-
公开(公告)号：CN111986189B
公开(公告)日：2022-12-27
申请号：CN202010875028.5
申请日：2020-08-27
申请人： 上海市公共卫生临床中心 , 复旦大学
摘要： 本发明提供一种基于CT影像的多类别肺炎筛查深度学习系统，包括：CT影像数据预处理部预处理CT影像得到预处理CT影像，切片级肺炎二分类部分析基础深度特征得到二分类结果，弱监督病灶定位部根据类别标签得到病灶位置图，切片级肺炎四分类部对四类别肺炎检测得到四类别肺炎分类任务结果；病例级肺炎分类部分析得到多类别肺炎分类任务结果；肺炎诊断综合评估部基于切片级四分类类别结果、病灶位置图以及病例级多类别肺炎分类任务结果输出肺炎诊断综合评估结果和病灶定位分布图。因此本实施例除了能够得到得出常见肺炎病症以外，能够在没有医护人员的前提下快速、准确地区分COVID‑19与其他肺炎病症，这对于关于COVID‑19疫情的筛查工作具有帮助。
-
公开(公告)号：CN112307847A
公开(公告)日：2021-02-02
申请号：CN201910705947.5
申请日：2019-08-01
申请人： 复旦大学
摘要： 本发明提供一种具有强大的特征表征能力和泛化能力的基于指导的多尺度注意力行人重识别深度学习系统，其特征在于，包括：行人图片获取部，用于获取行人图片，行人图片包含行人待检测图片以及行人候选图片；图片特征提取部，用于根据预先训练完成的基于指导的多尺度特征提取模型提取行人图片在各个尺度下的全局特征和局部特征；图片特征拼接部，用于分别拼接各张行人图片的全局特征以及局部特征作为对应各张行人图片的行人图片特征；特征距离计算部，用于根据各个行人图片特征计算不同的行人图片特征之间的特征距离；相似程度判断部，用于根据各个特征距离之间的远近判断行人待检测图片与行人候选图片的相似程度作为行人重识别结果。
-
公开(公告)号：CN114428954A
公开(公告)日：2022-05-03
申请号：CN202111629855.7
申请日：2021-12-28
申请人： 复旦大学
摘要： 本发明涉及计算机视觉图像处理领域，具体是一种基于动态化网络结构学习的黑盒攻击方法。提出了在无真实数据参与条件下的对于未知场景的目标黑盒模型的攻击方法。其中针对多样化的目标黑盒模型，提出了动态化网络结构学习的替代模型训练方法，自主性地生成最优的替代模型结构，并提出了基于结构化信息图的优化约束以提升替代模型的学习质量与效率，从而进一步提高其生成的对抗样本的攻击性能。该方法具有查询次数少、学习效率高、攻击成功率高等优点，非常适合无任何先验知识的黑盒攻击场景。
-
公开(公告)号：CN108537136B
公开(公告)日：2020-11-20
申请号：CN201810224187.1
申请日：2018-03-19
申请人： 复旦大学
摘要： 本发明属于计算机图像识别技术领域，具体为基于姿态归一化图像生成的行人重识别方法。本发明的具体步骤包括：行人平均姿态和属性特征的预测；姿态归一化图像生成模型的构建、训练和测试，生成8张不同姿态的行人图像；行人重识别特征提取网络的构建、训练和测试，得到行人重识别特征；最后行人重识别特征融合，获得待检测行人目标以及所有候选行人目标的特征。本发明方法具有速度快、精确度高、鲁棒性好、泛化能力佳、可扩展性强等优点，非常适用于视频行人监控、视频行人信息检索等实际应用。
-
公开(公告)号：CN114399708A
公开(公告)日：2022-04-26
申请号：CN202111660869.5
申请日：2021-12-30
申请人： 复旦大学
摘要： 本发明公开了一种视频动作迁移深度学习系统和方法，包括分别与系统控制部连接的人物视频数据预处理部、视频特征量化部、视频特征重组部、动作迁移视频生成部，人物视频数据预处理部对源图像、参考图像进行预处理，提取源图像中源关键点信息和参考图像中参考关键点信息；视频特征量化部分别提取源图像、参考图像的深度特征，进行特征量化，获得源图像量化特征、参考图像量化特征；视频特征重组部根据源关键点、源图像量化特征、参考图像量化特征，预测出目标图像的量化特征；动作迁移视频生成部根据目标图像的量化特征，输出目标图像，系统控制部存储程序并进行控制。本系统用于实现动作迁移，保证目标图像的清晰度及分辨率。
-
公开(公告)号：CN111986189A
公开(公告)日：2020-11-24
申请号：CN202010875028.5
申请日：2020-08-27
申请人： 上海市公共卫生临床中心 , 复旦大学
摘要： 本发明提供一种基于CT影像的多类别肺炎筛查深度学习系统，包括：CT影像数据预处理部预处理CT影像得到预处理CT影像，切片级肺炎二分类部分析基础深度特征得到二分类结果，弱监督病灶定位部根据类别标签得到病灶位置图，切片级肺炎四分类部对四类别肺炎检测得到四类别肺炎分类任务结果；病例级肺炎分类部分析得到多类别肺炎分类任务结果；肺炎诊断综合评估部基于切片级四分类类别结果、病灶位置图以及病例级多类别肺炎分类任务结果输出肺炎诊断综合评估结果和病灶定位分布图。因此本实施例除了能够得到得出常见肺炎病症以外，能够在没有医护人员的前提下快速、准确地区分COVID-19与其他肺炎病症，这对于关于COVID-19疫情的筛查工作具有帮助。
-
公开(公告)号：CN116959032A
公开(公告)日：2023-10-27
申请号：CN202310935047.6
申请日：2023-07-27
申请人： 复旦大学
IPC分类号： G06V40/10 , G06V10/764 , G06V10/762 , G06V10/82 , G06N3/08
摘要： 本发明涉及一种基于细粒度表示与重组的行人重识别方法及系统，该方法包括：步骤S1：对行人图像进行细粒度聚类，得到属性伪标签和属性类特征；步骤S2：计算每张行人图像的细粒度属性分布；步骤S3：根据细粒度聚类得到的属性伪标签和属性类特征，计算属性感知的分类损失用于属性分类器训练；步骤S4：在不同的图像间进行细粒度的属性重组，并约束重组属性后的行人特征，得到行人重识别结果。与现有技术相比，本发明具有行人重识别检索结果准确，无需借助衣着标签或其他辅助信息，轻量且高效，能够捕捉细粒度行人身份特征，对行人属性变化鲁棒性高的优点。
-
公开(公告)号：CN111488760A
公开(公告)日：2020-08-04
申请号：CN201910073611.1
申请日：2019-01-25
申请人： 复旦大学
摘要： 本发明涉及一种基于深度多示例学习的少样本行人重识别方法，包括三个阶段：网络预训练阶段、数据集扩充阶段、网络微调阶段。行人重识别特征提取子网络预训练之后，利用行人关键点特征区域交换算法进行数据扩充；利用扩充的数据集对行人重识别特征提取子网络和特征聚合子网络进行微调；迭代重复数据集扩充和网络微调，直到特征提取子网络和特征聚合子网络收敛。一旦训练完成，即实现了利用少样本将原始域上的行人重识别模型迁移扩展至目标域上。本发明在给定目标域少量学习样本的前提上，能有效地将行人重识别模型迁移扩展到目标域监控网络中，具有精确度高、鲁棒性好、扩展性佳、可迁移的优点。
-
公开(公告)号：CN108537136A
公开(公告)日：2018-09-14
申请号：CN201810224187.1
申请日：2018-03-19
申请人： 复旦大学
CPC分类号： G06K9/00785 , G06K9/00362 , G06K9/629 , G06N3/08
摘要： 本发明属于计算机图象识别技术领域，具体为基于姿态归一化图像生成的行人重识别方法。本发明的具体步骤包括：行人平均姿态和属性特征的预测；姿态归一化图像生成模型的构建、训练和测试，生成8张不同姿态的行人图像；行人重识别特征提取网络的构建、训练和测试，得到行人重识别特征；最后行人重识别特征融合，获得待检测行人目标以及所有候选行人目标的特征。本发明方法具有速度快、精确度高、鲁棒性好、泛化能力佳、可扩展性强等优点，非常适用于视频行人监控、视频行人信息检索等实际应用。
-
公开(公告)号：CN111488760B
公开(公告)日：2023-05-02
申请号：CN201910073611.1
申请日：2019-01-25
申请人： 复旦大学
IPC分类号： G06V40/10 , G06V10/46 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464
摘要： 本发明涉及一种基于深度多示例学习的少样本行人重识别方法，包括三个阶段：网络预训练阶段、数据集扩充阶段、网络微调阶段。行人重识别特征提取子网络预训练之后，利用行人关键点特征区域交换算法进行数据扩充；利用扩充的数据集对行人重识别特征提取子网络和特征聚合子网络进行微调；迭代重复数据集扩充和网络微调，直到特征提取子网络和特征聚合子网络收敛。一旦训练完成，即实现了利用少样本将原始域上的行人重识别模型迁移扩展至目标域上。本发明在给定目标域少量学习样本的前提上，能有效地将行人重识别模型迁移扩展到目标域监控网络中，具有精确度高、鲁棒性好、扩展性佳、可迁移的优点。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.022 秒)
