-
公开(公告)号：CN117689544A
公开(公告)日：2024-03-12
申请号：CN202311802761.4
申请日：2023-12-26
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T5/00 , G06V10/40 , G06N3/0464 , G06N3/0499
Abstract: 本发明涉及一种实时红外图像超分辨率方法，包括如下步骤：步骤一、进行浅层特征提取，将输入图像映射到潜在特征空间；步骤二、进行深层特征提取，利用大核卷积对图像潜空间特征进行高阶特征提取，并在前向网络中对潜空间特征进行边缘信息增强；步骤三、聚合浅层和深层特征，重建高分辨率图像，实现红外图像的超分辨率。本发明基于深度学习方法，提出大核特征提取模块和边缘增强的前向网络模块，有效实现深度神经网络潜空间的高阶特征提取以和增强潜空间特征边缘信息，实现了实时的红外图像超分辨率模型。
-
公开(公告)号：CN114418852A
公开(公告)日：2022-04-29
申请号：CN202210064957.7
申请日：2022-01-20
Applicant: 哈尔滨工业大学
Abstract: 本发明一种基于自监督深度学习的点云任意尺度上采样方法属于点云处理技术领域；该方法通过估计顶点到点云对应的隐表面的距离，生成一系列种子顶点；对于每个种子顶点，将距离其最近的若干个点云顶点坐标作为神经网络的输入，输出该顶点在隐表面上的投影点；最后通过最远点采样，调节投影点数量至目标顶点数量。由于种子节点的密度可以任意设置，因此上采样倍率也可任意设置，又因为每个投影点都是独立生成的，网络每次仅需要处理一个顶点的情况，与上采样倍率无关，故无需重复训练网络；同时，在生成训练数据时，仅需要三维网格模型，在模型附近生成种子顶点以及其对应的投影方向与投影距离，无需成对的稠密点云‑稀疏点云，故本方法是自监督的。
-
公开(公告)号：CN114359422A
公开(公告)日：2022-04-15
申请号：CN202210009301.5
申请日：2022-01-06
Applicant: 哈尔滨工业大学
Abstract: 本发明一种基于深度学习的图像无损/近无损压缩方法属于图像压缩领域；主要设计了有损图像压缩与残差压缩联合优化的深度神经网络：首先，把原始图像输入深度有损图像压缩网络，得到有损压缩后的码流和重构图像；计算有损重构图像和原始图像的原始残差，并对原始残差进行量化，使得“有损重构+量化残差”与原始图像的最大像素误差严格地小于等于一个给定的误差上界；利用深度神经网络对原始残差或者量化残差进行压缩，压缩后的码流与有损图像压缩码流连接，得到图像无损/近无损压缩结果；相比于传统的图像无损/近无损压缩，本发明利用深度神经网络对有损图像压缩与残差压缩进行联合优化，显著地提升了图像无损/近无损压缩效率。
-
Patent Agency Ranking
公开(公告)号：CN114219708A
公开(公告)日：2022-03-22
申请号：CN202111338491.7
申请日：2021-11-12
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于多任务交互学习的空谱同时超分辨率重建方法，属于图像处理与计算机视觉领域。包括以下步骤：步骤一、建立SSFIN网络架构；步骤二、使用权重衰减策略训练SSFIN。本发明的一种基于多任务交互学习的空谱同时超分辨率重建方法，使得空间超分分支和光谱超分分支可以受益于彼此，逐渐降低空间超分和光谱超分任务在总损失中的权重。可以去除可能仅对下游任务有用的信息，但为主要空谱联合超分任务保留更多空间和光谱信息。大大提高网络的特征学习能力。实验结果表明，所提出的SSSR框架优于最先进的两阶段方法。
-
公开(公告)号：CN112070661A
公开(公告)日：2020-12-11
申请号：CN202010943847.9
申请日：2020-09-08
Applicant: 哈尔滨工业大学
Abstract: 本发明基于生物医疗仪器领域，具体涉及一种基于深度学习的全切片数字成像快速自动聚焦方法：本方法提出了一种基于深度网络的学习方法，主要包含可修改迭代次数网络块的重聚焦网络；设计的重聚焦网络可根据离焦图像解算出精确的准焦距离，通过判断准焦距离的误差是否小于显微镜物镜景深，进而改变重聚焦网络内网络块迭代次数；本方法解决了自动聚焦过程速度较慢问题，实现了全切片数字成像的准焦距离快速预测，实现了传统全切片数字病理成像硬件的软件虚拟化。
-
公开(公告)号：CN112070660A
公开(公告)日：2020-12-11
申请号：CN202010935487.8
申请日：2020-09-08
Applicant: 哈尔滨工业大学
Abstract: 本发明属于生物医疗仪器领域，具体涉及一种基于迁移学习的全切片数字成像自适应自动聚焦方法：本方法提出了一种基于神经网络迁移学习方法，主要包含自动聚焦网络；设计的自动聚焦网络可根据离焦图像解算出准焦距离；采用迭代方式，逐次添加新数据集下的数据进行迁移学习的训练；通过采用迁移学习训练的方式，可以让自动聚焦网络具有可满足需求的泛化性和自适应性，能够实现对不同生物细胞样品的数据采集，对传统的全切片数字病理成像硬件进行了软件虚拟化。
-
公开(公告)号：CN112053304A
公开(公告)日：2020-12-08
申请号：CN202010934440.X
申请日：2020-09-08
Applicant: 哈尔滨工业大学
Abstract: 本发明基于生物医疗仪器领域，具体涉及一种全切片数字成像单次拍照快速准焦复原方法，主要设计了单次拍照虚拟自准焦网络；病理扫描仪先预扫描病理切片视场中间的一个图像块，通过轴向移动构建轴向三维图像堆栈，通过评价函数找到初始准焦图像；在预测准焦距离下，对所有子图像进行单次拍照，获得单次拍照试探性离焦图像，作为网络输入；网络的输出为复原的准焦图像；通过单张图像的端对端网络设计，本方法实现了全切片数字成像下单次拍照的准焦图像快速复原，取代了传统的先距离补偿，后拍照的自准焦方法。同时，在扫描策略上，不需构建准焦测量图以及准焦扫描拍照，具有速度快、成本低、可线下处理等优点。
-
公开(公告)号：CN112037152A
公开(公告)日：2020-12-04
申请号：CN202010934405.8
申请日：2020-09-08
Applicant: 哈尔滨工业大学
Abstract: 本发明基于生物医疗仪器领域，具体涉及一种基于深度学习的全切片数字成像二步准焦复原法：本方法提出了一种基于二次补偿网络的学习方法，主要包含自动聚焦网络和准焦复原网络；设计的重聚焦网络能够解算出离焦图像对应的准焦距离；通过移动显微镜工作台，对准焦距离进行运动补偿，二次拍照获得半准焦图像；通过准焦图像和半准焦图像的双通道联合端对端网络设计，本方法实现了全切片数字成像的高精度离焦图像复原，对传统的全切片数字病理成像硬件进行了软件虚拟化。
-
-
-
-
-
-
-
Search Results
48
records
(took 0.024 seconds)
