-
公开(公告)号：CN114677403B
公开(公告)日：2024-07-09
申请号：CN202111359719.0
申请日：2021-11-17
Applicant: 东南大学
IPC: G06T7/194 , G06N3/0464 , G06N3/08 , G06N3/084
Abstract: 本发明公开了一种基于深度学习注意力机制的肝脏肿瘤图像分割方法，属于图像处理领域。本发明将轴向注意力和多尺度注意力融合进深度学习肝脏肿瘤分割网络。轴向注意力能够在占用少量计算资源的情况下，有效地提取肝脏肿瘤CT图像的全局信息特征，而多尺度注意力可以有效地针对多尺度目标进行自适应的特征提取。网络整体采用U型的网络结构，主干为卷积提取路径，辅路为注意力机制，能够有效地提高肝脏肿瘤分割的性能。
-
公开(公告)号：CN115018864B
公开(公告)日：2024-04-05
申请号：CN202210692381.9
申请日：2022-06-17
Applicant: 东南大学
IPC: G06T7/11 , G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于自适应预处理的三阶段肝脏肿瘤图像分割方法，属于图像处理领域。本发明将CT图像的窗位窗宽预处理融合进深度学习网络作为整个网络的第一阶段，以针对不同场景机器环境下的CT成像差异，获取较好的预处理结果，提高最终的肝脏肿瘤分割精度。第二阶段为分割肝脏感兴趣区域的U型网络，第三阶段为最终的肝脏肿瘤精细分割网络。整个网络分为三个阶段，第一阶段负责预处理，第二阶段提取感兴趣区域，以排除不相关的干扰，第三阶段接收第二阶段的监督以实现精细分割。
-
公开(公告)号：CN116405070A
公开(公告)日：2023-07-07
申请号：CN202310393588.0
申请日：2023-04-12
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/06 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习增强的大规模MIMO下行CSI反馈方法，在现有的自编码网络CsiNet基础上修改了编码器网络、解码器网络和反馈内容，增强了对CSI矩阵的特征提取能力、减少了网络复杂度、让深度学习网络的输入与CSI矩阵处于同一个数量级。增加了拼图解谜训练策略来平衡深度学习中压缩任务和识别任务的关系，既保留CSI矩阵物理信息的完整性又不丢失其可区分性，增强下行CSI反馈性能。
-
公开(公告)号：CN116385834A
公开(公告)日：2023-07-04
申请号：CN202310374235.6
申请日：2023-04-10
Applicant: 东南大学
IPC: G06V10/774 , G06V10/764 , G06V10/762 , G06N20/20
Abstract: 本发明公开一种基于生成对抗网络的多样性主动学习方法，并结合分类任务模型ResNet‑18在铁路列车故障检测相关数据集中实现了落地应用。该策略包括如下步骤：准备铁路列车故障图像分类数据集，选定分类任务模型，利用数据集训练生成对抗网络并生成合成样本；利用任务模型特征图进行合成样本与原有样本额特征提取与匹配；依据基于网络参数梯度范数的自适应选取决策进行样本筛选；最后引入K‑means++聚类算法作为多样性策略进行样本筛选；重复迭代上述样本生成与筛选步骤实现主动学习样本选取。该策略通过上述多维度策略结合，提高了主动学习决策性能，为缩减项目标注成本提供了有效帮助。
-
公开(公告)号：CN114663283A
公开(公告)日：2022-06-24
申请号：CN202210313618.8
申请日：2022-03-28
Applicant: 东南大学
IPC: G06T3/40 , G06N3/08 , G06V20/10 , G06V10/774
Abstract: 本发明公开了一种基于多层感知机和奇异值分解的高光谱图像重建方法，可用来实现RGB图像到高光谱图像的高分辨率转换。该方法包括：根据高光谱数据，预处理获得RGB域图像和零空间系数真值，构建训练数据集；构建基于深度高分辨率SpectralMixer网络的端到端模型；基于构建的训练集对SpectralMixer网络进行有监督训练，进而得到收敛的优化模型SpectralMixer；在测试集上评估模型SpectralMixer的训练效果。本发明相比于传统模型HSCNN‑Rp在取得更少计算时间的同时，获得了更低的重建平均相对误差(Mean Relative Absolute Error，MRAE)和均方根误差(Root Mean SquareError，RMSE)。
-
Patent Agency Ranking
公开(公告)号：CN116453001A
公开(公告)日：2023-07-18
申请号：CN202310436011.3
申请日：2023-04-21
Applicant: 东南大学
IPC: G06V20/17 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/25 , G06N3/0464 , G06N3/082 , G06V10/766
Abstract: 本发明公开了一种基于变换器和跳跃路径聚合FPN的航拍目标检测方法，包括：获取待检测的航拍图像数据；将待检测的航拍图像数据输入预先训练好的航拍小目标检测网络模型进行目标检测，得到待检测的航拍图像数据的目标检测结果；其中，航拍小目标检测网络模型为利用可变形卷积和变换器模块结合的深度聚合残差变换网络进行特征提取，利用跳跃路径聚合特征金字塔网络进行特征融合，利用双路路解耦检测头进行目标检测。在无人机航拍视角拍摄的图片中，能够达到更高的检测精度，尤其是在有大量小目标存在的场景中。
-
公开(公告)号：CN116405077A
公开(公告)日：2023-07-07
申请号：CN202310386768.6
申请日：2023-04-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的大规模MIMO混合波束赋形方法，可以实现不完美信道状态信息的混合波束赋形。该方法适用于单基站多用户场景，采用SV毫米波信道模型，生成大量的完美的信道状态信息作为数据集；将完美信道状态信息采用稀疏重构的信道估计算法进行信道估计，获得不完美信道状态信息；构建神经网络模型，网络输入为不完美信道状态信息和噪声功率，网络输出为数字波束赋形矩阵和模拟波束赋形矩阵，以负的系统总下行速率作为损失函数，进行无监督的训练，对收敛的神经网络模型输入不完美信道状态信息和噪声功率进行测试，与传统的OMP算法相比，具有更低的时间复杂度和更好的性能。
-
公开(公告)号：CN115018864A
公开(公告)日：2022-09-06
申请号：CN202210692381.9
申请日：2022-06-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于自适应预处理的三阶段肝脏肿瘤图像分割方法，属于图像处理领域。本发明将CT图像的窗位窗宽预处理融合进深度学习网络作为整个网络的第一阶段，以针对不同场景机器环境下的CT成像差异，获取较好的预处理结果，提高最终的肝脏肿瘤分割精度。第二阶段为分割肝脏感兴趣区域的U型网络，第三阶段为最终的肝脏肿瘤精细分割网络。整个网络分为三个阶段，第一阶段负责预处理，第二阶段提取感兴趣区域，以排除不相关的干扰，第三阶段接收第二阶段的监督以实现精细分割。
-
公开(公告)号：CN114663283B
公开(公告)日：2024-12-03
申请号：CN202210313618.8
申请日：2022-03-28
Applicant: 东南大学
IPC: G06T3/4046 , G06N3/09 , G06V20/10 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于多层感知机和奇异值分解的高光谱图像重建方法，可用来实现RGB图像到高光谱图像的高分辨率转换。该方法包括：根据高光谱数据，预处理获得RGB域图像和零空间系数真值，构建训练数据集；构建基于深度高分辨率SpectralMixer网络的端到端模型；基于构建的训练集对SpectralMixer网络进行有监督训练，进而得到收敛的优化模型SpectralMixer；在测试集上评估模型SpectralMixer的训练效果。本发明相比于传统模型HSCNN‑Rp在取得更少计算时间的同时，获得了更低的重建平均相对误差(Mean Relative Absolute Error，MRAE)和均方根误差(Root Mean SquareError，RMSE)。
-
公开(公告)号：CN114677403A
公开(公告)日：2022-06-28
申请号：CN202111359719.0
申请日：2021-11-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习注意力机制的肝脏肿瘤图像分割方法，属于图像处理领域。本发明将轴向注意力和多尺度注意力融合进深度学习肝脏肿瘤分割网络。轴向注意力能够在占用少量计算资源的情况下，有效地提取肝脏肿瘤CT图像的全局信息特征，而多尺度注意力可以有效地针对多尺度目标进行自适应的特征提取。网络整体采用U型的网络结构，主干为卷积提取路径，辅路为注意力机制，能够有效地提高肝脏肿瘤分割的性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.016 seconds)
