-
公开(公告)号：CN101639937B
公开(公告)日：2011-12-14
申请号：CN200910195043.9
申请日：2009-09-03
Applicant: 复旦大学
Abstract: 本发明属于统计模式识别与图像处理技术领域，具体为是一种基于人工神经网络的超分辨率方法。本发明利用人工神经网络，表达出低分辨率图像和高分辨率图像之间的函数映射关系，具体步骤包括创建训练集，建立BP神经网络进行训练，把训练得到的高分辨率图像按对应关系“粘贴”起来，即得超分辨率图像。本发明克服了以往以流形学习为基础的超分辨率算法耗时的缺点，得到了较好的效果。
-
公开(公告)号：CN101872415A
公开(公告)日：2010-10-27
申请号：CN201010166974.9
申请日：2010-05-06
Applicant: 复旦大学
Abstract: 本发明属于视频图像技术领域，具体涉及适用于IPTV的视频拷贝检测方法。包括：视频“画中画”检测；视频镜头划分和聚类；视频帧相似度计算；利用K-means树构建视频镜头索引等。本发明使用简洁有效的视频帧相似度处理方法，利用K-means树构建镜头帧索引，实现快速高效的视频拷贝检测。用该方法进行镜头检测，不仅速度快，而且具有良好的检测准确性和覆盖率。
-
-
公开(公告)号：CN116579940A
公开(公告)日：2023-08-11
申请号：CN202310482075.7
申请日：2023-04-29
Applicant: 中国人民解放军海军特色医学中心 , 复旦大学
IPC: G06T5/00 , G06T5/50 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明属于图像处理技术领域，具体为一种基于卷积神经网络的实时低照度图像增强方法。本发明方法包括：(1)对低照度RAW图像进行预处理，包括重排列、归一化和前置放大；(2)构建用于低照度图像增强的网络ADU‑Net，其中使用基于空洞卷积和残差连接的特征提取模块，以及基于注意力的自适应特征融合模块；(3)将低照度RAW图像输入ADU‑Net，得到增强后的sRGB图像。借助ADU‑Net的高效性和轻量性，本发明能够以接近实时的速度恢复低照度图像，有效提升低照度图像的亮度，并准确复原图像的色彩和细节信息，得到令人满意的视觉效果。
-
公开(公告)号：CN109583331B
公开(公告)日：2023-05-02
申请号：CN201811356765.3
申请日：2018-11-15
Applicant: 复旦大学
IPC: G06V40/10 , G06V10/774
Abstract: 本发明属于计算机图像处理技术领域，具体为基于深度学习的人手腕脉口位置精准定位方法。本发明的基本步骤为：对多人进行手部图片采样，并对样本图片进行处理，得到手部二值图和脉口坐标，作为深度学习模型的训练数据；接着对训练集进行监督式学习，得到泛化的深度学习模型；然后，根据拍摄到的手部图片，分别进行白平衡、转换到HSV色彩空间、Mean Shift颜色聚类、根据皮肤颜色提取二值图、对二值图进一步处理，得到手的轮廓；将处理好的二值图作为输入，放进预先训练好深度学习模型里，即得到手腕脉口点在图片上的坐标。本发明方法能以较高的精度找到人手腕的脉口位置，为机器人进行中医脉诊提供实时的视觉定位。
-
Patent Agency Ranking
公开(公告)号：CN111126412B
公开(公告)日：2023-04-18
申请号：CN201911159408.2
申请日：2019-11-22
Applicant: 复旦大学
IPC: G06V10/46 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 本发明属于计算机图像处理技术领域，具体为基于特征金字塔网络的图像关键点检测方法。本发明方法包括：通过特征金字塔网络提取高表征性图像特征，对尺度、视角几何变换、光照、模糊等都具备鲁棒性；并生成适用于关键点检测的训练数据集；在训练阶段，灰度图像作为网络模型的输入，使用在ImageNet数据集上预训练得到的权重参数来初始化网络模型参数，使用训练数据集对网络参数进行微调，最后输出和输入图像尺寸相同的概率图，图中的每个值处于0到1之间，值越大代表该点越适合作为关键点；在测试阶段使用非极大值抑制算法来避免响应值大的点堆积在一小部分区域，并且设置不同大小的阈值控制关键点数量，保证关键点质量。
-
公开(公告)号：CN109558877B
公开(公告)日：2023-03-07
申请号：CN201811220587.1
申请日：2018-10-19
Applicant: 复旦大学
IPC: G06T7/246 , G06T5/30 , G06T5/00 , G06V10/764
Abstract: 本发明属于视频分析技术领域，具体为一种基于KCF的海上目标跟踪算法。本发明算法包括：（1）图像预处理：主要是对图像的去噪和去雾，获取质量较好的海面图像；（2）目标检测：海天线提取，通过改进的DPM算法获取目标位置；（3）目标跟踪：通过改进的KCF算法，对目标进行轨迹预测，实现有遮挡场景下的多目标跟踪。本发明综合不同图像处理方法性能差异，形成一套能够同时满足时间和准确率要求的算法，可在有限的计算资源下，保证较高的准确率，并实时的进行分析，极大的提高了遮挡场景下的目标跟踪成功率。
-
公开(公告)号：CN113647939A
公开(公告)日：2021-11-16
申请号：CN202110988589.0
申请日：2021-08-26
Applicant: 复旦大学
IPC: A61B5/11 , A61B5/00 , A61B5/0205 , A61B5/107 , A61M21/02
Abstract: 本发明涉及一种针对脊柱退行性疾病的人工智能康复评估与训练系统，包括：脊柱运动评估子系统，接收现场拍摄的患者康复训练过程中的图像，对进行中医引导书康复训练前后的患者的颈椎、腰椎的关节活动度进行测量；姿态识别纠正子系统，将患者正在练习的动作进行实时的识别和分类，在患者训练过程中进行实时训练评估，并在患者完成整套训练动作后进行训练评估；背景音乐推荐子系统，提供用于患者康复训练过程中的辅助治疗的音乐；生理信号监测子系统，实时监测患者康复训练时的心率和呼吸速率，对患者的健康状况进行监控。与现有技术相比，本发明具备较强的便携性、易操作性，可满足患者远程居家自我康复训练。
-
公开(公告)号：CN108171701B
公开(公告)日：2021-06-22
申请号：CN201810036637.4
申请日：2018-01-15
Applicant: 复旦大学
Abstract: 本发明属于计算机数字图像处理技术领域，具体为一种基于U网络和对抗学习的显著性检测方法。本发明步骤为：构建深度神经网络：神经网络整体设计基于对抗生成网络，包含生成器与鉴别器，生成器在结构上使用了自编码器结构与跳跃连接，主要由编码器和译码器组成，编码器是由编码模块组成，编码模块使用了堆叠的残差模块，译码器主要由解码器组成，也使用了堆叠的残差模块；训练深度神经网络：使用公开的、真实场景下的显著性图像数据集，利用多尺度的图像内容损失函数与对抗损失函数，训练前一步中构建的深度神经网络；利用训练好的网络模型，对自然图像进行检测，再将得到的结果进行后处理，得到最终的结果。本发明方法能够提高显著性检测的准确性。
-
公开(公告)号：CN108090857B
公开(公告)日：2021-06-22
申请号：CN201711469436.5
申请日：2017-12-29
Applicant: 复旦大学
Abstract: 本发明属于计算机技术领域，具体为一种多模态的学生课堂行为分析系统和方法。本发明系统包括学生注意力检测模块、教师授课内容检测模块、教师授课风格检测模块和相关性分析模块；学生注意力检测模块检测学生的专注率，教师授课内容检测模块检测教师的授课内容，教师授课风格检测模块检测教师的授课风格，相关性分析模块分析学生注意力检测模块测得的学生的专注率和教师授课内容检测模块测得的教师的授课内容、以及教师授课风格检测模块测得的授课风格之间的联系；本发明对学生的专注率与音频特征、授课主题之间的相关性进行分析，能帮助教师调整授课风格，提升学生的专注率。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.032 seconds)
