-
公开(公告)号：CN108491883A
公开(公告)日：2018-09-04
申请号：CN201810256988.6
申请日：2018-03-26
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于条件随机场的显著性检测优化方法，其特征在于，包括以下步骤：步骤S1：提取输入图像集合中各图像的全局深度卷积特征；步骤S2：根据全局深度卷积特征计算输入图像集合中两两图像之间的相似性；步骤S3：根据图像之间的相似性对输入图像集合进行K-means聚类，形成k个相互独立的图像簇；步骤S4：采用网格搜索方法计算每个图像簇的全连接条件随机场最优参数；步骤S5：对于新的输入图像，判断其所属的图像簇，采用所属图像簇的全连接条件随机场最优参数对所述新的输入图像的显著性图进行优化。该方法适用于多种显著性检测算法的优化，且优化效果好。
-
公开(公告)号：CN107945125A
公开(公告)日：2018-04-20
申请号：CN201711145578.6
申请日：2017-11-17
Applicant: 福州大学
CPC classification number: G06T5/003 , G06T3/4053 , G06T5/10 , G06T5/20 , G06T7/11 , G06T7/136 , G06T7/194 , G06T2207/20084 , G06T2207/20201
Abstract: 本发明提供一种融合频谱估计法和卷积神经网络的模糊图像处理方法，首先将输入图像进行灰度化处理，并进行傅里叶变换，生成频谱图；其次，通过对频谱图经过二值化处理并生成水平投影图来计算模糊长度和角度；最后，利用维纳滤波对模糊图像进行复原，并通过卷积神经网络进一步加强效果。本发明方法简单高效，具有良好的发展前景。
-
公开(公告)号：CN105913064B
公开(公告)日：2017-03-08
申请号：CN201610222896.7
申请日：2016-04-12
Applicant: 福州大学
Abstract: 本发明涉及一种图像视觉显著性检测拟合优化方法，包括以下步骤：S1：采用直方图统计显著性图像集和标注图像集中的显著性数据，分别形成自变量点集和因变量点集；S2：采用相应的拟合函数模型对自变量点集和因变量点集数据进行拟合，得到拟合函数；S3：将拟合函数作用到新的显著性图中的显著性数据上，得到拟合后的显著性数据；S4：对拟合后的显著性数据进行[0,255]约束处理，得到优化后的显著性图。该方法使各显著性检测算法优化后的显著性图比优化前更加接近用户标注的标准图，适用于多种显著性检测算法的优化。
-
公开(公告)号：CN105701516A
公开(公告)日：2016-06-22
申请号：CN201610036626.7
申请日：2016-01-20
Applicant: 福州大学
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本发明涉及一种基于属性判别的自动图像标注方法：针对数据集不均衡导致整体标注效果不理想的问题，提出一种基于属性判别的图像标注方法，利用每一个关键词的语义概念构建局部均衡数据集，并基于此数据集提出一种有效提升中低频标签标注准确率的语义传播算法。最后结合栈式自动编码器模型，通过判别图像的高低频属性来选择不同标注过程，提升了整体图像标注效果。该方法利用SAE模型较好预测高频标签和SP算法较好预测中低频标签的特点，通过判别未知图像的高低频属性来选择不同的标注过程，提升了整个模型的标注效果，该方法简单灵活，具有较强的实用性。
-
公开(公告)号：CN119996654A
公开(公告)日：2025-05-13
申请号：CN202510128106.8
申请日：2025-02-05
Applicant: 福州大学
IPC: H04N17/02 , H04N23/698
Abstract: 本发明提供一种基于人类知觉感知的全景视频质量评价方法，采集360°全景视频构建数据集并进行预处理，将数据集输入映射为等距矩形投影格式，分别通过时空一致性采样和中心裁切采样获得两种不同格式输入；将时空一致性采样和中心裁切采样输入视频质量特征分支，将中心裁切采样输入人类知觉感知分支；在所述视频质量特征分支中，由纹理特征子网对使用一致性采样的输入进行编码，提取视频纹理特征；由视频语义特征子网对中心裁切采样的输入进行编码，提取视频语义特征；纹理特征和语义特征通过特征增强融合模块获得融合二者信息的视频质量分数；在所述人类知觉感知分支中，通过计算知觉感知度量引入人类感知偏置；通过线性映射获得模型评分。
-
Patent Agency Ranking
公开(公告)号：CN116843970B
公开(公告)日：2025-05-09
申请号：CN202310807415.9
申请日：2023-07-03
Applicant: 福州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于任务特定通道重构网络的细粒度小样本分类方法，首先获取细粒度小样本分类数据集进行数据预处理，并完成标签提取。将数据集划分为三个部分，按照episode模式进行N‑way K‑shot小样本元任务采样，得到查询集图像和N个类别的支持集图像。然后通过多维度动态卷积构建多维度动态特征提取网络，将所有支持集图像和查询集图像输入多维度动态特征提取网络中，分别得到各个类别的支持集和查询集的特征，计算支持集各个类别的原型特征。然后利用任务特定通道注意力权值重构支持集和查询集特征。最后利用距离度量进行相似度评分得到查询集图像所属类别，高效完成细粒度小样本分类任务。
-
公开(公告)号：CN119477883A
公开(公告)日：2025-02-18
申请号：CN202411640560.3
申请日：2024-11-18
Applicant: 福州大学附属省立医院
Abstract: 本发明公开了强直性脊柱炎SPARCC和SPARCC SSS评分的自动评分系统，属于医疗信息化技术领域，包括：图像采集与处理模块：负责接收并预处理患者的MRI图像，包括图像去噪、增强对比，为后续的评分分析提供高质量的图像数据；特征提取模块：基于预设的算法，自动从处理后的图像中提取与SPARCC评分及SPARCCSSS评分相关的特征，如骨髓水肿区域、软骨下硬化程度；评分计算模块：根据提取的特征，按照SPARCC评分及SPARCCSSS评分的标准，自动计算并生成评分结果。评分计算包括累及范围、水肿强度、水肿深度等多个维度的综合考量；结果展示与报告生成模块：将评分结果以直观的方式展示给医生。该强直性脊柱炎SPARCC和SPARCC SSS评分的自动评分系统，能够快速评判、自动评分。
-
公开(公告)号：CN119339323A
公开(公告)日：2025-01-21
申请号：CN202411374172.5
申请日：2024-09-29
Applicant: 福州大学
IPC: G06V20/52 , G06V10/774 , G06V10/75 , G06V10/82
Abstract: 本发明涉及一种基于语言引导网络的密集人群计数方法，包括以下步骤：步骤S1：针对人群标签的点阵图进行转换，制作用于凸显前景与背景区域的真值密度图标签；步骤S2：迁移CLIP视觉语言模型至计数任务之中，并为其构建用于增强样本边界清晰程度的损失函数；步骤S3：通过多层次数量提示算法，在不损失计数精度的状况下节省模型训练开销，实现细粒度的计数；步骤S4：将预测密度图进行映射，获取该图片的预测人数。该方法有利于更高效、准确地区分图像的前景与背景，从而准确获取人群的具体人数。
-
公开(公告)号：CN119169655A
公开(公告)日：2024-12-20
申请号：CN202411183532.3
申请日：2024-08-27
Applicant: 福州大学
IPC: G06V40/10 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N5/04 , G06N5/022
Abstract: 本发明涉及一种基于全域特征协同和图结构驱动的自适应姿态估计方法，包括以下步骤：步骤S1：采用ResNet主干网络进行初步特征提取，得到包含人体全局形态和关节位置细节信息的多尺度特征图；步骤S2：将多尺度特征图输入全域自适应特征融合模块进行自适应特征融合，整合全局和局部信息，捕捉人体姿态的整体结构和细节；步骤S3：将步骤S2得到的自适应融合特征输入动态视觉特征编码器，通过可变形多头注意力机制，优化关键点识别和定位；步骤S4：采用图推理技术分析关键点之间的相互依赖关系，进一步精细化关键点位置预测。该方法有利于提高复杂场景下姿态估计的准确率。
-
公开(公告)号：CN118918505A
公开(公告)日：2024-11-08
申请号：CN202410942902.0
申请日：2024-07-15
Applicant: 福州大学
IPC: G06V20/40 , G06V10/764 , G06V10/774 , G06N3/048 , G06N3/0475 , G06N3/09 , H04N21/475 , H04N21/2343 , H04N21/234 , H04N21/44 , H04N21/4402
Abstract: 本发明涉及一种基于辅助意见的零样本视频质量评价方法，属于计算机视觉领域。包括：对视频时间下采样，计算空间自然分数；对同样视频空间下采样，计算出时间自然分数，将空间自然分数、时间自然分数分别经过高斯归一化和Sigmoid函数重新缩放；将对抗性语言‑图像预训练模型CLIP在图像质量评价数据集上进行微调，并添加场景和失真类型的标签，建立文本提示，使文本提示与图像对应的特征建立对应关系；对视频时空下采样，嵌入经过微调后的CLIP，提取视频整体相关的高级语义特征，使用CLIP预测文本建议质量分数，并通过高斯归一化和Sigmoid函数重新缩放对齐分数；将计算出的时间自然分数、空间自然分数和文本建议质量分数相加，得到更全面的视频质量分数。
-
-
-
-
-
-
-
-
-
Search Results
298
records
(took 0.035 seconds)
