-
公开(公告)号：CN113012230A
公开(公告)日：2021-06-22
申请号：CN202110341424.4
申请日：2021-03-30
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
Abstract: 本发明公开了一种术中AR辅助引导手术导板安放的方法，包括：1)获取四对3D‑2D匹配点对；2)求解PNP问题进行三维姿态估计，实现实际手术部位目标模型与虚拟手术部位目标模型的初配准；3)在原有Powell算法上，改进其每一轮的搜索方向，确保各个搜索方向始终线性无关，并将初配准结果作为搜索的起始点,得到实现精配准的虚拟三维手术部位模型的位姿调整矩阵；4)将位姿调整矩阵作用于虚拟三维手术导板模型，并将其与实际手术部位目标模型的匹配作为指导实际手术导板安放的金标准；5)提取视频帧中放置的实际手术导板，并与金标准中的虚拟手术导板做匹配度计算，得到最佳的手术导板安放的位置。本发明可达到渲染的虚拟数字模型与视频目标的实际模型精确配准融合。
-
公开(公告)号：CN113012230B
公开(公告)日：2022-09-23
申请号：CN202110341424.4
申请日：2021-03-30
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
Abstract: 本发明公开了一种术中AR辅助引导手术导板安放的方法，包括：1)获取四对3D‑2D匹配点对；2)求解PNP问题进行三维姿态估计，实现实际手术部位目标模型与虚拟手术部位目标模型的初配准；3)在原有Powell算法上，改进其每一轮的搜索方向，确保各个搜索方向始终线性无关，并将初配准结果作为搜索的起始点,得到实现精配准的虚拟三维手术部位模型的位姿调整矩阵；4)将位姿调整矩阵作用于虚拟三维手术导板模型，并将其与实际手术部位目标模型的匹配作为指导实际手术导板安放的金标准；5)提取视频帧中放置的实际手术导板，并与金标准中的虚拟手术导板做匹配度计算，得到最佳的手术导板安放的位置。本发明可达到渲染的虚拟数字模型与视频目标的实际模型精确配准融合。
-
公开(公告)号：CN114237838A
公开(公告)日：2022-03-25
申请号：CN202111397391.1
申请日：2021-11-23
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
Abstract: 本发明公开了一种基于自适应损失函数加权的多任务模型训练方法，包括：1)获得数据集的图像和标签，构建待训练的多任务模型；2)将图像输入至多任务模型中，计算不同任务的损失值及初始梯度；3)将第i个任务的初始梯度进行归一化，并计算第i个任务的期望梯度；4)通过第i个任务归一化后的初始梯度及其期望梯度，计算其梯度差值，更新其任务权重；5)重复步骤3)至步骤4)，更新N个任务损失的权重，得到加权的多任务损失，并通过反向传播算法对多任务模型进行参数更新，得到训练完成的多任务模型。本发明对不同任务损失的权重进行自适应加权，缓解了任务间的梯度冲突，提高了多任务模型训练的精度和效率。
-
公开(公告)号：CN117473378A
公开(公告)日：2024-01-30
申请号：CN202311207790.6
申请日：2023-09-18
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
IPC: G06F18/241 , G06F18/214 , G06N3/0895 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于提示学习的自监督视觉模型的知识迁移方法，包括：将训练数据集中所有图像输入自监督视觉模型的对比分支中，计算不同类别的类中心向量；从训练数据集中随机抽取一张图像作为查询图像，并将该查询图像输入自监督视觉模型的查询分支中，获得特征向量；计算该查询图像的特征向量与不同类别的类中心向量之间的相似度，预测类别结果；通过多实例‑原型对比损失函数遍历训练数据集所有图像计算损失，通过反向传播算法对模型参数微调，将模型中的知识进行迁移并适用于下游任务。本发明使用提示学习重构下游任务，缓解了上下游任务间的目标差异对于预训练模型迁移性能的影响，同时引入更少可学习参数，实现性能和训练成本之间平衡。
-
公开(公告)号：CN114237838B
公开(公告)日：2024-12-10
申请号：CN202111397391.1
申请日：2021-11-23
Applicant: 华南理工大学 , 华南理工大学珠海现代产业创新研究院
IPC: G06F9/48 , G06N3/0455 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于自适应损失函数加权的多任务模型训练方法，包括：1)获得数据集的图像和标签，构建待训练的多任务模型；2)将图像输入至多任务模型中，计算不同任务的损失值及初始梯度；3)将第i个任务的初始梯度进行归一化，并计算第i个任务的期望梯度；4)通过第i个任务归一化后的初始梯度及其期望梯度，计算其梯度差值，更新其任务权重；5)重复步骤3)至步骤4)，更新N个任务损失的权重，得到加权的多任务损失，并通过反向传播算法对多任务模型进行参数更新，得到训练完成的多任务模型。本发明对不同任务损失的权重进行自适应加权，缓解了任务间的梯度冲突，提高了多任务模型训练的精度和效率。
-
Patent Agency Ranking
公开(公告)号：CN116657784B
公开(公告)日：2025-05-02
申请号：CN202310488166.1
申请日：2023-04-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种采用玻璃钢的新型液体协调阻尼器，包括钢筋混凝土水箱、十字型截面玻璃钢浆柱、受力钢筋、预埋套筒和焊接钢板；钢筋混凝土水箱内能够容纳协调液体阻尼器液体，且钢筋混凝土水箱顶板和建筑顶层楼板内均设置有受力钢筋和预埋套筒，预埋套筒通过焊接钢板与受力钢筋连接；十字型截面玻璃钢浆柱位于箱体内，且十字型截面玻璃钢浆柱的顶部和底部通过相应的预埋套筒分别与钢筋混凝土水箱顶板及建筑顶层楼板连接。本发明结构简单、施工简便，玻璃钢浆柱的连接方式使其便于施工和维护，既能满足液体协调阻尼器对浆柱刚度和强度的需求，也可降低由于材料重量及腐蚀造成的施工和后期维护成本，提高液体协调阻尼器服役期间的安全可靠性。
-
公开(公告)号：CN113313166B
公开(公告)日：2022-07-26
申请号：CN202110591115.2
申请日：2021-05-28
Applicant: 华南理工大学
IPC: G06K9/62 , G06V10/40 , G06V10/774 , G06N3/04
Abstract: 本发明公开了一种基于特征一致性学习的船舶目标自动标注方法，包括步骤：1)利用已标注的和未标注的船舶样本构建船舶数据集，并对其中的船舶样本进行数据增强；2)构建船舶特征判别模型，利用船舶数据集进行基于特征一致性学习的模型训练；3)在模型训练过程中，计算船舶样本的对抗扰动并优化；4)利用已训练好的船舶特征判别模型对未标注的船舶样本进行伪标注；5)利用船舶样本的伪标注重复进行模型训练直到收敛，输出最终的伪标注。本发明利用多样性的船舶数据，学习鲁棒性的船舶通用特征，实现对船舶目标的自动标注，有效地减少人工标注的成本。
-
公开(公告)号：CN111161408B
公开(公告)日：2021-12-21
申请号：CN201911377582.4
申请日：2019-12-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种实现增强现实的方法及其应用、计算设备，方法包括先获取被测目标的多帧视频图像和数字三维模型；选取模型在世界空间坐标系下的四个坐标点，在首帧视频图像或者首帧带有被测目标的视频图像中选取出四个对应的像素点，并提取出视频图像的特征点，生成改进特征点描述符向量，然后在该帧视频图像中渲染数字三维模型；再对剩余的多帧视频图像依次提取特征点，对当前视频图像和前一帧视频图像的特征点进行匹配跟踪；求解数字三维模型的位姿估计，并在剩余的多帧视频图像中依次渲染对应的位姿状态，最终得到实现增强现实的多帧视频图像。本发明可以实现高精确度、高稳定度和高效率的图像匹配，得到实现增强现实的图像。
-
公开(公告)号：CN109215064B
公开(公告)日：2021-06-08
申请号：CN201810874184.2
申请日：2018-08-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于超像素向导的医学图像配准方法，包括步骤：1)对参考图像和浮动图像采用基于B样条的FFD配准算法进行刚性预配准，获得预配准后的参考图像和浮动图像；2)对预配准后的参考图像和浮动图像，进行下采样，形成多分辨率金字塔，级数为l；3)多分辨率方案的图像配准从最粗的分辨率开始，由粗至精的逐步配准，在当前分辨率l下，经迭代后，对已获得的空间变换ul进行上采样得到ul‑1，然后利用空间变换ul‑1对金字塔第l‑1级的图像进行变换，将获得的图像再次进入迭代，直到金字塔图像最低层结束；4)将最终获得的空间变换u作用于刚性配准后的浮动图像，获得最终的配准后结果图像。本发明获得了优于基于B样条的FFD模型、DD模型等当前主流DIR配准模型的配准精度和鲁棒性。
-
公开(公告)号：CN111563902A
公开(公告)日：2020-08-21
申请号：CN202010324982.5
申请日：2020-04-23
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于三维卷积神经网络的肺叶分割方法及系统，该方法包括以下步骤：构建肺叶分割的训练图像数据集；构建基于三维卷积神经网络的肺叶分割网络并进行网络训练，对训练图像数据集进行预处理，训练完成后输出每个像素所属类别概率图；采用Dice Loss损失函数计算每个像素所属类别概率图的损失，多个类别概率图的损失进行加权得到总损失；设置权重衰减和学习率衰减，训练网络直至网络收敛；将待测图像进行预处理后输入到训练好的肺叶分割网络输出预测结果；将预测结果经过后处理还原至待测图像原始输入尺寸获得最终分割结果。本发明经过预处理和网络推理即可获得肺叶分割结果，实现了端到端的设计，提高了肺叶分割的效率和精度。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.029 seconds)
