-
公开(公告)号：CN109948517A
公开(公告)日：2019-06-28
申请号：CN201910201445.9
申请日：2019-03-18
申请人： 长沙理工大学
摘要： 本发明公开了一种基于密集全卷积网络的高分辨率遥感图像语义分割方法。该方法首先结合近些年在图像分类领域取得优异成绩的深度卷积神经网络，利用密集网络对全卷积神经网络模型的特征提取部分进行改进，有效地利用了各个网络层产生的特征图信息；接着对上采样部分进行了优化，先通过两次2倍上采样的合并，再通过8倍上采样实现图像分辨率大小的恢复；最后采用预训练模型进行密集全卷积网络的参数初始化，从而有效地提升了网络的训练效率，最终有效提高了在高分辨率遥感图像上的语义分割精度。
-
公开(公告)号：CN108069299A
公开(公告)日：2018-05-25
申请号：CN201711263947.1
申请日：2017-12-05
申请人： 长沙理工大学
CPC分类号： B66B1/06 , B66B1/3423 , B66B5/0031
摘要： 本发明基于ARM微处理器的电梯控制系统，实现了电梯SCAN控制算法，能用最合理的方式去调度电梯；开发出了PC端监控系统，利用TCP服务监听来自电梯主控制器的连接，并且通过Web的方式为管理员提供了一个跨平台的监控界面；定义了一套通信规范，使得电梯主控制器与PC端监控系统能够按照给定的标准进行通信；解决了电梯主控制器与PC端监控系统的对接问题，两者虽然基于不同的平台，但是依靠同样的通信标准，两者实现了无缝对接；实现了通过弹窗以及邮件报警，当电梯异常时，管理员可以及时收到提醒，最终实现了对电梯的远程监控。作为主控器的核心部件ARM芯片，其具有超强的计算能力和扩展能力，且成本较低，为整个系统降低成本迈出了一大步。
-
公开(公告)号：CN117372458A
公开(公告)日：2024-01-09
申请号：CN202311385139.8
申请日：2023-10-24
申请人： 长沙理工大学
IPC分类号： G06T7/11 , G06T7/00 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本申请涉及一种三维脑肿瘤分割方法、装置、计算机设备和存储介质。所述方法包括获取脑肿瘤MRI三维影像；将双路径序列注意力机制以及结构重塑注意力机制融入至通用卷积神经网络3D‑Unet或面向三维MRI影像脑瘤分割的UNETR中，得到改进的3D‑Unet网络或改进的UNETR，将脑肿瘤MRI三维影像输入到改进的3D‑Unet网络或改进的UNETR中，得到脑肿瘤分割结果；双路径序列注意力机制用于提取不同脑部MRI序列中包含的关键特征；结构重塑注意力机制用于引导模型更高效的找出需要重点关注的区域。采用该方法可以实现不同序列下的特征信息融合，实现连续切片之间局部特征的提取，提高三维医学影像的识别准确度。
-
公开(公告)号：CN116778169A
公开(公告)日：2023-09-19
申请号：CN202310994921.3
申请日：2023-08-08
申请人： 长沙理工大学
IPC分类号： G06V10/26 , G06V10/40 , G06V10/762 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464
摘要： 本申请涉及一种基于混合特征提取的遥感图像语义分割方法、装置和设备。该方法包括：将获取的待分割遥感图像输入到骨干网络中，得到各个阶段的输出特征；骨干网络为上下文聚类网络CoCs；将第四阶段的输出特征输入到语义特征增强提取模块中采用Tranformer模块对关键语义信息进行过滤提取，将第二阶段的输出特征输入到增强特征提取模块中采用基于深度可分离卷积的倒置瓶颈模块进行提取；将第三阶段的输出特征、语义增强特征和高分辨率增强特征输入到特征融合模块中进行特征融合，得到融合特征；将融合特征输入到分割头中，得到待分割遥感图像的语义分割结果。该方法可实现遥感图像的精确分割，并在计算成本和表现效果之间实现了平衡。
-
公开(公告)号：CN115810152A
公开(公告)日：2023-03-17
申请号：CN202211625236.5
申请日：2022-12-16
申请人： 长沙理工大学
IPC分类号： G06V20/10 , G06V10/80 , G06V10/52 , G06V10/62 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
摘要： 本申请涉及图像处理技术领域的一种基于图卷积的遥感图像变化检测方法、装置和计算机设备。该方法对获取的双时相遥感图像进行标注得到训练样本，构建遥感图像变化检测网络，采用训练样本进行训练；采用训练好的遥感图像变化检测网络检测待测双时相遥感图像，得到遥感图像变化检测结果。其中该网络包括两条由结构和参数均相同的骨干网络和EF模块组成的特征提取支路、一个图卷积编码模块、两个结构相同的图卷积解码模块和输出网络；特征提取支路用于提取训练样本的图像特征和边界信息，图卷积编码模块用于对双时相图像融合后的特征进行编码，图卷积解码模块用于融合多层次特征差异并预测变化掩码。采用本方法可以精准的预测图片的变化区域。
-
公开(公告)号：CN114022788A
公开(公告)日：2022-02-08
申请号：CN202210003112.7
申请日：2022-01-05
申请人： 长沙理工大学
IPC分类号： G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62
摘要： 本申请涉及一种遥感图像变化检测、装置、计算机设备和存储介质。所述方法包括：获取双时间遥感图像，并进行标注，得到训练样本；构建遥感图像变化检测网络；该网络包括两条由结构和参数均相同的残差网络和SAM模块组成的特征提取支路，由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络；利用训练样本对该网络进行训练，并采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测，得到遥感图像变化检测结果。SAM模块可更好的获取像素跟像素之间的关系，在图像的每个多尺度子区域引入Transformer，可捕获不同尺度上的特征信息。采用本方法可提高遥感图像变化检测的计算效率和检测准确率。
-
公开(公告)号：CN110489584B
公开(公告)日：2021-10-01
申请号：CN201910653247.6
申请日：2019-07-19
申请人： 长沙理工大学
摘要： 本发明公开一种基于密集连接的MobileNets模型的图像分类方法及系统，该方法包括S1获取图像集；S2对所述图像集中的图像进行标签标记；S3将标记后的图像输入训练好的基于密集连接的MobileNets模型；所述模型包括若干层并联的密集块，每层所述密集块内包含两层密集连接的深度可分离卷积层；S4基于密集连接的MobileNets模型对输入的图像集中的图像进行分类处理，最终输出图像集中的图像属于各类别的概率，概率最高的即为图像对应的类别。本发明通过将密集块作为基本结构对MobileNets进行结构改进，可实现在保证准确率的同时减少至少一半的参数数量和计算量。
-
公开(公告)号：CN110676806B
公开(公告)日：2021-09-17
申请号：CN201811248419.3
申请日：2018-10-25
申请人： 长沙理工大学
IPC分类号： H02H3/087 , H03K17/08 , H03K17/687
摘要： 本发明公开了一种直流电子接触器的过流保护电路，NMOS开关管的漏极连接直流电源正极，源极通过负载连接直流电源负极；单片机控制信号经过驱动电路输入NMOS开关管栅极。多路所述NMOS开关管并联，NMOS开关管漏极还通过继电器保护电路和差分电阻后接差分放大器同向输入端，源极还通过继电器线圈等效电阻和差分电阻后接差分放大器反向输入端，差分放大器的输出端接单片机AD转换模块。驱动信号控制NMOS开关管开通，过流保护电路实时采样NMOS开关管漏极和源极两端的电压，当超过设定阈值时，过流关机保护。该过流保护电路设计简单，电路既能降低使用成本，又能提升电路工作时的可靠性和稳定性。
-
公开(公告)号：CN113129293A
公开(公告)日：2021-07-16
申请号：CN202110463543.7
申请日：2021-04-26
申请人： 长沙理工大学
摘要： 本申请涉及一种医学图像分类方法、装置、计算机设备和存储介质，所述方法获取医学图像，将其作为训练样本；构建通道信息交互感知网络，该网络包括输入网络、特征提取网络和输出网络；根据训练样本对通道信息交互感知网络进行训练得到医学图像分类模型；获取待测医学图像，并将其输入到医学图像分类模型中，得到医学图像的类别。本方法中将前一个模块特征和当前提取的特征进行合并，保证信息在各个模块之间以前馈的方式流动，有效避免在模块间信息的频繁变动，提高模块的学习能力，增强了网络的特征提取能力；将患者的病理图片输送到训练好的网络模型后可直接给出诊断结果，这样可提高医生工作效率，有效帮助医生减少漏诊率、提高诊断准确率。
-
公开(公告)号：CN109214406B
公开(公告)日：2021-07-09
申请号：CN201810465364.5
申请日：2018-05-16
申请人： 长沙理工大学
摘要： 本发明公开了一种基于D‑MobileNet(Dilated‑Mobilenet)神经网络图像分类的方法。通过将空洞卷积与MobileNet进行结合，通过提高高分辨率输入层的卷积核感受野，提高输出特征的质量，且不增加网络的参数数量，使得该网络结构提高分类精度。包括以下步骤：1)准备数据集；2)搭建MobileNet网络；3)搭建D‑MobileNet网络；4)超参数设置。将模型训练好后，利用训练好的卷积神经网络模型对验证集图片进行验证，完成分类预测。实验结果表明：本发明能取得比MobileNet网络更好的分类精度。
-
-
-
-
-
-
-
-
-
搜索结果
100 条记录 (耗时 0.155 秒)
