-
公开(公告)号：CN110751077A
公开(公告)日：2020-02-04
申请号：CN201910976975.0
申请日：2019-10-15
Applicant: 武汉大学
Abstract: 为了解决由于光学遥感图像易受天气、陆地或船舶尾迹的影响，图像内容复杂导致大量虚警框的问题，通过对数据集进行部件和整体双重标注，引入部件位置信息，再通过部件和整体之间的距离约束，有效减少检测虚警框。本发明公开了一种基于部件匹配与距离约束的光学遥感图片船舶检测方法，通过对数据集进行部件标注的添加，从而提高训练图像数据中的可学习信息；将训练过程中输出的目标候选框相互进行部件匹配，找到每个船舶目标对应的部件框；接着在网络计算损失函数并将梯度反传时，将船舶目标与之部件之间的距离作为参数约束结合到检测网络的参数学习过程中，使得训练过程中目标定位更加准确。
-
公开(公告)号：CN119722576A
公开(公告)日：2025-03-28
申请号：CN202411621075.1
申请日：2024-11-14
Applicant: 武汉大学
IPC: G06T7/00 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09 , G16H50/20 , G16H50/70
Abstract: 本发明公开了一种基于三维Transformer的核磁影像阿兹海默症诊断方法和系统。首先采集数据进行诊断数据集构建，对数据进行预处理；构建并训练基于Transformer的阿兹海默症诊断网络模型，所述的基于Transformer的阿兹海默症诊断网络模型包括体素注意力模块、斑块注意力模块、全局‑局部特征提取模块、辅助分类模块、Transformer编码模块以及整体分类模块；将待诊断的阿兹海默症结构影像进行预处理后，利用训练好的阿兹海默症深度诊断模型进行诊断分类。本发明有益于快速准确地进行阿兹海默症识别，提高相关疾病识别准确率与效率，有益于早期预防与多维介入，为阿兹海默症患者创造便利，减轻公共医疗系统负担。
-
公开(公告)号：CN110796167B
公开(公告)日：2022-07-22
申请号：CN201910913602.9
申请日：2019-09-25
Applicant: 武汉大学
IPC: G06V10/764 , G06K9/62 , G06V10/40 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于提升方案深度神经网络的图像分类方法。本发明结合了提升方案和卷积神经网络的优点，利用提升方案的特有优势改进基于卷积的神经网络模型。在神经网络中引入提升方案以取代卷积层作为新的特征提取器，一方面为神经网络带来了整数变换、运算加速、无需辅存等优点，另一方面非线性提升方案算子的引入增强了特征的表达能力，能够更好地保留图像的原始信息，在数字图像和遥感图像的分类准确率上均有提升。
-
公开(公告)号：CN119723074A
公开(公告)日：2025-03-28
申请号：CN202411612605.6
申请日：2024-11-13
Applicant: 武汉大学
IPC: G06V10/26 , G06V20/70 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/74 , G06V10/764 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法和系统。本发明提出了一种新颖的先验引导的扩散去噪脑部病变分割Transformer模型，对影像提取长距离编码特征，辅以医学影像先验特性相关的局部信息，并进一步引入频域筛选融合编码分量。基于transformer网络结构设计U型去噪模型，为了保持准确的病变相关语义细节，引入了先验特征编码分支。先验特征编码分支考虑了模态相关的体素分布特性与模态内的空间对称性，以此学习先验引导注意力蒙版，动态调整像素级别和patch级别的关注权重。为了消除影像噪声与低对比度效应，在解码部分，设计了三分支小波频谱混合注意模块用于融合筛选频谱特征嵌入，并进一步地生成稳定的分割结果。
-
公开(公告)号：CN110765912B
公开(公告)日：2022-08-05
申请号：CN201910976785.9
申请日：2019-10-15
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 为了解决现有SAR图像目标检测方法对SAR图像特征表征能力不足的问题，通过在提取SAR图像特征时，除去提取传统纹理特征之外还结合提取其统计特征，使得SAR图像的统计分布特性得到充分学习，可以有效提高SAR图像船舶目标检测精确度本发明公开了一种基于统计约束和Mask R‑CNN的SAR图片船舶目标检测方法，采取多阶段检测网络模型，通过在特征提取端添加统计约束层来提取SAR图像统计特性，使用数据集训练网络，指导网络参数的学习，得到更适用于SAR图像船舶目标检测的网络结构。
-
Patent Agency Ranking
公开(公告)号：CN111461259A
公开(公告)日：2020-07-28
申请号：CN202010339964.4
申请日：2020-04-26
Applicant: 武汉大学
Abstract: 本发明提供一种基于红黑形态小波池化网络的图像分类方法及系统，包括准备待分类图像数据集；将红黑形态小波与最大池化融合，构建提升方案池化层，用于提取待分类图像的特征并进行降采样；基于待分类图像数据集，构建及训练提升方案卷积神经网络，并通过Softmax分类器实现分类，所述提升方案卷积神经网络包含提升方案池化层；所述提升方案池化层包含两个支路，分别是红黑形态小波支路和最大池化支路，提升方案池化层的最终输出y红黑形态小波的输出和最大池化分支的输出融合得到；所述红黑形态小波支路包含垂直和水平方向的提升过程和对角方向的提升过程。本发明能够有效提高神经网络的识别能力，在基准图像的分类任务上有明显的准确率提升。
-
公开(公告)号：CN110765912A
公开(公告)日：2020-02-07
申请号：CN201910976785.9
申请日：2019-10-15
Applicant: 武汉大学
Abstract: 为了解决现有SAR图像目标检测方法对SAR图像特征表征能力不足的问题，通过在提取SAR图像特征时，除去提取传统纹理特征之外还结合提取其统计特征，使得SAR图像的统计分布特性得到充分学习，可以有效提高SAR图像船舶目标检测精确度本发明公开了一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法，采取多阶段检测网络模型，通过在特征提取端添加统计约束层来提取SAR图像统计特性，使用数据集训练网络，指导网络参数的学习，得到更适用于SAR图像船舶目标检测的网络结构。
-
公开(公告)号：CN111461259B
公开(公告)日：2023-11-28
申请号：CN202010339964.4
申请日：2020-04-26
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于红黑形态小波池化网络的图像分类方法及系统，包括准备待分类图像数据集；将红黑形态小波与最大池化融合，构建提升方案池化层，用于提取待分类图像的特征并进行降采样；基于待分类图像数据集，构建及训练提升方案卷积神经网络，并通过Softmax分类器实现分类，所述提升方案卷积神经网络包含提升方案池化层；所述提升方案池化层包含两个支路，分别是红黑形态小波支路和最大池化支路，提升方案池化层的最终输出y红黑形态小波的输出和最大池化分支的输出融合得到；所述红黑形态小波支路包含垂直和水平方向的提升过程和对角方向的提升过程。本发明能够有效提高神经网络的识别能力，在基准图像的分类任务上有明显的准确率提升。
-
公开(公告)号：CN110751077B
公开(公告)日：2022-07-05
申请号：CN201910976975.0
申请日：2019-10-15
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/774 , G06K9/62
Abstract: 为了解决由于光学遥感图像易受天气、陆地或船舶尾迹的影响，图像内容复杂导致大量虚警框的问题，通过对数据集进行部件和整体双重标注，引入部件位置信息，再通过部件和整体之间的距离约束，有效减少检测虚警框。本发明公开了一种基于部件匹配与距离约束的光学遥感图片船舶检测方法，通过对数据集进行部件标注的添加，从而提高训练图像数据中的可学习信息；将训练过程中输出的目标候选框相互进行部件匹配，找到每个船舶目标对应的部件框；接着在网络计算损失函数并将梯度反传时，将船舶目标与之部件之间的距离作为参数约束结合到检测网络的参数学习过程中，使得训练过程中目标定位更加准确。
-
公开(公告)号：CN110796167A
公开(公告)日：2020-02-14
申请号：CN201910913602.9
申请日：2019-09-25
Applicant: 武汉大学
Abstract: 本发明涉及一种基于提升方案深度神经网络的图像分类方法。本发明结合了提升方案和卷积神经网络的优点，利用提升方案的特有优势改进基于卷积的神经网络模型。在神经网络中引入提升方案以取代卷积层作为新的特征提取器，一方面为神经网络带来了整数变换、运算加速、无需辅存等优点，另一方面非线性提升方案算子的引入增强了特征的表达能力，能够更好地保留图像的原始信息，在数字图像和遥感图像的分类准确率上均有提升。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
