-
公开(公告)号：CN118890582A
公开(公告)日：2024-11-01
申请号：CN202410910205.7
申请日：2024-07-08
Applicant: 福州大学
IPC: H04R3/00
Abstract: 本发明提供一种基于虚拟阵列的两阶段主瓣宽度可变波束形成方法，以差分麦克风阵列作为基本单元，由多个差分麦克风阵列组成更大阵列的平面差分波束形成器；波束形成分为两个阶段：首先差分麦克风阵列单元使用MMSE波束形成方法进行基本的差分波束形成，并采用基于Dolph‑Chebyshev多项式的形式的目标方向性图案，使主瓣宽度和旁瓣级可控；再通过组合多个差分麦克风阵列单元的输出进一步提升波束形成的性能；将多个差分麦克风阵列单元进行线性组合并视为虚拟的平面阵列，则全局阵列的导向向量视为差分麦克风阵列单元的导向向量与虚拟阵列导向向量的克罗内克积，全局波束形成器采用基本差分波束形成器和对应于虚拟阵列的波束形成器的克罗内克积。
-
公开(公告)号：CN115019379A
公开(公告)日：2022-09-06
申请号：CN202210609257.1
申请日：2022-05-31
Applicant: 福州大学
Abstract: 本发明提出一种人机协同的红外睑板腺图像量化分析方法，包括以下步骤；步骤S1、对图像进行睑板腺腺体的语义分割，转化为二值化的腺体图像；步骤S2、识别二值化腺体图像中的单个腺体；步骤S3、自动获取腺体区域的中心线；步骤S4、基于中心线来自动计算单个腺体的长度；步骤S5、基于中心线来自动计算单个腺体的直径；步骤S6、根据上述步骤所得结果，自动计算单个腺体区域的面积；步骤S7、根据上述步骤所得结果，自动计算单个腺体区域的形变系数；步骤S8、根据上述步骤所得结果，自动计算腺体区域的显影值；步骤S9、计算图像中央区域的腺体区域所占百分比；本发明可高效而精准地识别腺体，实现睑板腺腺体主要生物参数的自动计算。
-
公开(公告)号：CN114037899B
公开(公告)日：2024-09-06
申请号：CN202111453939.X
申请日：2021-12-01
Applicant: 福州大学
IPC: G06V20/10 , G06V10/764 , G06V10/77
Abstract: 本发明涉及一种基于VIT的面向高光谱遥感图像分类径向累加位置编码系统，包括：数据提取预处理模块，用于从数据集中截取数据，通过PCA主成分分析预处理，并将处理后的数据输入到模型框架中；位置编码模块，将输入的数据从中心点往四周叠加，使每个点的数据附带位置信息；数据拆分模块，将数据划分成多个块状区域，并分别拉伸成一维向量，输入到ViT模型中；主体模型模块，包含一个ViT模型，用于处理输入的数据，输出分类结果。本发明使输入到ViT的数据得以附加更加有效的空间信息，从而提升像素级分类精度。
-
公开(公告)号：CN118212197A
公开(公告)日：2024-06-18
申请号：CN202410310661.8
申请日：2024-03-19
Applicant: 福州大学
Abstract: 本发明提出一种用于深度学习微动脉瘤检测的高斯建模标签分配方法，所述方法首先利用特征感受野具有遵循高斯分布的特点，通过对理论感受野大小的转换，获取检测目标的有效感受野，来自动生成合适的样本锚框；然后，针对于微动脉瘤目标微小的特点，使用了相似度分数计算方式，即归一化Wasserstein距离，来直接衡量样本锚框和标签样本之间的相似性，并通过分层标签分配算法对样本锚框进行标签分配；本发明能够避免微动脉瘤的微小特征对样本标签分配结果的干扰，更准确地为样本锚框分配标签，提升眼底图像中微动脉瘤的正样本质量，有效实现微小目标的平衡学习，提高微动脉瘤的检测精度。
-
公开(公告)号：CN118096718A
公开(公告)日：2024-05-28
申请号：CN202410345619.X
申请日：2024-03-25
Applicant: 福州大学
Abstract: 本发明提供一种面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，以学生教师模型为基础，设计了伪标签生成与不确定性估计两大组成模块。其中，学生模型利用涂鸦标签对模型预测进行监督、引导，考虑到由涂鸦监督所带来的监督信息不足的问题，引入了伪标签生成模块进行模型预测集成融合来充实模型信息。鉴于伪标签中包含较多的噪声，直接使用伪标签将损害模型性能，设计了不确定性估计模块，有效的过滤伪标签中的噪声与错误。不确定性估计模块中过滤掉的信息可能也包含着一些有用的隐式信息，因此引入教师模型来充分利用此类信息；有效解决了使用传统精细标签所带来的高成本问题。
-
Patent Agency Ranking
公开(公告)号：CN116363118A
公开(公告)日：2023-06-30
申请号：CN202310414902.9
申请日：2023-04-18
Applicant: 福州大学
IPC: G06T7/00 , G06T7/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06T5/40 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了基于伪标签与深度特征交叉引导的睑板腺体图像分割方法，包括以下步骤：步骤S1：数据集处理；即对睑板腺体图像数据集进行划分和预处理，该数据集包含有标签数据和无标签数据；步骤S2：伪标签交叉引导；步骤S3：深度特征交叉引导；在分割网络的编码器深层设置一个辅助分支模块，对模型编码器深层的输出进行降维；编码器的浅层卷积进行监督约束，使两个模型的编码器部分进行深度特征交叉引导；应用本技术方案能够训练网络关注图像的边缘信息和语义信息，获取更为全面的特征描述，减少模型对标注数据量的依赖，最终获得更好的分割结果。
-
公开(公告)号：CN108549872B
公开(公告)日：2022-03-22
申请号：CN201810342794.8
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种适用于重定向图像质量评估的视觉注意融合方法，包括以下步骤：1、读取原始图像，使用两种显著物体检测算法生成两种显著性图；2、使用均衡化操作减小两种显著性图的分布差异，生成两幅均衡化显著性图；3、使用对应点的显著性值相加求平均的方法融合两幅均衡化显著性图，经归一化操作生成融合显著性图；4、检测原始图像中的人脸和线条信息；5、在约束放大极值的条件下，自适应地放大融合显著性图中的人脸矩形框和线条区域的显著性值，生成包含人脸和线条信息的融合显著性图；6、使用显著性增强模型增加融合显著性图的对比度，经归一化操作生成视觉注意融合显著性图。该方法能够提高客观质量评估结果与主观感知的一致性。
-
公开(公告)号：CN120014353A
公开(公告)日：2025-05-16
申请号：CN202510103041.1
申请日：2025-01-22
Applicant: 福州大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/77 , G06V20/10 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种面向国产卫星高光谱数据的基于空间邻域的多尺度光谱特征融合的分类方法，具体操作步骤如下：首先，针对已处理的卫星数据在空间维度实施切块处理，选取中心像素的标签作为对应图像块的真实标签。输入数据会先经由多尺度光谱特征提取模块。把提取得到的光谱特征传输至空间领域信息融合模块，在此模块对空间邻域信息和光谱信息展开进一步的提取和融合。将融合后的特征输入分类头，进而得到分类结果。本发明在卫星高光谱数据上取得初步成效。该方法能有效削减卫星因低空间分辨率而导致的光谱混杂和空间误差问题所产生的不良影响，切实有效地提高像素级分类的精度水平，为国产高光谱卫星数据分类提供了一种高效、精准的解决方案。
-
公开(公告)号：CN117079121B
公开(公告)日：2025-05-16
申请号：CN202310620502.3
申请日：2023-05-30
Applicant: 福州大学
IPC: G06V20/10 , G06V10/774 , G06V10/26 , G06V10/40
Abstract: 本发明涉及一种基于自适应编码和两阶段训练的遥感影像建筑物提取方法。通过自适应二进制磁盘编码和两阶段训练策略将深度学习与基于点击的交互式建筑物提取结合，提高了交互式建筑物提取的精度和鲁棒性。自适应二进制磁盘编码改进磁盘编码固定半径带来的交互特征信息不足问题；通过两阶段训练引导模型更多关注交互点击区域的引导特征。相比已有方法，该发明能捕获更有引导性的交互特征，大幅减少建筑物交互点击的次数的条件下获得相同的分割精度。
-
公开(公告)号：CN119992269A
公开(公告)日：2025-05-13
申请号：CN202510067194.5
申请日：2025-01-16
Applicant: 福州大学
IPC: G06V10/80 , G06V10/764 , G06V10/20 , G06V10/40 , G06V20/10
Abstract: 本发明提出一种基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类方法。首先，利用双分支深度特性提取架构提取HSI数据的空间‑光谱联合特征以及LiDAR数据的高程语义信息。随后，通过空间上下文标记器进行特征聚合并优化空间表示。在特征融合阶段，通过基于Mamba结构的双通道协同注意力模块DCCAM来捕获全局依赖关系，同时利用参数共享确保异构特征的一致性，最后通过自适应融合模块AF有效地整合了多源特征，增强了信息的联合表示。相比已有的多模态遥感图像分类算法，本发明方法能够实现更高的分类精度并显著提升计算效率。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.019 seconds)
