-
公开(公告)号：CN108596069A
公开(公告)日：2018-09-28
申请号：CN201810346075.3
申请日：2018-04-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度3D残差网络的新生儿疼痛表情识别方法及系统。该方法包括：建立包含疼痛表情类别标签的新生儿表情视频库，并将新生儿表情视频库中的样本划分为训练集和验证集；构建一种用于新生儿疼痛表情识别的深度3D残差网络，利用公开的有类别标签的大规模视频数据库对网络进行预训练，得到初始权重参数值，再利用新生儿表情视频库中的训练集和验证集样本对网络进行微调，获得训练好的网络模型；将待测试新生儿表情视频片段输入到训练好的网络模型，进行表情分类识别，得到疼痛表情识别结果。本发明采用深度3D残差网络从视频中提取能够反映时间信息的时空动态特征，可以更好地表征面部表情的变化，从而提升分类识别的准确性。
-
公开(公告)号：CN102663450A
公开(公告)日：2012-09-12
申请号：CN201210077351.3
申请日：2012-03-21
Applicant: 南京邮电大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于稀疏表示的新生儿疼痛与非疼痛表情分类识别方法，该方法使用训练样本构建冗余字典,将测试样本看成冗余字典中训练样本的线性组合，利用其特有的稀疏性进行疼痛与非疼痛表情分类识别，能有效地识别出微笑、安静、非疼痛时的哭、轻度疼痛、剧烈疼痛状态下的表情，并对新生儿面部图像的噪声与遮挡问题具有很好的鲁棒性，为开发新生儿疼痛自动评估系统提供了一种新的方法和途径。
-
公开(公告)号：CN108363969A
公开(公告)日：2018-08-03
申请号：CN201810105264.1
申请日：2018-02-02
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于移动终端的新生儿疼痛评估方法，该方法包括：(1)采集新生儿疼痛表情图像，将所述表情图像分类，将所述表情图像裁剪成a×a像素的彩色图像；(2)构建一个包含1个数据层、19个卷积层、1个池化层、1个全连接层和1个分类层的卷积神经网络；(3)将数据库分为训练集和验证集，对卷积神经网络进行训练，得到优化后的网络模型；(4)将训练好的网络模型移植到移动终端，生成新生儿疼痛评估应用程序；(5)开启所述新生儿疼痛评估应用程序，并将识别结果显示在移动终端上。本发明针对智能手机等移动终端的处理能力，优化设计了深度卷积神经网络的结构，采用深度学习方法来提取新生儿疼痛表情特征，分类识别准确率高。
-
公开(公告)号：CN107392109A
公开(公告)日：2017-11-24
申请号：CN201710497593.0
申请日：2017-06-27
Applicant: 南京邮电大学
CPC classification number: G06K9/00302 , G06N3/0454 , G06N3/08
Abstract: 本发明涉及一种基于深度神经网络的新生儿疼痛表情识别方法，通过引入基于卷积神经网络（CNN）和长短时记忆（LSTM）网络的深度学习方法，将其运用于新生儿疼痛表情识别工作中，能够有效识别出新生儿处于安静、啼哭状态以及致痛性操作引起轻度疼痛、剧烈疼痛等表情；其中，通过引入深度神经网络来提取视频片段的时域和空域特征，突破了传统的人工设计与提取显式表情特征的技术瓶颈，并且提高了在面部受遮挡、姿态倾斜、光照变化等复杂情况下的识别率和鲁棒性。
-
公开(公告)号：CN106682616B
公开(公告)日：2020-04-21
申请号：CN201611231363.1
申请日：2016-12-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双通道特征深度学习的新生儿疼痛表情识别方法。该方法首先对新生儿面部图像进行灰度化，提取局部二值模式（Local Binary Pattern，LBP）特征图谱；然后用一个双通道卷积神经网络对并行输入的新生儿面部图像的灰度图及其LBP特征图两个通道的特征进行深度学习；最后采用基于softmax的分类器对两个通道的融合特征进行表情分类，分为平静、哭、轻度疼痛、剧烈疼痛四类表情。该方法结合灰度图像及其LBP特征图谱两个通道的特征信息，能够有效地识别出平静、哭、轻度疼痛、剧烈疼痛等表情，并对新生儿面部图像的光照、噪声与遮挡问题具有很好的鲁棒性，为开发出新生儿疼痛表情识别系统提供了一种新的方法和途径。
-
Patent Agency Ranking
公开(公告)号：CN106778657A
公开(公告)日：2017-05-31
申请号：CN201611233381.3
申请日：2016-12-28
Applicant: 南京邮电大学
CPC classification number: G06K9/00302 , G06K9/6277 , G06N3/08
Abstract: 本发明公开了基于卷积神经网络的新生儿疼痛表情分类方法，该方法首先采集新生儿疼痛表情图像，由专业医护人员对图像按平静、哭、轻微疼痛、剧烈疼痛逐级分类，建立新生儿疼痛表情图像库；其次，构建含有1层数据层、3层卷积层、2层全连接层和1层分类层的卷积神经网络；然后，以新生儿疼痛表情图像库中样本作为卷积神经网络的数据输入，利用反向传播算法对网络迭代训练，并优化训练全局参数使网络输出损失函数值下降并收敛；最后，输入新生儿疼痛表情测试样本，利用卷积神经网络对其识别分类，实现新生儿在平静、哭、轻微疼痛、剧烈疼痛状态的表情识别，为评估新生儿疼痛程度提供一种新的方法途径。
-
公开(公告)号：CN102663450B
公开(公告)日：2013-10-30
申请号：CN201210077351.3
申请日：2012-03-21
Applicant: 南京邮电大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于稀疏表示的新生儿疼痛与非疼痛表情分类识别方法，该方法使用训练样本构建冗余字典，将测试样本看成冗余字典中训练样本的线性组合，利用其特有的稀疏性进行疼痛与非疼痛表情分类识别，能有效地识别出微笑、安静、非疼痛时的哭、轻度疼痛、剧烈疼痛状态下的表情，并对新生儿面部图像的噪声与遮挡问题具有很好的鲁棒性，为开发新生儿疼痛自动评估系统提供了一种新的方法和途径。
-
公开(公告)号：CN108363969B
公开(公告)日：2022-08-26
申请号：CN201810105264.1
申请日：2018-02-02
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于移动终端的新生儿疼痛评估方法，该方法包括：(1)采集新生儿疼痛表情图像，将所述表情图像分类，将所述表情图像裁剪成a×a像素的彩色图像；(2)构建一个包含1个数据层、19个卷积层、1个池化层、1个全连接层和1个分类层的卷积神经网络；(3)将数据库分为训练集和验证集，对卷积神经网络进行训练，得到优化后的网络模型；(4)将训练好的网络模型移植到移动终端，生成新生儿疼痛评估应用程序；(5)开启所述新生儿疼痛评估应用程序，并将识别结果显示在移动终端上。本发明针对智能手机等移动终端的处理能力，优化设计了深度卷积神经网络的结构，采用深度学习方法来提取新生儿疼痛表情特征，分类识别准确率高。
-
公开(公告)号：CN110309816B
公开(公告)日：2021-06-11
申请号：CN201910628182.X
申请日：2019-07-12
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种由粗到精的新生儿面部检测方法与系统。该方法包括以下步骤：建立新生儿面部图像样本集；构建一种包括特征提取、面部边框粗定位和面部边框精定位模块的适用于新生儿面部检测的深度卷积神经网络；用样本集里的样本训练所构建的深度卷积神经网络，得到新生儿面部检测模型；利用新生儿面部检测模型对新输入的测试图像进行新生儿面部检测。本发明针对新生儿面部特点，构建并训练一个深度卷积神经网络模型，提取新生儿面部不同尺度的特征图，并通过两次分类任务及级联的两次回归任务实现由粗定位到精定位的面部检测，可以有效提高新生儿面部检测精度，减少误检、漏检的概率。
-
公开(公告)号：CN110309816A
公开(公告)日：2019-10-08
申请号：CN201910628182.X
申请日：2019-07-12
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种由粗到精的新生儿面部检测方法与系统。该方法包括以下步骤：建立新生儿面部图像样本集；构建一种包括特征提取、面部边框粗定位和面部边框精定位模块的适用于新生儿面部检测的深度卷积神经网络；用样本集里的样本训练所构建的深度卷积神经网络，得到新生儿面部检测模型；利用新生儿面部检测模型对新输入的测试图像进行新生儿面部检测。本发明针对新生儿面部特点，构建并训练一个深度卷积神经网络模型，提取新生儿面部不同尺度的特征图，并通过两次分类任务及级联的两次回归任务实现由粗定位到精定位的面部检测，可以有效提高新生儿面部检测精度，减少误检、漏检的概率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.017 seconds)
