-
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：CN118138890A
公开(公告)日：2024-06-04
申请号：CN202410165705.2
申请日：2024-02-05
Applicant: 武汉大学
IPC: H04N23/73 , H04N23/60 , H04N23/951 , H04N23/81 , H04N23/90 , G06T5/70 , G06T5/60 , G06T5/73 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/048
Abstract: 本发明属于图像处理技术领域，具体提供了基于事件相机的相机快门控制与成像方法及装置，能够实现噪声和模糊之间的最佳平衡，生成最优图像。方法包括：步骤1，搭建硬件系统：使事件相机和传统相机共享进光，并使用开发板进行传统相机和事件相机的数据连接；步骤2，根据事件记录的高分辨率运动信息，在开发板中实现对传统相机的快门控制；步骤3，通过干净的高帧率视频仿真生成或者通过硬件系统拍摄记录带噪图像帧和对应的事件流；步骤4，建立一个基于卷积神经网络的图像去噪网络，使用自监督框架进行网络的训练，寻优后得到优化的网络模型；步骤5，利用硬件系统拍摄带噪图像帧，将带噪图像帧通过优化的网络模型重建出干净的无噪图像。
-
公开(公告)号：CN117032806A
公开(公告)日：2023-11-10
申请号：CN202311071181.2
申请日：2023-08-22
Applicant: 武汉大学
Abstract: 本申请涉及计算机技术领域，尤其涉及一种协处理器及协处理器的运行方法。本申请通过设置线程状态机、线程仲裁器、DMA控制器、缓存和向量计算单元，线程状态机用于维护线程的执行状态，线程仲裁器用于判定线程是否可运行并将其对应的指令指针发送给缓存，DMA控制器用于将外部存储器中的指令和数据加载至缓存中，向量计算单元用于数据处理。通过判断可运行的线程所需的指令和数据是否存在于缓存中，如果存在，则直接从缓存中调用指令，反之则通过DMA控制器从外部住存储器中加载指令，将之前调用过的指令和数据保存于缓存中，后续调用时不需要直接访问外部存储器，由此解决了现有技术中指令和数据传输效率较低的问题。
-
公开(公告)号：CN111325259A
公开(公告)日：2020-06-23
申请号：CN202010093312.7
申请日：2020-02-14
Applicant: 武汉大学
Abstract: 本发明公开了一种基于深度学习和二进制编码的遥感图像分类方法。首先采用局部二值模式LBP提取图像的统计纹理特征，对ResNet-50提取的深层特征的进行补充，并进一步指导融合网络的特征学习，以增强特征的可分辨性。特征融合后，特征的多样性和复杂性都增加了，因此本发明提出了新的损失函数，在交叉熵函数的基础上加入了一个正则项，来进一步指导网络参数的学习从而提高网络在遥感图像上的分类性能。
-
公开(公告)号：CN107480723B
公开(公告)日：2019-11-08
申请号：CN201710726395.7
申请日：2017-08-22
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于局部二进制阈值学习网络的纹理识别方法，包括步骤：步骤1，准备待分类纹理图像数据集D，将数据集D分成训练数据集Dt和测试数据集Dv；步骤2，构建局部二进制阈值学习网络，输入训练数据集Dt，通过误差敏感项的反向传播和随机梯度算法对局部二进制阈值学习网络进行训练；所述局部二进制学习阈值网络包括1个输入层、1个阈值编码层、2个卷积层、3个下采样层、1个全连接层和1个输出层；步骤3，将测试数据集Dv输入到训练好的局部二进制阈值学习网络中，对训练结果进行验证。本发明提出一种可阈值学习的局部二进制阈值网络用于纹理图像的分类方法，通过学习纹理特征的结构信息，适用于小样本条件下纹理图像的识别。
-
Patent Agency Ranking
公开(公告)号：CN107657224B
公开(公告)日：2019-10-11
申请号：CN201710852460.0
申请日：2017-09-19
Applicant: 武汉大学
Abstract: 本发明涉及一种基于部件的多层并行网络SAR图像飞机目标检测方法，包括以下步骤：构建用于检测飞机整体的根检测网络和用于检测飞机子部件的部件检测网络；准备训练数据集，并利用包围框对训练数据集中飞机整体、飞机子部件进行标注，将训练图像和对应的标注信息分别输入根检测网络和部件检测网络中对网络进行训练；利用训练好的根检测网络和部件检测网络对待检测图像进行初步检测；对根检测结果和部件检测结果进行匹配，获得与飞机整体相匹配的子部件；结合先验结构信息和初步检测得到的检测捕获概率，然后以最大检测捕获概率为原则对根检测结果和部件检测结果进行约束处理，得到最后的检测结果。本发明有效减少了漏检率与虚警率，提高检测的正确率。
-
公开(公告)号：CN107506726B
公开(公告)日：2019-09-10
申请号：CN201710725823.4
申请日：2017-08-22
Applicant: 武汉大学
Abstract: 本发明涉及一种基于二次型基元多层网络的SAR图像分类方法，包括步骤：步骤1，准备待分类SAR图像数据集，从待分类图像中随机选取各类图像中一定比例作为训练数据，其余作为测试数据；步骤2，构建基于二次型基元多层网络，将待分类的SAR图像中的训练数据输入，采用批量梯度下降进行训练；所述基于二次型基元多层网络包括输入模块，二次型模块，卷积模块，全连接与分类模块；步骤3，将测试数据数据输入到训练好的基于二次型基元多层网络，求解输出向量的最大值，该最大值对应的维数即为输入SAR图像所对应的类别。本发明通过多层网络学习各统计量之间的关系，对SAR图像的统计特性描述进行学习，用于SAR图像分类性能提升明显。
-
公开(公告)号：CN106682701B
公开(公告)日：2019-06-11
申请号：CN201710018218.3
申请日：2017-01-10
Applicant: 武汉大学
Abstract: 本发明公开了一种极化SAR图像多尺度描述基元的稀疏流形分类方法，为了解决时间序列极化SAR图像非相干信息和相干信息的提取和融合问题，以及极化数据过大、SAR乘性模型非相干的问题，通过一种本质上的特征融合以及流形稀疏表达，可以有效对时间序列极化SAR图像进行分类。本发明公开了一种结合极化非相干特征与时序相干特征两个尺度信息的多尺度描述基元的构造方法，并利用一个压缩感知和稀疏流形表达的多层次的非线性产生式模型来对其进行特征提取和信息降维，这种方法能对时间序列极化SAR图像进行有效的分类，多尺度描述基元也可以成为一种通用的时间序列极化SAR图像处理的基础技术。
-
公开(公告)号：CN107657224A
公开(公告)日：2018-02-02
申请号：CN201710852460.0
申请日：2017-09-19
Applicant: 武汉大学
Abstract: 本发明涉及一种基于部件的多层并行网络SAR图像飞机目标检测方法，包括以下步骤：构建用于检测飞机整体的根检测网络和用于检测飞机子部件的部件检测网络；准备训练数据集，并利用包围框对训练数据集中飞机整体、飞机子部件进行标注，将训练图像和对应的标注信息分别输入根检测网络和部件检测网络中对网络进行训练；利用训练好的根检测网络和部件检测网络对待检测图像进行初步检测；对根检测结果和部件检测结果进行匹配，获得与飞机整体相匹配的子部件；结合先验结构信息和初步检测得到的检测捕获概率，然后以最大检测捕获概率为原则对根检测结果和部件检测结果进行约束处理，得到最后的检测结果。本发明有效减少了漏检率与虚警率，提高检测的正确率。
-
公开(公告)号：CN102682306A
公开(公告)日：2012-09-19
申请号：CN201210132419.3
申请日：2012-05-02
Applicant: 武汉大学
Abstract: 一种用于SAR图像的小波金字塔极化纹理基元特征提取方法，包括生成小波极化方差特征、小波极化纹理基元特征以及运用金字塔模型描述小波极化纹理基元特征。小波极化方差特征是结合极化合成和离散小波框架，通过计算标准化小波系数的方差得到每个像素点的特征矢量；而小波极化纹理基元特征是对部分小波极化方差特征矢量聚类，生成纹理基元库，然后以图像中感兴趣点为中心，取图像块，将每个块包含的特征矢量与纹理基元库匹配，得到统计直方图，即小波极化纹理基元特征；最后运用金字塔模型在更精细的分辨率下描述小波极化纹理基元特征。运用支持向量机即可采用本发明所得基于金字塔表达的小波极化纹理基元特征对极化SAR图像分类。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.024 seconds)
