-
公开(公告)号：CN118710511A
公开(公告)日：2024-09-27
申请号：CN202410742581.X
申请日：2024-06-11
申请人： 吉林大学
IPC分类号： G06T5/50 , G06T5/60 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/44 , G06V10/54 , G06N3/0455 , G06N3/09 , G06N3/0464 , G06N3/048
摘要： 本公开提供了一种基于深度特征感知的多焦点图像融合方法、装置、终端及存储介质，包括获取同一场景下的部分聚焦图像对，将其转化为灰度图，并作为融合模型的输入数据；将所述灰度图分别输入到双流网络中的一支，通过U‑模块的编码器和解码器提取并进行整合得到源图像的深度特征图；将每个分支的深度特征图经过特征融合模块得到初始决策图，并进一步进行决策强化得到最终决策图；将最终决策图和源图像进行融合，得到融合结果；引入基于像素稀疏表示的目标函数，在大规模训练数据集上进行迭代训练获得最优的融合模型。本公开致力于提取源图像的深度感知特征，从而得到高质量的融合结果。
-
公开(公告)号：CN111582365B
公开(公告)日：2022-07-22
申请号：CN202010374804.3
申请日：2020-05-06
申请人： 吉林大学
摘要： 本发明属于机器学习分类技术领域，具体涉及一种基于样本难度的垃圾邮件分类方法；能够提高垃圾邮件分类的准确性和稳定性，本发明根据邮件样本的难度信息为每个邮件样本制定统一的误分类损失函数，然后根据最小化总体误分类损失的原则提出一种更可靠和稳定的分类器算法，并将该算法应用在垃圾邮件分类中；本发明方法更加注重对简单样本的正确分类，这符合认知规律，即在误分率大致相当的情况下，该分类方法在分类难度值越小的邮件样本上误分率越低，这使得该分类方法的可信度高，更加可靠、稳定，适用性更强。
-
公开(公告)号：CN111582365A
公开(公告)日：2020-08-25
申请号：CN202010374804.3
申请日：2020-05-06
申请人： 吉林大学
摘要： 本发明属于机器学习分类技术领域，具体涉及一种基于样本难度的垃圾邮件分类方法；能够提高垃圾邮件分类的准确性和稳定性，本发明根据邮件样本的难度信息为每个邮件样本制定统一的误分类损失函数，然后根据最小化总体误分类损失的原则提出一种更可靠和稳定的分类器算法，并将该算法应用在垃圾邮件分类中；本发明方法更加注重对简单样本的正确分类，这符合认知规律，即在误分率大致相当的情况下，该分类方法在分类难度值越小的邮件样本上误分率越低，这使得该分类方法的可信度高，更加可靠、稳定，适用性更强。
-
公开(公告)号：CN118864864A
公开(公告)日：2024-10-29
申请号：CN202411337970.0
申请日：2024-09-25
申请人： 吉林大学
IPC分类号： G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/094
摘要： 本发明公开了一种多模态医学图像分割系统，属于医学图像分割技术领域。系统包括：图像生成模块以及分割模块；所述图像生成模块用于对非配对图像进行跨模态图像生成，得到生成图像；将得到的所述生成图像通过对比学习，得到配准图像；所述分割模块用于采用分割模型对输入的所述配准图像与源图像进行分割操作，得到分割图像。本发明为了解决传统静态权重分配方法在动态环境中缺乏灵活性，无法在整个训练过程中自适应调整以反映任务重要性变化的问题，提出了一种动态权重控制机制。
-
公开(公告)号：CN118196540B
公开(公告)日：2024-08-30
申请号：CN202410599748.1
申请日：2024-05-15
申请人： 吉林大学
IPC分类号： G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06V10/82
摘要： 本发明适用于小样本图像分类技术领域，提供了一种层次结构标签驱动的小样本图像分类方法，包括以下步骤：获取带有层次结构的多标签图像，构建卷积神经网络作为对比学习框架的主干网络，按照标签层次结构构建对比学习数据对；将数据对输入搭建好的网络模型中，获得特征向量并以特征向量为基础计算对比损失，同时将特征向量映射至具有负曲率的双曲空间中计算相似性损失；将对比损失和相似性损失结合成网络总损失，通过最小化损失函数来优化网络参数。本发明通过将双曲空间结合层次标签先验知识的方式缓解了数据集内细粒度数据间难分问题，同时本发明也可应用于带有偏斜、少样本、细粒度等问题的相关领域，具有可观的技术和经济价值。
-
公开(公告)号：CN116912206A
公开(公告)日：2023-10-20
申请号：CN202310871992.4
申请日：2023-07-17
申请人： 吉林大学
摘要： 本发明公开了一种基于多尺度结构纹理分解的多模态医学图像融合方法，包括以下步骤：S1、获取两张已配准的多模态医学图像，所述医学图像包括灰度图像和彩色图像，并获取所述彩色图像的光照分量；S2、将所述光照分量和所述灰度图像分别进行多尺度结构纹理分解，得到第一分解输出和第二分解输出；S3、对所述第一分解输出和所述第二分解输出进行融合，得到融合图像。针对包含大量能量信息的结构层，采用非线性函数给强度大的像素位置赋予更高的融合权重，从而避免了融合结果中出现强度损失，更好地保留了结构信息。
-
公开(公告)号：CN115222749A
公开(公告)日：2022-10-21
申请号：CN202210852414.1
申请日：2022-07-19
申请人： 吉林大学
摘要： 本发明公开了一种基于表示学习的医学图像分割方法,包括以下步骤：根据若干医学初始图像进行预处理获取若干组医学图像；基于马尔可夫决策过程为医学图像的像素表示学习过程建模；每个像素为一个智能体，将智能体基于全卷积神经网络构建全卷积A3C神经网络；根据全卷积A3C神经网络学习最优策略，获取最大化所有像素总预期奖励的平均值；训练全卷积A3C神经网络，通过多步解码获得最终的分割图像。本发明采用多步强化学习的方法来执行医学图像块的表示学习，既保证了网络分割模型更加关注感兴趣的区域，并且有效地减少了噪声所带来的干扰，使复杂的医学图像更易于分割与解读。
-
公开(公告)号：CN114549357A
公开(公告)日：2022-05-27
申请号：CN202210172695.6
申请日：2022-02-24
申请人： 吉林大学
摘要： 本发明公开一种基于边缘保留分解框架的多聚焦图像融合方法，包括步骤一、获取源图像并编号，步骤二、边缘保留的图像分解框架的构建及源图像的分解，步骤三、平滑子带的融合，步骤四、细节子带的融合，步骤五、融合平滑子带和融合细节子带的图像重构；本发明通过构建边缘保留的图像分解框架，可有效地保留和锐化显著的边缘和脊，同时还可消除平滑子带中不需要的细节信息，并维护细节子带中的详细信息，根据平滑子带和细节子带各自的特点设计融合规则，可充分保留图像的结构和细节信息，使最终融合图像的融合效果更适合于人类的视觉感知。
-
公开(公告)号：CN113902758A
公开(公告)日：2022-01-07
申请号：CN202111195866.9
申请日：2021-10-14
申请人： 吉林大学
摘要： 本发明提出一种基于双路径胶囊网络的脑部MR图像分割方法，该方法包括：第一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；第二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；第三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；第四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。本发明所述方法通过基于区域注意的半监督学习策略解决医学图像标注样本数据相对较少的问题，并采用级联架构描述相邻像素间的标签依赖关系，提高图像分割的准确度。实验结果表明，所述基于双路径胶囊网络的脑部MR图像分割方法能够有效处理脑部MR图像，并获得较好的分割结果。
-
公开(公告)号：CN118134866A
公开(公告)日：2024-06-04
申请号：CN202410235814.7
申请日：2024-03-01
申请人： 吉林大学
IPC分类号： G06T7/00 , G06V10/44 , G06V10/764 , G06V10/771 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895
摘要： 本发明公开了一种基于原型对比学习的双分支网络模型的DR分类方法，包括：获取糖尿病患者的糖尿病视网膜病变DR图像，将所述DR图像输入至原型对比学习的双分支网络模型中进行分类识别，获得分类结果；其中，所述原型对比学习的双分支网络模型包括骨干网络、特征学习分支和分类器分支。本发明有效地缓解了数据集中样本分布不平衡带来的挑战，特别是在少数类别样本的学习特征方面，确保了从特征学习到分类决策的平稳过渡。
-
-
-
-
-
-
-
-
-
搜索结果
24 条记录 (耗时 0.025 秒)
