公开(公告)号：CN115984816B

公开(公告)日：2024-11-22

申请号：CN202310017951.9

申请日：2023-01-06

Applicant: 电子科技大学 ,  电子科技大学长三角研究院(湖州)

Inventor： 秦龙 ,  颜红梅 ,  吴章碧 ,  李少清 ,  刘浩东

IPC: G06V20/58 ,  G06V20/40 ,  G06V10/82 ,  G06V10/62 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/049 ,  G06N3/08

Abstract: 本发明公开了一种融合时间信息的改进YOLOV3交通视频显著目标检测方法，利用有经验驾驶员的Hard Attention获取交通场景的显著目标图，再建立融合时间信息的改进YOLOV3并进行训练优化，训练完成后进行显著目标检测。本发明的方法首次提出融合Hard Attention信息和时间信息的交通场景的显著目标检测，融合时间信息的改进YOLOV3相对现有全目标检测模型不仅通过融合Hard Attention信息特征只关注与驾驶安全相关的重要目标，还通过融合当前检测帧前10帧内的时间信息，极大地扩展了时间信息范围，通过融合更多低级特征的尺度预测，在黑暗场景和突然出现的超车等场景中，更准确有效地检测出对驾驶环境重要的目标；相对现有显著性预测模型能够专注于显著性区域，准确检测显著性区域内的目标和位置。

公开(公告)号：CN115984816A

公开(公告)日：2023-04-18

申请号：CN202310017951.9

申请日：2023-01-06

Applicant: 电子科技大学 ,  电子科技大学长三角研究院(湖州)

Inventor： 秦龙 ,  颜红梅 ,  吴章碧 ,  李少清 ,  刘浩东

IPC: G06V20/58 ,  G06V20/40 ,  G06V10/82 ,  G06V10/62 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/049 ,  G06N3/08

Abstract: 本发明公开了一种融合时间信息的改进YOLOV3交通视频显著目标检测方法，利用有经验驾驶员的Hard Attention获取交通场景的显著目标图，再建立融合时间信息的改进YOLOV3并进行训练优化，训练完成后进行显著目标检测。本发明的方法首次提出融合Hard Attention信息和时间信息的交通场景的显著目标检测，融合时间信息的改进YOLOV3相对现有全目标检测模型不仅通过融合Hard Attention信息特征只关注与驾驶安全相关的重要目标，还通过融合当前检测帧前10帧内的时间信息，极大地扩展了时间信息范围，通过融合更多低级特征的尺度预测，在黑暗场景和突然出现的超车等场景中，更准确有效地检测出对驾驶环境重要的目标；相对现有显著性预测模型能够专注于显著性区域，准确检测显著性区域内的目标和位置。

公开(公告)号：CN116525145B

公开(公告)日：2025-02-11

申请号：CN202310526165.1

申请日：2023-05-10

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 吴江 ,  颜红梅 ,  刘浩东

IPC: G16H80/00 ,  A61B5/00 ,  G06V40/16 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80

Abstract: 本发明公开了一种基于动态融合模块的面部动态视频图像疼痛评估方法，首先对UNBC‑McMaster Shoulder Pain Expression Archive数据集进行数据平衡处理，然后在预训练模型Resnet101网络中，基于Non‑local框架改进得到动态融合模块，建立图像空间特征提取模型，通过空间特征提取模型提取每一帧图像空间特征信息，再将所提取的特征信息输入到长短时记忆网络中提取面部动态视频图像相应的时序信息，进一步提取相邻帧之间时序信息，实现对面部疼痛的识别，最后实现疼痛的自动评估。本发明的方法旨在辅助医生对患者进行长时间的疼痛监控与评估，为临床疼痛评估提供一种辅助手段，对评估临床上特殊患者的疼痛场景具有潜在应用前景。

公开(公告)号：CN119152558A

公开(公告)日：2024-12-17

申请号：CN202411166988.9

申请日：2024-08-23

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 颜红梅 ,  刘浩东

IPC: G06V40/16 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于面部动作编码的婴幼儿疼痛表情评估方法，包括：根据FLACC评分将视频数据分为三个等级，之后对视频数据进行预处理；将经过预处理的视频帧送入一个AU检测网络，得到每一帧的AU检测结果，将与疼痛相关的AU结果相加得到每一帧的疼痛评分，根据疼痛评分选择一定数量的视频帧作为疼痛表情关键帧；建立基于深度学习方法的疼痛表情识别网络，输入提取的关键帧提取时间及空间特征，得到最终的疼痛等级结果。本发明的方法通过结合面部动作编码选取疼痛表情关键帧，使用深度学习方法提取时间及空间特征，最终得到疼痛等级结果，可以作为一种临床环境下的客观诊断方法，辅助医护人员进行婴幼儿疼痛表情评估，便于进行后续的疼痛管理。

公开(公告)号：CN116525145A

公开(公告)日：2023-08-01

申请号：CN202310526165.1

申请日：2023-05-10

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 吴江 ,  颜红梅 ,  刘浩东

IPC: G16H80/00 ,  A61B5/00 ,  G06V40/16 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80

Abstract: 本发明公开了一种基于动态融合模块的面部动态视频图像疼痛评估方法，首先对UNBC‑McMaster Shoulder Pain Expression Archive数据集进行数据平衡处理，然后在预训练模型Resnet101网络中，基于Non‑local框架改进得到动态融合模块，建立图像空间特征提取模型，通过空间特征提取模型提取每一帧图像空间特征信息，再将所提取的特征信息输入到长短时记忆网络中提取面部动态视频图像相应的时序信息，进一步提取相邻帧之间时序信息，实现对面部疼痛的识别，最后实现疼痛的自动评估。本发明的方法旨在辅助医生对患者进行长时间的疼痛监控与评估，为临床疼痛评估提供一种辅助手段，对评估临床上特殊患者的疼痛场景具有潜在应用前景。