-
公开(公告)号：CN109584147A
公开(公告)日：2019-04-05
申请号：CN201811425292.8
申请日：2018-11-27
Applicant: 东莞信大融合创新研究院 , 中国人民解放军战略支援部队信息工程大学
IPC: G06T3/00
Abstract: 本发明涉及图像处理技术领域，具体公开了一种基于锥形束CT的牙科全景图生成方法，包括获取锥形束CT口腔牙齿的三维图像数据；从图像中选取完整显示牙弓及每颗牙齿牙髓腔的剖切面，在剖切面牙髓上描点并利用二次多项式拟合成完整的曲线L1；将曲线L1按一定像素步长进行离散，得到离散点集合P1；计算P1中每两个相邻点的中点位置，获得中点集合P2，并根据P2各点的位置生成牙弓线L2；计算牙弓线L2上各像素点P2的灰度值；将牙弓线展开获取牙科全景图。本发明既能得到CT断层影像和口腔全景图重建牙齿的三维结构，而且还能直观准确的反映出单颗牙齿的全部形态，方便了解口腔情况。
-
公开(公告)号：CN109584147B
公开(公告)日：2023-06-30
申请号：CN201811425292.8
申请日：2018-11-27
Applicant: 东莞信大融合创新研究院 , 中国人民解放军战略支援部队信息工程大学
IPC: G06T3/00
Abstract: 本发明涉及图像处理技术领域，具体公开了一种基于锥形束CT的牙科全景图生成方法，包括获取锥形束CT口腔牙齿的三维图像数据；从图像中选取完整显示牙弓及每颗牙齿牙髓腔的剖切面，在剖切面牙髓上描点并利用二次多项式拟合成完整的曲线L1；将曲线L1按一定像素步长进行离散，得到离散点集合P1；计算P1中每两个相邻点的中点位置，获得中点集合P2，并根据P2各点的位置生成牙弓线L2；计算牙弓线L2上各像素点P2的灰度值；将牙弓线展开获取牙科全景图。本发明既能得到CT断层影像和口腔全景图重建牙齿的三维结构，而且还能直观准确的反映出单颗牙齿的全部形态，方便了解口腔情况。
-
公开(公告)号：CN118114747A
公开(公告)日：2024-05-31
申请号：CN202410140382.1
申请日：2024-01-31
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06N3/094 , G06N3/0475 , G06F18/21 , G06F18/214 , G06F18/2131
Abstract: 本发明提供一种基于黑盒查询的信号智能检测网络接收端对抗样本生成方法。该方法包括：构建一个以信号样本为输入，以信号检测数量为输出的信号智能检测网络接收端作为待攻击模型；将信号智能检测网络检测的信号对抗样本相比于原始信号样本减少的信号数量的比例定义为攻击成功的决策边界；生成初始的扰动信号样本；根据当前的扰动信号样本基于决策边界估计其在决策边界处的梯度方向，沿估计的梯度方向对当前的扰动信号样本进行更新且更新后的扰动信号样本攻击成功时，则执行下一步骤；在原始信号样本上添加更新后的扰动信号样本且攻击成功时，则保存当前的攻击样本；重复以上两个步骤，直至满足停止条件，保存的攻击样本即为需要的信号对抗样本。
-
公开(公告)号：CN115409937A
公开(公告)日：2022-11-29
申请号：CN202210999247.3
申请日：2022-08-19
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明属于人工智能技术领域，特别涉及一种基于集成神经辐射场的人脸视频表情迁移模型构建方法及表情迁移方法和系统，通过构建集成神经辐射场人脸表情迁移模型，其中，所述迁移模型中包含：集成渲染生成器，其由n个用于查询采样帧图像空间密度和颜色的子生成器组成；及用于对n个子生成器进行加权求和的权重控制器；根据人物类别收集视频数据，将视频数据分解为若干张帧图像，按时间顺序将若干张帧图像均分n份，利用均分的帧图像集构建样本数据，训练优化子生成器，以样本数据中的表情向量为权重控制器的输入，利用权重控制器调整子生成器的输出权重以获取最终训练优化后的迁移模型。本发明在面部重现的重建质量、身份保持、表情和姿态转换等方面都有更加稳定和优越的表现，具有较好的应用前景。
-
公开(公告)号：CN115238886A
公开(公告)日：2022-10-25
申请号：CN202210778368.5
申请日：2022-07-04
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06N3/08 , G06F16/906 , G06F16/901
Abstract: 本发明提供一种面向图数据节点分类的通用扰动攻击方法。该方法包括：步骤1：设置扰动的目标节点和攻击节点，以及设置给定的需要对抗攻击的图神经网络模型对扰动后图数据节点分类的平均正确率阈值σ；步骤2：确定扰动类型，然后根据扰动类型，对攻击节点执行对应类型下的扰动操作；所述扰动类型包括特征扰动和结构扰动；步骤3：执行完当前次的扰动操作后，计算给定的需要对抗攻击的图神经网络模型对扰动后图数据节点分类的平均正确率，若所述平均正确率不小于所述平均正确率阈值σ，则依次更换攻击节点并对更新后的攻击节点继续执行下一次扰动操作，直至扰动后的平均正确率小于所述平均正确率阈值σ。
-
Patent Agency Ranking
公开(公告)号：CN113920216A
公开(公告)日：2022-01-11
申请号：CN202111337950.X
申请日：2021-11-12
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明属于能谱CT重建技术领域，特别涉及一种基于张量核范数和变换Lp范数的能谱CT重建方法及装置，该方法包括选取框架集变换矩阵以及初始化图像；利用块匹配技术建立能谱CT图像通道内和通道间的关联性，构造非局部相似张量；将非局部相似张量融入重建模型，对重建模型进行更新；基于框架集张量核范数和变换Lp范数进行能谱CT重建；判断重建图像的质量是否满足要求。本发明利用框架集张量核范数探索通道间图像的相关性，并利用构造的非局部相似张量对目标函数进行改进，建立了新的重建模型，通过不断迭代及循环机制，提高收敛的效率和重建图像的质量。
-
公开(公告)号：CN113920215A
公开(公告)日：2022-01-11
申请号：CN202111337782.4
申请日：2021-11-12
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明属于图像超分辨重建技术领域，特别涉及一种基于稀疏表示的双能CT超分辨图像重建方法及系统，通过对原始真值图像模糊滤波器去降采样的操作，得到成对的高低分辨率双能CT图像，对训练集中的CT图像提取成对的匹配的图像分割块；为了获得稀疏表示的相似性，分别对高能谱CT图像和低能谱CT图像联合训练两对字典，每对字典包含低分辨率和高分辨率图像块的字典；然后，从低分辨率输入块中提取的稀疏表示系数乘以相对应的高分辨率字典用于重建高分辨率输出。本发明结合适量迭代操作使得重建高分辨率图像能够获得更好的图像质量和更清晰的视觉效果，通过图像质量评价指标和峰值信噪比表明本案可以有效提高双能CT图像的分辨率，便于实际场景应用。
-
公开(公告)号：CN113888551A
公开(公告)日：2022-01-04
申请号：CN202111234115.3
申请日：2021-10-22
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明提供一种基于高低层特征融合的密集连接网络的肝脏肿瘤图像分割方法。该方法包括步骤1：采集肝脏肿瘤病人的核磁图像组成数据集，并将数据集划分为训练集和测试集；步骤2：构造分割模型，分割模型选取密集连接网络作为框架，密集连接网络包括编码器、解码器和位于编码器和解码器之间的全局注意力模块；其中，全局注意力模块将肝脏肿瘤图像的低层特征和肝脏肿瘤图像的高层特征进行特征融合，学习自动评估高层特征的重要性，以供解码器利用重要的高层语义特征所包含的分类信息指导低层特征恢复图像细节；步骤3：使用训练集中的图像数据训练分割模型，然后采用训练好的分割模型对测试集中的图像数据进行测试，得到肝脏肿瘤图像的分割结果。
-
公开(公告)号：CN112233199A
公开(公告)日：2021-01-15
申请号：CN202011006599.1
申请日：2020-09-23
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明提供一种基于离散表征和条件自回归的fMRI视觉重构方法。该方法包括：步骤1：构建图像离散表征模型和图像重构模型；步骤2：构建fMRI视觉重构数据集，所述数据集包含训练集和测试集，训练集包含第一套图像和被试看到第一套图像刺激后的第一套fMRI脑信号；所述测试集包含第二套图像和被试看到第二套图像刺激后的第二套fMRI脑信号；步骤3：根据训练集和图像离散表征模型，构建fMRI脑信号到图像离散表征的条件自回归模型；步骤4：根据条件自回归模型和图像重构模型，得到第二套fMRI脑信号的视觉重构结果。本发明主要面向复杂自然图像的重构。
-
公开(公告)号：CN112232378A
公开(公告)日：2021-01-15
申请号：CN202011006608.7
申请日：2020-09-23
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明提供一种面向fMRI视觉分类的零次学习方法。该方法包括：步骤1：构建面向fMRI视觉分类的零次学习的数据集，数据集包括训练集和测试集，训练集包含训练集图像和被试看到训练集图像刺激后的训练集fMRI脑信号；测试集包含测试集图像和被试看到测试集图像刺激后的测试集fMRI脑信号；训练集图像和测试集图像之间的图像语义类别不相同；步骤2：根据训练集训练基于对抗学习的图像特征条件下fMRI脑信号自动生成网络；步骤3：根据测试集训练语义类别视觉分类网络；步骤4：根据步骤3训练的语义类别视觉分类网络，输入测试集fMRI脑信号，得到预测结果，实现对测试集fMRI脑信号的视觉分类。本发明的语义视觉分类网络可以扩展到被试之前未看到的图像语义类别。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.052 seconds)
