-
公开(公告)号：CN113674292B
公开(公告)日：2023-08-01
申请号：CN202110941684.5
申请日：2021-08-17
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G16H30/20 , G06T7/00
Abstract: 本发明公开一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，包括：对已确诊的骨髓瘤显微图像中的部分骨髓瘤细胞实例进行标注，生成第一轮骨髓瘤细胞实例分割数据集；使用第一轮骨髓瘤细胞实例分割数据集对骨髓瘤细胞实例分割模型进行第一轮深度学习训练；使用第一轮深度学习训练后的模型对未标注的骨髓瘤细胞实例进行分割，生成第二轮骨髓瘤细胞实例分割数据集；使用第二轮骨髓瘤细胞实例分割数据集对第一轮训练后的模型进行第二轮深度学习训练；使用第二轮深度学习训练后的模型对其他骨髓瘤显微图像的骨髓瘤细胞实例进行分割。本发明的骨髓瘤细胞实例分割方法，降低了人工分割骨髓瘤细胞的标注成本，且具有较高的分割召回率。
-
公开(公告)号：CN112464781B
公开(公告)日：2023-06-02
申请号：CN202011328157.9
申请日：2020-11-24
Applicant: 厦门理工学院
IPC: G06V30/413 , G06V20/62 , G06V10/82 , G06N3/042 , G06N3/049
Abstract: 本发明涉及一种基于图神经网络的文档图像关键信息提取及匹配方法，包括以下步骤：步骤1:构建用于获取关键文本所在区域边框位置的关键文本信息检测模型；步骤2:构建用于识别文字边框内的文字关键文本识别模型；步骤3:将待提取信息的文档图像依次通过关键文本信息检测模型和关键文本识别模型，获取全部子图的文字识别结果；步骤4：以关键文本边框为节点构建图，以图神经网络为基础网络分别对于每个文本框的节点进行聚合，并预测节点的关键文本节点类型；步骤5:以正则表达式以及领域规则库的方式修正关键文本的识别结果，并得到最终的提取及匹配结果。本发明实现高效提取文档图像中的关键元素，并且准确地为关键元素匹配相应键值。
-
公开(公告)号：CN116128928A
公开(公告)日：2023-05-16
申请号：CN202310192731.X
申请日：2023-03-02
Applicant: 厦门理工学院
IPC: G06T7/246 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于跨层特征校准融合的目标跟踪方法及系统，该方法包括：将模板区域图像和搜索区域图像输入共享权重的孪生卷积神经网络；分别采用修改后的resnet50提取模板分支和搜索分支的特征，提取第三个、第四个卷积块的特征；分别使用基于注意力的特征融合模块融合模板分支、搜索分支的第三个和第四个卷积块的特征；模板分支和搜索分支分别使用跨层校准模块通过融合后的特征来校准第四个卷积块的特征；分别对模板分支和搜索分支的第三个卷积块特征、融合后的特征、校准后的特征做深度互相关，得到三个相似性响应图，拼接在一起并降维；将降维后的相似性响应图输入预测头进行分类回归，最后得到目标的位置。该方法及系统有利于提高目标跟踪的性能。
-
公开(公告)号：CN115331295A
公开(公告)日：2022-11-11
申请号：CN202210995088.X
申请日：2022-08-18
Applicant: 厦门理工学院
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明涉及一种基于自蒸馏Transformer的人脸属性识别方法及系统，该方法包括以下步骤：A.对获取的人脸属性数据图片进行预处理；B.将预处理后的数据输入到Transformer中，利用Transformer促进不同层级之间特征的信息交互，以避免在网络迭代的过程中忽略重要信息；C.将Transformer进行分组，将每组Transformer的编码器所提取的Tokens中的分类Token用于自蒸馏模块；D.将Transformer中最后一个编码器组输出的分类Token归一化后输入到全连接层用于人脸属性识别；E.将自蒸馏模块和人脸属性识别模块进行联合训练；F.利用训练得到的网络模型进行人脸属性识别。该方法及系统增强了不同编码器块之间的信息交互，以避免在迭代过程中忘记编码器块中的信息，同时提高人脸属性识别的性能。
-
公开(公告)号：CN115131563A
公开(公告)日：2022-09-30
申请号：CN202210823456.2
申请日：2022-07-13
Applicant: 厦门理工学院
Abstract: 本发明提出一种基于弱监督学习的交互式图像分割方法，包括以下步骤；步骤S1：对具有多个类别标签的数据集建立图像级的多标签分类模型；步骤S2：对多标签分类模型进行分类任务训练，使用深度学习后的多标签分类模型对具有多类别图像级标签的数据集进行分类，从分类结果制作成像素级的伪标签；步骤S3：设计基于点击的交互式模拟点击策略；步骤S4：建立交互式图像分割模型；步骤S5：随机选取伪标签中的前景点与背景点信息，并结合图像的三通道信息，输入到交互式图像分割模型中，训练出分割模型，作为推理阶段的模型依据；步骤S6：人为输入前景点及背景点信息，经交互式图像分割模型得出分割结果本发明有效的集成了弱监督学习与交互式图像分割方法。
-
Patent Agency Ranking
公开(公告)号：CN114969401A
公开(公告)日：2022-08-30
申请号：CN202210496291.2
申请日：2022-05-09
Applicant: 厦门理工学院
IPC: G06F16/51 , G06F16/532 , G06F16/583 , G06V10/44 , G08G1/017
Abstract: 本发明提供了一种图像识别系统，包括图像输入模块、车标识别模块、轮廓识别模块、数据库、角度分析模块、计算处理模块和检索模块，所述图像输入模块用于接收需要识别的图像并存储，所述轮廓识别模块用于识别图像中的车辆轮廓，所述车标识别模块用于识别图像中的车标部分，所述角度分析模块根据所述车辆轮廓分析得到图像的拍摄角度，所述计算处理模块根据拍摄角度和车辆轮廓计算出车辆的特征数据，所述数据库用于存储各种车辆的特征数据，所述检索模块根据车标以及计算出的特征数据与数据库中特征数据的对比情况查找出图像中车辆的具体型号；本系统能够对不同拍摄角度下的车辆图片识别出对应的型号，具有普适性。
-
公开(公告)号：CN114863485A
公开(公告)日：2022-08-05
申请号：CN202210603100.8
申请日：2022-05-30
Applicant: 厦门理工学院
IPC: G06V40/10 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/74 , G06V10/762 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度相互学习的跨域行人重识别方法及系统，该方法包括：将初始网络在源域中预训练得到基础网络；构建三分支相互学习网络框架并在目标域中训练，每个分支包括主网络PNet、平均网络Mean Net和难样本筛选分类器FNet；在每个分支中，FNet将样本由易到难地输入PNet训练，同时FNet采用三元组损失训练；PNet得到FNet判断的简单样本后传输给Mean Net，并判断样本对应的软伪标签；当任意两个分支由Mean Net提取的样本特征之间的余弦相似度小于设定阈值时，将该样本认定为高置信度样本并用其更新第三分支中网络；迭代训练结束后，选择三个分支中性能最好的Mean Net用于跨域行人重识别。该方法及系统有利于提高跨域行人重识别的准确性。
-
公开(公告)号：CN113674292A
公开(公告)日：2021-11-19
申请号：CN202110941684.5
申请日：2021-08-17
Abstract: 本发明公开一种基于部分实例标注的半监督骨髓瘤细胞实例分割方法，包括：对已确诊的骨髓瘤显微图像中的部分骨髓瘤细胞实例进行标注，生成第一轮骨髓瘤细胞实例分割数据集；使用第一轮骨髓瘤细胞实例分割数据集对骨髓瘤细胞实例分割模型进行第一轮深度学习训练；使用第一轮深度学习训练后的模型对未标注的骨髓瘤细胞实例进行分割，生成第二轮骨髓瘤细胞实例分割数据集；使用第二轮骨髓瘤细胞实例分割数据集对第一轮训练后的模型进行第二轮深度学习训练；使用第二轮深度学习训练后的模型对其他骨髓瘤显微图像的骨髓瘤细胞实例进行分割。本发明的骨髓瘤细胞实例分割方法，降低了人工分割骨髓瘤细胞的标注成本，且具有较高的分割召回率。
-
公开(公告)号：CN113379764A
公开(公告)日：2021-09-10
申请号：CN202110621825.5
申请日：2021-06-02
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于域对抗自监督学习的病理图像分割方法。包括：获取病理图像建立病理图像自监督数据集；建立域对抗自监督模型；使用病理图像自监督数据集对域对抗自监督模型进行深度学习训练；建立病理图像分割模型；使用经过深度学习后的域对抗自监督模型对病理图像分割模型进行初始化；对病理图像中的病灶区域进行像素级别标注建立病理图像分割数据集；使用病理图像分割数据集对病理图像分割模型进行深度学习训练；使用深度学习训练后的病理图像分割模型对病理图像的未知病灶区域进行分割。本发明方法，采用域对抗自监督学习的方法，有效缓解了分割模型对大量人工标注的依赖并解决了模型在不同域上分割性能波动的问题。
-
公开(公告)号：CN112258480A
公开(公告)日：2021-01-22
申请号：CN202011144599.8
申请日：2020-10-23
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于点标注的弱监督腺体实例分割方法。包括：获取结肠组织病理学图像；对图像中存在的腺体实例进行点标注，生成腺体点检测训练样本集；建立腺体点检测模型；使用腺体点检测训练样本集对腺体点检测模型进行深度学习训练；利用深度学习训练后的腺体点检测模型预测结肠组织病理学图像中的高置信点，生成腺体实例分割训练样本集；建立腺体实例分割模型；使用腺体实例分割训练样本集对腺体实例分割模型进行深度学习训练；使用深度学习训练后的腺体实例分割模型对结肠组织病理学图像的腺体实例进行分割。本发明方法实现了结肠组织病理学图像中腺体实例的自动分割，降低了结肠癌诊断中人工分割腺体的数据标注成本。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.054 seconds)
