-
公开(公告)号：CN116664483A
公开(公告)日：2023-08-29
申请号：CN202310405451.2
申请日：2023-04-17
申请人： 济南大学
摘要： 本发明公开了一种多指标协同的OCT视网膜图像病变演进预测方法，所述方法通过融合多种影像和临床指标的空间和时序特征，建模患者前两次随访的OCT视网膜图像与病变区域发展的关系。具体来说，首先通过多种技术提取前两次随访的OCT视网膜图像与病变发展有关的影像与临床指标。接着，使用全卷积神经网络和长短时记忆网络分别提取OCT视网膜图像和多种指标的空间和时序特征。最后，将时序和空间特征融合，预测后续随访时间病变区域的发展。
-
公开(公告)号：CN113887661A
公开(公告)日：2022-01-04
申请号：CN202111243560.6
申请日：2021-10-25
申请人： 济南大学
摘要： 本发明公开了基于表示学习重构残差分析的图像集分类方法及系统，所述方法利用高斯核函数，将获取的图像集数据的低维特征映射到高维空间中，然后通过构建残差判别分析模型学习一个投影矩阵，使得投影后的图像集特征类内重建残差最小，类间重建残差最大。本发明通过输入来自于视频序列、影集或监控系统的图像集数据；对所述图像集进行数据预处理操作；将获取的图像数据输入到重构残差分析模型进行模型训练，得到最优投影矩阵；基于最优投影矩阵构建新的图像集分类器；将测试图像集输入到分类器中进行分类，得到对应的类别标签。
-
公开(公告)号：CN118626675A
公开(公告)日：2024-09-10
申请号：CN202410750171.X
申请日：2024-06-12
申请人： 济南大学
IPC分类号： G06F16/783 , G06F16/735 , G06V20/40 , G06V10/82 , G06V10/80
摘要： 本发明提供一种基于大模型的粗细粒度相结合的哈希视频检索方法，通过获取视频数据集数据；对视频数据集进行划分和预处理操作；将视频输入分别输入到CLIP帧特征提取模块和Transformer视频特征提取模块；将得到的帧特征信息通过提出的多粒度融合模块中的空间注意力机制进行加权得到帧融合视频信息；将得到的粗粒度视频信息与帧融合视频信息按照给定的特定超参数进行加权融合，最终得到视频信息；将得到的视频信息输入哈希码生成模块中，并通过损失函数，优化网络；将测试样本与数据库中的样本根据汉明距离进行排序，检索到的正确结果。通过采用本发明的技术方案，能够有效增加视频检索的速度，提高视频检索的精度。
-
公开(公告)号：CN114913377B
公开(公告)日：2024-08-06
申请号：CN202210546904.9
申请日：2022-05-19
申请人： 济南大学
IPC分类号： G06V10/764 , G06V10/40 , G06V10/82 , G06T7/00 , G06T7/13 , G06T7/73 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/0895
摘要： 本发明公开了一种基于空间上下文变分自动编码器的图像异常检测方法，所述方法通过使用空间上下文变分自动编码器，进行图像生成与注意力校正，检测异常图像；所述空间上下文变分自动编码器包括两个不同的变分自动编码器：第一个为空间变分自动编码器，用于学习正常图像的空间特征；第二个为上下文变分自动编码器，用于学习正常图像的全局上下文特征。本发明通过使用空间上下文变分自动编码器学习正常图像的分布，检测不符合正常图像分布的疾病图像，通过准确学习正常图像的空间特征和上下文特征，在有效检测异常的同时降低误报；同时使用注意力校正方法，进一步提高异常检测的准确率。
-
公开(公告)号：CN116309638A
公开(公告)日：2023-06-23
申请号：CN202310234689.3
申请日：2023-03-13
申请人： 济南大学 , 济南嘲风智能科技有限公司
IPC分类号： G06T7/11 , G06T7/136 , G06N3/0455 , G06N3/08
摘要： 本发明涉及图像分析方法，特别涉及一种基于语义增强变分自动编码器的图像异常分割方法。包括训练阶段和测试阶段，所述训练阶段为通过引入图像和特征空间分布约束，构建一个语义增强变分自动编码器模型，对正常图像分布进行刻画；所述测试阶段为通过计算融合通道域和空间域的异常注意力图，捕获全局和局部异常变化，分割异常图像中与正常图像有明显差异的异常区域。
-
公开(公告)号：CN112364730B
公开(公告)日：2023-01-17
申请号：CN202011185874.0
申请日：2020-10-29
申请人： 济南大学
IPC分类号： G06V20/10 , G06V10/26 , G06V10/56 , G06V10/74 , G06V10/762 , G06V10/77 , G06V10/764
摘要： 本发明公开了一种基于稀疏子空间聚类的高光谱地物自动分类方法及系统，方法包括以下步骤：对高光谱图像进行空间划分，将相邻且相似的数据划分到同个超像素块；根据数据划分结果构建空间指示矩阵；在高光谱图像上进行类别信息引导稀疏子空间聚类地物分类，获得图像数据间的稀疏表示矩阵和类别标签；根据数据类别标签分别计算各类别数据间光谱的相似度和空间位置距离，并组合成各类内数据相似度；对各类内数据相似度进行排序，并筛选各类别中存在的高相似性数据关系；通过筛选后保留的高相似性数据关系构建类别信息指导矩阵；构建数据相似度矩阵并应用谱聚类获得最后的分类结果。本发明提高了高光谱地物的分类精度以及地物种类探测的准确度和效率。
-
公开(公告)号：CN112417752B
公开(公告)日：2022-11-08
申请号：CN202011185873.6
申请日：2020-10-29
申请人： 济南大学
摘要： 本发明公开了一种基于卷积LSTM神经网络的云层轨迹预测方法及系统，方法包括以下步骤：步骤1，获取目标云层的雷达反射率因子图像；步骤2、对雷达反射率因子图像数据进行预处理操作；步骤3、构造雷达反射率因子图像数据集，所述雷达反射率因子图像数据集包括训练集和测试集；步骤4、结合卷积LSTM神经网络、编码‑解码器、原始卷积层和原始反卷积层构建时空序列云轨迹预测模型；步骤5、利用训练集的数据训练时空序列云轨迹预测模型；步骤6、利用训练后的时空序列云轨迹预测模型对实时数据进行云层轨迹预测。本发明能够提高云层轨迹预测的效率和准确度。
-
公开(公告)号：CN112417752A
公开(公告)日：2021-02-26
申请号：CN202011185873.6
申请日：2020-10-29
申请人： 济南大学
摘要： 本发明公开了一种基于卷积LSTM神经网络的云层轨迹预测方法及系统，方法包括以下步骤：步骤1，获取目标云层的雷达反射率因子图像；步骤2、对雷达反射率因子图像数据进行预处理操作；步骤3、构造雷达反射率因子图像数据集，所述雷达反射率因子图像数据集包括训练集和测试集；步骤4、结合卷积LSTM神经网络、编码‑解码器、原始卷积层和原始反卷积层构建时空序列云轨迹预测模型；步骤5、利用训练集的数据训练时空序列云轨迹预测模型；步骤6、利用训练后的时空序列云轨迹预测模型对实时数据进行云层轨迹预测。本发明能够提高云层轨迹预测的效率和准确度。
-
公开(公告)号：CN116958631A
公开(公告)日：2023-10-27
申请号：CN202310352099.0
申请日：2023-03-30
申请人： 济南大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/772 , G06V20/40
摘要： 本发明提供了一种快速图像集合分类方法及系统，所述方法通过对获得的图像集合数据使用静态建模方法进行建模表示，生成每个图像集合的协方差矩阵；使用对数函数将所述协方差矩阵映射到切空间，把矩阵数据转换为向量，并使用PCA进行降维，最后将降维后的数据输入到流形低秩字典对学习方法中，优化求解后得到每类所对应的最优的合成字典及分析字典。本发明通过输入视频序列数据；对视频数据进行预处理操作，以获得图像集数据；对获得的图像集合数据使用静态建模方法进行建模表示，即生成每个图像集合的协方差矩阵；使用对数函数将协方差矩阵映射到切空间；把矩阵数据转换为向量，并使用PCA进行降维，最后将降维后的数据输入到流形低秩字典对学习方法中，优化求解后得到每类所对应的最优的合成字典及分析字典。
-
公开(公告)号：CN114821187A
公开(公告)日：2022-07-29
申请号：CN202210545591.5
申请日：2022-05-19
申请人： 济南大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/40 , G06V10/771 , G06K9/62 , G06T7/00 , G06T7/73 , G06T3/40 , G06T5/00 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于判别学习的图像异常检测和定位方法，所述方法的实现包括内容如下：通过基于外部数据集训练的网络，对原始图像进行特征提取；采用梯度偏好的方法进行特征选择；将得到的特征送入带有中心约束的判别网络中进行异常检测。本发明通过能够在不需要异常数据的情况下，准确检测并定位到图像中存在的异常。在解决图像异常检测和定位上表现出强大的性能和理论优势。极大的提高了检测效率和准确性。
-
-
-
-
-
-
-
-
-
搜索结果
27 条记录 (耗时 0.027 秒)
