用通道与空间结构信息，可以更好地捕获像素级细节和空间信息，从而提高网络对医学图像的分割性能。与现有的方法不同，本发明所提出的网络架构在捕获局部边缘的精细细节的同时，还能捕获全局多尺度信息，从而确保空间一致性。
-
公开(公告)号：CN116206109A
公开(公告)日：2023-06-02
申请号：CN202310146446.4
申请日：2023-02-21
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于级联网络的肝脏肿瘤分割方法，采取肝脏分割网络和肝肿瘤分割网络级联的方式，肝脏分割网络先从CT图像中分割肝脏，提取出肿瘤感兴趣区域，再将肿瘤感兴趣区域作为肝肿瘤分割网络的输入，进一步实现对肝脏肿瘤的精准分割，这解决了因肿瘤在整幅CT图像中占比小而造成的数据不平衡问题。肝脏分割网络和肝肿瘤分割网络均以残差网络作为骨架，残差网络极大提高了可以有效训练的网络的深度，加速训练网络的收敛，减少模型退化，从而有效避免了随着网络层数加深梯度消失的问题，解决了因网络过深而出现的梯度弥散问题。
-
公开(公告)号：CN116486080A
公开(公告)日：2023-07-25
申请号：CN202310376737.2
申请日：2023-04-10
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本发明公开一种基于深度学习的轻量化图像语义分割方法，先构建轻量化图像语义分割模型Mobile‑SegFormer；再利用已分割好的样本图像集对构建的轻量化图像语义分割模型进行训练，得到训练好的轻量化图像语义分割模型；后将待分割的图像送入到训练好的轻量化图像语义分割模型中，训练好的轻量化图像语义分割模型输出分割好的图片。本发明将SegFormer和MobileNetv3模型都进行了改进，无需通过Imagenet数据集的预训练，即可实现较高的分割精度，具有较友好的可移植性。通过实验进行对比，我们提出的Mobile‑SegFormer网络，相对于常见的轻量化网络，有着更准确的分割效果，相对于大型的分割网络，有着更轻量化的参数量和更低的每秒浮点运算值，能够较好的均衡Params、FLOPS和MIoU指标。
-
公开(公告)号：CN116363181A
公开(公告)日：2023-06-30
申请号：CN202310291088.6
申请日：2023-03-23
Applicant: 桂林电子科技大学
IPC: G06T7/33 , G06T7/00 , G06T7/13 , G06T3/40 , G06N3/0464
Abstract: 本发明公开一种基于特征的CT图像和超声图像肝脏配准方法，先对CT进行图像预处理并从中提取肝脏器官轮廓特征；采集超声图像并从中提取肝脏器官轮廓特征；再根据肝脏器官面积特征对CT图像和超声图像进行快速粗匹配，筛选出若干张候选CT切片；后将候选CT切片与超声图像逐一进行配准，得到空间变换矩阵，并以此将候选CT切片变换到超声图像坐标系下，通过计算变换后的候选CT切片与二维超声之间的图像相似性，得到与二维超声精确匹配的CT切片。本发明能够提高配准的精度和效率。
-
公开(公告)号：CN115641605A
公开(公告)日：2023-01-24
申请号：CN202210840985.3
申请日：2022-07-18
Applicant: 桂林电子科技大学
IPC: G06V40/10 , G06V10/62 , G06V10/82 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于十字卷积模块的行人重识别办法，包括以下操作步骤：设计十字卷积核：十字卷积核的参数与普通卷积核无太大差别，即输入通道数、输出通道数、步长与卷积核大小；卷积核为十字型，采取遍历对象为每一个像素，且当前访问对象为卷积核的中心，采用处于中心对称的两个点进行权值共享的方法，十字型卷积网络设计：重识别网络依托于Resnet50的架构。本发明所述的一种基于十字卷积模块的行人重识别办法，该模块的可扩展性良好，可用于任意的网络结构，十字卷积的卷积前后特征的长宽并没有发生变化，可以直接做skip connection，该模块可以直接等效于BiLSTM2D模块，直接嵌入到Sequencer的网络中，以弥补BiLSTM2D只能做串行计算以及是递归计算的不足。
-
Patent Agency Ranking
公开(公告)号：CN115438600A
公开(公告)日：2022-12-06
申请号：CN202211111028.3
申请日：2022-09-13
Applicant: 桂林电子科技大学
IPC: G06F30/28 , G06T15/00 , G06T9/40 , G06T17/00 , G06T1/20 , G06F111/08 , G06F113/08
Abstract: 本发明公开一种基于GPU八叉树加速和SPH算法的流体模拟方法，为了降低CPU的负荷，并将八叉树的遍历放在GPU中进行，改良了传统的八叉树算法，使用线性表来存储八叉树的节点，将指针替换成线性表中的下标，使其在传入GPU时依然可用，无需指针重定位，并提出一个O(1)空间复杂度的迭代方法来做到对八叉树的遍历，既利用了GPU强大的并行计算能力，又发挥了八叉树在近邻搜索算法中的性能优势，经GPU和线性八叉树加速后，整体帧率受水体粒子数目的限制大幅减小，CPU负荷有较大程度的下降。
-
公开(公告)号：CN115082678A
公开(公告)日：2022-09-20
申请号：CN202210705586.6
申请日：2022-06-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于深度学习的图像分割方法，首先，构建语义分割模型；该语义分割模型由骨干网络、XY网络和全卷积解码网络组成；骨干网络的输入形成语义分割模型的输入，骨干网络的输出连接XY网络的输入，XY网络的输出连接全卷积解码网络的输入，全卷积解码网络的输出语义分割模型的输出；然后，利用已分割好的样本图像集对步骤1所构建的语义分割模型进行训练，得到训练好的语义分割模型；最后，将待分割的图像送入到步骤2所得到的训练好的语义分割模型中，训练好的语义分割模型输出分割好的图片。本发明的XYNet在鲁棒性，评价指标，推理速度，模型大小，推理浮点计算数以及图像的可视化结果上都取得了不错的效果，相对于现有的网络均衡性更强。
-
公开(公告)号：CN115082678B
公开(公告)日：2024-11-22
申请号：CN202210705586.6
申请日：2022-06-21
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/82 , G06V40/16 , G06N3/0464 , G06N3/0455 , G06N3/096
Abstract: 本发明公开一种基于深度学习的图像分割方法，首先，构建语义分割模型；该语义分割模型由骨干网络、XY网络和全卷积解码网络组成；骨干网络的输入形成语义分割模型的输入，骨干网络的输出连接XY网络的输入，XY网络的输出连接全卷积解码网络的输入，全卷积解码网络的输出语义分割模型的输出；然后，利用已分割好的样本图像集对步骤1所构建的语义分割模型进行训练，得到训练好的语义分割模型；最后，将待分割的图像送入到步骤2所得到的训练好的语义分割模型中，训练好的语义分割模型输出分割好的图片。本发明的XYNet在鲁棒性，评价指标，推理速度，模型大小，推理浮点计算数以及图像的可视化结果上都取得了不错的效果，相对于现有的网络均衡性更强。
-
公开(公告)号：CN116206109B
公开(公告)日：2023-11-07
申请号：CN202310146446.4
申请日：2023-02-21
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于级联网络的肝脏肿瘤分割方法，采取肝脏分割网络和肝肿瘤分割网络级联的方式，肝脏分割网络先从CT图像中分割肝脏，提取出肿瘤感兴趣区域，再将肿瘤感兴趣区域作为肝肿瘤分割网络的输入，进一步实现对肝脏肿瘤的精准分割，这解决了因肿瘤在整幅CT图像中占比小而造成的数据不平衡问题。肝脏分割网络和肝肿瘤分割网络均以残差网络作为骨架，残差网络极大提高了可以有效训练的网络的深度，加速训练网络的收敛，减少模型退化，从而有效避免了随着网络层数加深梯度消失的问题，解决了因网络过深而出现的梯度弥散问题。
-
公开(公告)号：CN115457263A
公开(公告)日：2022-12-09
申请号：CN202210998603.X
申请日：2022-08-19
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于深度学习的轻量化人像分割方法，利用其基于SegFormer与融合坐标注意力机制的MobileNetV3轻量级人像分割模型，以实现对人像进行分割。基于深度学习的轻量化人像分割模型用MobileNetV3网络取代了SegFormer编码器，同时对MobileNetV3网络进行改进，加入多层CA注意机制，提高人像分割的准确性，并将原来网络中的SEModul替换为CA，加快了训练时的拟合速度，减小了模型尺寸，抑制了冗余特征，提高了模型精度，最终输出准确的语义分割图像。通过实验进行对比，我们提出的SegFormer‑MobileNetV3网络相对于其他的轻量级网络，有着更准确的分割效果，同时也有着更快的分割效率。本发明可应用于人像抠图、线上会议、背景替换等人像图像处理方面的应用。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.039 seconds)
