-
公开(公告)号：CN111696137A
公开(公告)日：2020-09-22
申请号：CN202010518472.1
申请日：2020-06-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多层特征混合与注意力机制的目标跟踪方法，该方法利用改进的FPN结构将图像浅层特征加以更好的保留利用，这种对浅层特征有更好保留的改进的FPN结构可以输出具有多维度、多尺度特征的融合特征。对不同尺度大小的目标，以及大小在不断变化的目标拥有更好的跟踪能力。将FPN用于级联的RPN上，对于特征提取更加精准，对于保证跟踪时对于相似干扰物有更好的区分，减少错误跟踪的情况发生。同时，利用注意力机制，在空间尺度上，使得网络对目标可能出现的位置给予更多关注，以减少由目标半遮挡，形变，光照等造成的目标丢失或目标跟踪错误的情况。
-
公开(公告)号：CN114743053B
公开(公告)日：2023-04-25
申请号：CN202210390708.7
申请日：2022-04-14
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络和自注意力的磁共振影像辅助处理系统，包括依次连接的MRI数据预处理模块和若干个基于自注意力的长短距离特征融合图神经网络SALS‑GNN，每个SALS‑GNN包括依次连接的自注意力特征提取模块和特征融合模块，每一个自注意力特征提取模块由多个并联的基于多头自注意力的不同距离的特征提取子网络SA组成。本发明通过把大脑的网络图结构纳入考量范围，并以此构建相应的数据和模型；通过优化设计图神经网络模型，基于自注意力机制，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合，显著提高了神经网络的特征提取能力和分类性能。
-
公开(公告)号：CN114757911B
公开(公告)日：2023-04-07
申请号：CN202210390815.X
申请日：2022-04-14
Applicant: 电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络和对比学习的磁共振影像辅助处理系统，该系统包含依次连接的MRI影像数据预处理模块、图数据增广模块、对比学习模块以及迁移学习模块。本发明提出了一种基于自注意力的长短距离特征融合图神经网络LS‑GNN，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合；在对比学习模型的投影头部分，通过多层感知机实现了特征向量映射与图读出功能的结合；本发明充分利用了大量的无标签和主观标签数据，通过对比学习，既获得了具备通用特征表示能力的模型，又减少了可能错误的主观标签的影响；通过迁移学习，可实现分类、聚类等多个领域的性能提升。
-
公开(公告)号：CN111696137B
公开(公告)日：2022-08-02
申请号：CN202010518472.1
申请日：2020-06-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多层特征混合与注意力机制的目标跟踪方法，该方法利用改进的FPN结构将图像浅层特征加以更好的保留利用，这种对浅层特征有更好保留的改进的FPN结构可以输出具有多维度、多尺度特征的融合特征。对不同尺度大小的目标，以及大小在不断变化的目标拥有更好的跟踪能力。将FPN用于级联的RPN上，对于特征提取更加精准，对于保证跟踪时对于相似干扰物有更好的区分，减少错误跟踪的情况发生。同时，利用注意力机制，在空间尺度上，使得网络对目标可能出现的位置给予更多关注，以减少由目标半遮挡，形变，光照等造成的目标丢失或目标跟踪错误的情况。
-
公开(公告)号：CN114743053A
公开(公告)日：2022-07-12
申请号：CN202210390708.7
申请日：2022-04-14
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/762 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络和自注意力的磁共振影像辅助处理系统，包括依次连接的MRI数据预处理模块和若干个基于自注意力的长短距离特征融合图神经网络SALS‑GNN，每个SALS‑GNN包括依次连接的自注意力特征提取模块和特征融合模块，每一个自注意力特征提取模块由多个并联的基于多头自注意力的不同距离的特征提取子网络SA组成。本发明通过把大脑的网络图结构纳入考量范围，并以此构建相应的数据和模型；通过优化设计图神经网络模型，基于自注意力机制，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合，显著提高了神经网络的特征提取能力和分类性能。
-
Patent Agency Ranking
公开(公告)号：CN112215767A
公开(公告)日：2021-01-12
申请号：CN202011036966.2
申请日：2020-09-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种抗块效应的图像视频增强方法，属于计算机视觉和图像增强领域。该方法首先将压缩图像或视频帧进行颜色空间转换，通过神经网络结合图像或视频编码模型学习编码块的块效应可能出现的位置和强度，对增强的强度做出自适应调整，在满足图像和视频被有效增强的同时，抑制或消除可能被增强算法放大的块效应，提升增强图像的视觉观感和后续处理质量。
-
公开(公告)号：CN112215767B
公开(公告)日：2023-03-14
申请号：CN202011036966.2
申请日：2020-09-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种抗块效应的图像视频增强方法，属于计算机视觉和图像增强领域。该方法首先将压缩图像或视频帧进行颜色空间转换，通过神经网络结合图像或视频编码模型学习编码块的块效应可能出现的位置和强度，对增强的强度做出自适应调整，在满足图像和视频被有效增强的同时，抑制或消除可能被增强算法放大的块效应，提升增强图像的视觉观感和后续处理质量。
-
公开(公告)号：CN115588106A
公开(公告)日：2023-01-10
申请号：CN202211173867.8
申请日：2022-09-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种端到端旋转鲁棒的特征点检测与描述方法，该方法在特征点位置计算基础上，加入方向解码网络，在一次前向计算中估计所有特征点所在块的方向，大大减少了存储与计算代价，为描述符的计算提供特征点的方向信息。同时，采用旋转等变卷积网络减少了方向向量的计算代价，提升了特征图的复用性。本发明将特征点检测和描述网络结合，通过检测过程来指导描述过程，通过插值方法减少稠密描述符的个数；同时采用端到端的方法，有利于增加检测与描述的耦合性，减少计算量，整个网络对于特征点检测与描述算法在实际工程的应用有很大的帮助。
-
公开(公告)号：CN114757911A
公开(公告)日：2022-07-15
申请号：CN202210390815.X
申请日：2022-04-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图神经网络和对比学习的磁共振影像辅助处理系统，该系统包含依次连接的MRI影像数据预处理模块、图数据增广模块、对比学习模块以及迁移学习模块。本发明提出了一种基于自注意力的长短距离特征融合图神经网络LS‑GNN，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合；在对比学习模型的投影头部分，通过多层感知机实现了特征向量映射与图读出功能的结合；本发明充分利用了大量的无标签和主观标签数据，通过对比学习，既获得了具备通用特征表示能力的模型，又减少了可能错误的主观标签的影响；通过迁移学习，可实现分类、聚类等多个领域的性能提升。
-
公开(公告)号：CN112819707B
公开(公告)日：2022-05-03
申请号：CN202110056964.8
申请日：2021-01-15
Applicant: 电子科技大学
Abstract: 本发明属于图像增强领域，具体为一种端到端抗块效应低照度图像增强方法。本发明的方法采用先将收集的数据进行处理后分成测试数据和训练数据两类；再通过构建一个端到端图像增强网络结构，将训练数据输入到端到端网络结构中进行多轮训练。在训练过程中，采用最小化网络预测图与真值图的均方二范数差值、计算压缩图像的边界损失平滑块边界；并计算出网络预测图与真值图的块相似损失值、构造结构相似损失值进行端到端网络的参数调整，优化网络结构，得到完成训练的端到端图像增强网络；然后将测试数据输入训练好的端到端图像增强网络结构中，得到最终的增强图像。与现有技术相比，本发明提供的方法解决了有损压缩低照度像块效应被放大的问题。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.024 seconds)
