-
公开(公告)号：CN116385406A
公开(公告)日：2023-07-04
申请号：CN202310374306.2
申请日：2023-04-10
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于U‑Net的眼眶肿瘤图像分割方法，首先进行眼眶肿瘤数据集的采集；然后进行数据的预处理；再构建基于U‑Net的眼眶肿瘤图像分割模型；通过预处理后的数据集训练眼眶肿瘤图像分割模型；最后利用训练好的模型参数，实现眼眶肿瘤图像分割模型在眼眶肿瘤图像上的肿瘤区域分割。本发明的网络架构模型对于尺度变化明显的病情肿瘤区域能有较好的尺度敏感性，从而有利于改善分割模型对一些尺度变化大的难样本的分割精度。
-
公开(公告)号：CN116071606A
公开(公告)日：2023-05-05
申请号：CN202310210827.4
申请日：2023-03-07
Applicant: 杭州电子科技大学丽水研究院
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/047 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于多尺度多注意力实例学习的sMRI图像分类方法，首先获取数据集，构建多尺度多注意力实例学习模型，通过空间金字塔池化模块将不同大小脑区转化为相同尺度；通过patch‑net处理模块获取相应的局部特征增强；通过注意力多实例学习模块来增强全局特征；通过分类器得到分类结果；最后通过训练多尺度多注意力实例学习模型。本发明是采取了区域块的分析方法，能获取对大脑病变影响更大的位置，引入了双注意机制，能增强到局部和全局的特征；本发明采用了将分割数据和脑区数据结合的多模态数据，加强分类效果。
-
公开(公告)号：CN111611877B
公开(公告)日：2023-05-02
申请号：CN202010363324.7
申请日：2020-04-30
Applicant: 杭州电子科技大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多时空信息融合的抗年龄干扰人脸识别方法。本发明中提取的初始人脸特征是由每个训练样本中同一个人的不同年龄的人脸图像从时间维度和空间维度提取人脸特征后再进行信息融合后得到的，不仅能够充分表示每个人的身份特征，而且对年龄干扰具有一定的鲁棒性。此外在得到身份特征和年龄投影特征后进一步进行相似度度量，并通过相似性损失函数的约束逐渐降低提取的每个人相应的身份特征和年龄特征的相关性，相关性越小，则身份特征越不容易受年龄因素的影响，跨年龄识别人脸的准确度就越高。
-
公开(公告)号：CN110942423B
公开(公告)日：2023-04-28
申请号：CN201910949691.2
申请日：2019-10-08
Applicant: 杭州电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于傅里叶叠层成像的远场超分辨率重建方法。本发明通过获取到的一系列低分辨率图像，快速重建出远场样本的幅值信息以及相位信息；将低成本的散射装置放置于样本与物镜之间，且置于物镜的焦平面处，对经相干光照射后的样本信息进行调制；样本置于物镜的远场中，距离物镜焦平面50cm～80cm处，由相干光进行照射；在低分辨率图像获取过程中，通过有规律的将散射片进行上下、左右移动，以获得更加完善的样本调制信息；通过多散射片对样本信息的调制，获得超出物镜衍射极限的分辨率，以此实现样本超分辨率重建。本发明突破了样本与散射装置之间距离的限制。且极大的降低算法复杂度，减少重建时间。
-
公开(公告)号：CN110992365B
公开(公告)日：2023-04-18
申请号：CN201911066221.8
申请日：2019-11-04
Applicant: 杭州电子科技大学
IPC: G06T7/10 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于图像语义分割的损失函数及其设计方法。本发明步骤如下：1。参数wi的确立。在网络训练过程中，从标签标注信息中提取此张图片中包含的语义类别个数n以及每个语义类别在图片中所占的面积s。在得到此两种标签信息后，将面积从大到小排列，并分别计算最大面积与各个面积之间的倍数，而后再将这些倍数关系归一化到[1,n]之间，即训练时每个损失函数计算时，不同类别对应的权重取值wi。2.参数Υ的确立。首先确定Υ＞0,而后在网络训练过程中通过网格寻优的方式，对Υ的值进行进一步的确立。本发明设计损失带有权重的损失函数进行改进，以使训练的卷积神经网络得到更好的图像分割效果。
-
Patent Agency Ranking
公开(公告)号：CN111353984B
公开(公告)日：2023-04-07
申请号：CN202010132818.4
申请日：2020-02-29
Applicant: 杭州电子科技大学
Abstract: 本发明一种自适应鲁棒的灰度图像中液位高精度检测方法。本发明针对瓶装产品的液面检测问题，首先灰度图像进行去噪、直方图均衡化处理、分段线性变换函数进行对比度拉伸，使用改进的边缘检测模板检测图像边缘，根据自适应的算法检测液面的高度，能自动确定图像中半瓶的情况，对图像中多个瓶装产品的液位高度都能进行很好的检测和确定，将液位边缘的下层高度减去瓶底边缘的上层高度，就可以精确的得到瓶中液体的高度，进而判断瓶装量是否达到要求。本发明采用的新的边缘检测算法保证了边缘的强度，效果更好，视觉体验更好，更能适应复杂的花境，本发明方法更加鲁棒、精度高，应用的场所更多。
-
公开(公告)号：CN110246083B
公开(公告)日：2023-02-24
申请号：CN201910388830.9
申请日：2019-05-10
Applicant: 杭州电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种荧光显微图像超分辨率成像方法。本发明步骤如下：1：整理图像数据集，并将数据集按要求划分出训练集、测试集和验证集；2：输入训练集、测试集用基于深度学习的超分辨率神经网络训练出所需要参数的模型；3：用荧光显微镜发射特定波长紫外线，照射室用量子点变过的样本上，并使用CCD对样本成像，得到一系列的图像序列；4：使用SOFI算法，基于记录时间序列的图像，对荧光波动进行统计分析，通过计算整个时间序列内所有帧的各水平方向的累积量，得到荧光显微图像；5：使用FSRCNN读取模型中的参数，对荧光显微图像进行超分辨率处理，得到高质量图像。本发明达到快速生成噪声少、细节清晰、高质量的荧光显微图像。
-
公开(公告)号：CN115589455A
公开(公告)日：2023-01-10
申请号：CN202211274388.5
申请日：2022-10-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于FPGA+ARM的夜间视频图像增强系统，包括图像采集单元，运算加算单元，中央控制处理单元，显示单元四个部分。运算加速单元利用FPGA的并行处理和高频特性，实现简化后的三个不同尺度的高斯滤波器。中央控制处理单元利用ARM较强的逻辑运算能力和移植简单的特性，来完成复杂度较高的自适应直方图均衡化算法部分和逻辑控制。本发明视频图像采集单元支持DVP和Cameralink接口，运算加速单元利用FPGA的并行特性提升计算速率，中央控制单元通过ARM来进行复杂的逻辑和算数运算，最后通过显示单元输出结果。相对于传统系统，本发明在能够更加精确的显示出夜间图像的边缘信息，同时通过FPGA+ARM的组合满足了系统实时性的需求。
-
公开(公告)号：CN115457214A
公开(公告)日：2022-12-09
申请号：CN202211203731.7
申请日：2022-09-29
Applicant: 杭州电子科技大学
IPC: G06T17/00 , G06V10/764 , G06V10/774 , G06T7/246 , G06N20/10
Abstract: 本发明公开了一种基于支持向量机的相机跟踪失败检测方法，包括如下步骤：步骤1：数据集选取与三维重建；步骤2：ICP匹配算法与特征获取；步骤3：计算当前样本特征对应的距离误差，并进行分类，构建用于支撑向量机数据集；步骤4：训练支持向量机模型；步骤5：通过训练好的多分类模型完成相机跟踪失败检测；本发明使用了在机器学习有监督学习分类问题中使用较为广泛的支持向量机来训练模型，具有良好的理论支持。本发明使用多分类而非二分类来训练模型，提高了准确率和精度，能够更好的设立阈值，优化重建结果。
-
公开(公告)号：CN115409857A
公开(公告)日：2022-11-29
申请号：CN202211215390.5
申请日：2022-09-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的三维脑积水CT图像分割方法，包括以下步骤：步骤(1)、获取数据集；步骤(2)、数据预处理；步骤(3)、构建残差U‑net卷积网络模型；步骤(4)、通过预处理后的数据对构建的残差U‑net卷积网络模型进行训练；步骤(5)、将测试数据输入训练好的残差U‑net卷积网络模型，对模型进行测试。本发明引入残差卷积作为基本卷积单元，增强分割模型得鲁棒性本发明基于深度学习对CT图像中的脑室区域构建三维分割模型，充分利用数据在三维空间上带来的优势，探究高维度信息给模型带来的可能性，提高最终表现效果的准确度。
-
-
-
-
-
-
-
-
-
Search Results
477
records
(took 0.037 seconds)
