-
公开(公告)号：CN110633663A
公开(公告)日：2019-12-31
申请号：CN201910835953.2
申请日：2019-09-05
Applicant: 东南大学
Abstract: 本发明公开了一种手语视频中自动裁剪多模态数据的方法，该方法：把手语视频裁剪为图像、视频、语音以及手语四个模态的数据集合，基于感知哈希算法把视频关键帧与自定义人脸特征库进行比对，实现视频裁剪过程全自动。本发明通过利用自定义的人脸库裁剪视频中的多模态数据，提高构建多模态数据集的效率。
-
公开(公告)号：CN107248144B
公开(公告)日：2019-12-10
申请号：CN201710286383.7
申请日：2017-04-27
Applicant: 东南大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于压缩型卷积神经网络的图像去噪方法，包括：构造训练数据集；构造压缩型去噪卷积神经网络模型；利用训练数据集对网络模型进行训练；将有噪声的图像输入到训练好的网络中，并用所述有噪声的图像减去网络的输出图像得到清晰的去噪图像。本发明中的去噪卷积神经网络主要特征在于将原始的去噪卷积神经网络的卷积层替换成了经由低秩矩阵分解压缩后的卷积层。本发明通过改进一种已有的去噪卷积神经网络DnCNN，将其网络参数减少了至少75％，精简了网络，同时保持了优异的去噪效果。
-
公开(公告)号：CN107146228B
公开(公告)日：2019-10-08
申请号：CN201710175040.3
申请日：2017-03-22
Applicant: 东南大学
Abstract: 本发明公开了一种基于先验知识的大脑磁共振图像超体素生成方法，基于K‑means聚类算法，利用空间距离、像素强度和先验知识的加权作为最终的距离度量，对图像像素进行聚类，把大脑MRI图像分割为一系列均匀并且较好地贴合图像边缘的超体素。本发明通过融入大脑不同组织的先验知识，设计一种新型测度算子，构建一种鲁棒的超体素生成方法，实现对大脑磁共振图像的超体素分割，能够减小图像噪声对分割结果的影响。与已有的超体素生成方法相比，本发明方法效率更高，边界贴合度更高，能较好地抑制噪声的影响。
-
公开(公告)号：CN109886406A
公开(公告)日：2019-06-14
申请号：CN201910136000.7
申请日：2019-02-25
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度压缩算法的复数卷积神经网络压缩的方法，首先通过正常的网络训练学习网络的连通性；然后，对训练过的网络参数进行修剪，将复数参数的模低于一个阈值的连接修剪掉；接着，将修剪过后的稀疏网络进行量化，进一步压缩网络；最后，利用哈夫曼编码对复数参数的实部和虚部进行编码，得到最终的压缩网络。本发明方法利用卷积神经网络中过多的冗余参数，删减掉不重要的连接，并进一步通过量化和哈夫曼编码压缩网络，在很大程度上减少了网络的参数，并且只有很小的精度损失，达到了压缩复数卷积神经网络的目的，解决了复数卷积神经网络由于巨大的参数量无法部署在嵌入式设备上的问题。
-
公开(公告)号：CN108921816A
公开(公告)日：2018-11-30
申请号：CN201810469865.0
申请日：2018-05-16
Applicant: 东南大学
Abstract: 本发明公开了一种基于超体素和谱聚类方法下的大脑功能分区方法，以实现对大脑的功能分区。该方法首先将静息态功能磁共振成像进行预处理。然后，针对静息态功能磁共振成像特点，设计超体素生成算法，对大脑皮层区域生成超体素。之后，针对多段成像生成的超体素，采用谱聚类的方法，分别得到超体素之间图权重矩阵。最后，对多段成像的权重矩阵求得平均，采用归一化割方法，实现大脑皮层的功能分区。本发明通过对多段大脑的静息态功能磁共振成像进行融合，能减少图像噪声的影响，从而获得较准确、稳定的大脑功能分区。
-
Patent Agency Ranking
公开(公告)号：CN107248144A
公开(公告)日：2017-10-13
申请号：CN201710286383.7
申请日：2017-04-27
Applicant: 东南大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于压缩型卷积神经网络的图像去噪方法，包括：构造训练数据集；构造压缩型去噪卷积神经网络模型；利用训练数据集对网络模型进行训练；将有噪声的图像输入到训练好的网络中，并用所述有噪声的图像减去网络的输出图像得到清晰的去噪图像。本发明中的去噪卷积神经网络主要特征在于将原始的去噪卷积神经网络的卷积层替换成了经由低秩矩阵分解压缩后的卷积层。本发明通过改进一种已有的去噪卷积神经网络DnCNN，将其网络参数减少了至少75％，精简了网络，同时保持了优异的去噪效果。
-
公开(公告)号：CN106934806A
公开(公告)日：2017-07-07
申请号：CN201710135456.2
申请日：2017-03-09
Applicant: 东南大学
Abstract: 本发明公开一种基于结构清晰度的无参考图失焦模糊区域分割方法，包括以下步骤：(1)缩放图像，将图像缩放为原图像面积的约1/4倍；(2)计算清晰度差值，分别计算原图和缩放后图像对应位置图像块的结构清晰度，并计算二者的差；(3)提取模糊区域，滤除差值图像的噪声，使用图像分割算法分割出模糊区域，并对分割后的结果进行上采样。针对无参考图像的失焦模糊区域分割，本发明使用原始图像构造缩放图像，分别计算缩放图像以及原始图像的清晰度，进而获得模糊度分布图像，最终快速有效地分割出图像失焦模糊区域。
-
公开(公告)号：CN119249202A
公开(公告)日：2025-01-03
申请号：CN202411335296.2
申请日：2024-09-24
Applicant: 东南大学
IPC: G06F18/24 , G06N5/04 , G06N3/0499 , G06N3/096
Abstract: 本发明涉及一种基于大语言模型(LLM)的通用图任务方法，该方法首先将图结构数据序列化为适合LLM的输入，通过RWPE(Random Walk Positional Embedding)和基于拉普拉斯分解的位置编码LAPE(Laplacian Positional Embedding)这两种编码将图的结构信息注入到模型当中完成通用序列化过程。随后根据不同的任务，进行不同的序列化，包括图分类任务中的子图切分排列与节点分类任务中的局部领域采样。在得到完全序列化的数据后，通过对预训练大模型冻结和微调的方式进行知识注入，最终本框架在图任务领域(图分类，节点分类)取得了出色的表现，并且在多个数据集上验证了框架效果，同时进行了可解释性实验与小样本场景验证实验，进一步证明了框架的优越性。
-
公开(公告)号：CN117273134A
公开(公告)日：2023-12-22
申请号：CN202311275705.X
申请日：2023-09-28
Applicant: 东南大学
IPC: G06N5/022 , G06F16/36 , G06F16/33 , G06F16/332 , G06F40/289 , G06F40/30 , G06F18/22 , G06F18/214 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于预训练语言模型的零样本知识图谱补全方法，具体包括以下步骤：1、知识图谱数据预处理，从知识图谱中采样零样本知识图谱补全数据集，进一步获取关系的描述语句以及关系的所有三元组中实体和关系文本信息组成的三元组文本语句；2、利用预训练语言模型Sentence‑BERT进行微调，学习关系描述语句的向量表示以及三元组文本语句的向量表示；3、利用零样本知识图谱验证集进行验证，调整到最佳网络参数；4、利用零样本知识图谱测试集进行测试，统计模型效果；该方案充分发挥预训练语言模型的能力，能够达到需要额外利用邻居实体信息的方法相同的效果。
-
公开(公告)号：CN110148145B
公开(公告)日：2023-10-10
申请号：CN201910226802.7
申请日：2019-03-25
Applicant: 东南大学
IPC: G06T7/12 , G06T7/136 , G06T7/11 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种融合边界信息的图像目标区提取方法及应用，引入双神经网络先后应用，即采用神经网络RCF模型，以及改进型语义分割网络SegNet，针对目标类型灰度图像中的目标区域图像实现高效提取，其中能够结合局部特征和全局特征，有效克服网络下采样过程中细节特征丢失的问题，因此将设计方案应用于脑组织提取过程中，对于比较难分割的脑组织边界区域，能得到更好的脑组织区域图像提取效果。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.025 seconds)
