-
公开(公告)号：CN118691960A
公开(公告)日：2024-09-24
申请号：CN202410811421.6
申请日：2024-06-21
Applicant: 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC: G06V20/05 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于ViT机制和面向场景搜索的水下目标检测方法，涉及海参、海胆、扇贝和海星的目标检测技术领域，方法包括：将预处理后的待检测水下目标图像的水下目标图像数据集输入至面向场景搜索模块生成全局特征计算模型，输入至基于ViT的编码模块生成局部特征计算模型；将预处理后的水下目标图像数据集输入至全局特征计算模型确定水下目标图像数据集的全局特征信息图谱，输入至局部特征计算模型确定水下目标图像数据集的局部特征信息图谱；将全局特征信息图谱与局部特征信息图谱输入至特征融合层生成多通道特征信息图谱；将多通道特征信息图谱输入至目标预估模块确定待检测水下目标图像中的目标类别预测结果。
-
公开(公告)号：CN118691959A
公开(公告)日：2024-09-24
申请号：CN202410809228.9
申请日：2024-06-21
Applicant: 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC: G06V20/05 , G06V40/10 , G06V10/25 , G06V10/774 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于改进YOLOv8算法的水下生物检测方法，旨在解决目标检测技术在水下生物图像的准确性问题，将预处理的图像输入YOLOv8网络架构中加入了注意力机制的Backbone网络，可以有效的增强特征图的表示能力，提高模型对重要信息的关注度，通过动态调整特征图中不同通道或空间位置的权重，使网络更加专注对目标的感知。然后通过多尺度的特征融合技术把特征图输入到检测和分类中得到图像的目标框和分类结果。
-
公开(公告)号：CN118691518A
公开(公告)日：2024-09-24
申请号：CN202410812706.1
申请日：2024-06-22
Applicant: 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
Abstract: 本发明公开了一种协助水下机器人作业的图像增强的方法。首先通过校正畸变，获得图像中的目标物体形状和位置更精确地反映真实情况，利用滤波的方法对图像中的背景进行衰减处理，突出目标物体，若图像对比度较低就接着采用直方图均衡化方法增强图像中的灰度差异，最后通过引用去雾算法来改善图像质量。利用水下相机获取的深度信息，对图像进行智能修复和增强，然后再通过YoLo目标检测模型对水下图像中的物体进行检测，最终达到提高水下图像清晰度和可视化的效果。
-
公开(公告)号：CN118411592A
公开(公告)日：2024-07-30
申请号：CN202410445860.X
申请日：2024-04-15
Applicant: 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC: G06V20/05 , G06V10/20 , G06V10/30 , G06V10/774 , G06V10/82 , G06V20/70 , G06V10/25 , G06N3/0464 , G06N3/08 , G06T5/70 , G06T5/40
Abstract: 本发明涉及一种基于注意力机制的水下生物目标检测方法，包括以下步骤：获取水下生物目标图像；针对水下条件恶劣，图像质量较差的问题，采用对比度有限的自适应直方图均衡化算法(CLAHE)对水下图像进行预处理；在YOLOv5中添加针对小目标的检测层，缓解目标尺度方差较大带来的影响；将卷积注意力模块(CBAM)加入优化后的YOLOv5网络模型中，学习通道之间的关系，增强深度特征的语义信息；将增强后的数据集输入构建好的网络模型CC‑YOLOv5中，进行训练；用训练好的模型对水下生物图像进行目标检测。本发明能在复杂的水下环境中，为生物目标检测提供科学理论和技术支持，在提高对于水下生物小目标的检测精度的同时，模型的计算成本对于水下移动应用来说依然很小。
-
公开(公告)号：CN118262154A
公开(公告)日：2024-06-28
申请号：CN202410348486.1
申请日：2024-03-26
IPC: G06V10/764 , G06V10/44 , G06V10/12 , G06V10/82 , G06V10/25 , G06N3/0464
Abstract: 本发明公开了一种基于切图的虫草小目标检测方法，包含以下步骤：1)裁切数据集图片，放入深度学习模型中训练，得到模型文件；2)使用摄像头采集草地图片，先根据摄像头高度计算图片裁剪大小和重叠率，再将图片进行裁剪，将裁剪后的图片输入模型中推理；3)将模型输出的结果框映射到原图坐标中，并使用NMS算法去除重复的框；4)将结果显示在原图图像中，并通过语音实时提示虫草的数量。本方法能够解决虫草这类小目标检测上特征提取有限，小目标检测精度低并且小目标尺度变化的问题。
-
Patent Agency Ranking
公开(公告)号：CN118154574A
公开(公告)日：2024-06-07
申请号：CN202410401205.4
申请日：2024-04-03
Applicant: 桂林电子科技大学
Abstract: 本发明公开了图像处理技术领域的一种眼底视网膜血管分割网络方法，包括获取眼底视网膜图像数据集；对眼底视网膜图像数据集进行处理，得到处理后的图像数据集；构建预激活卷积残差和三重注意机制模型；对预激活卷积残差和三重注意机制模型进行训练；将处理后的眼底视网膜图像数据集输入至本发明训练的预激活卷积残差和三重注意机制模型中，得到血管分割结果。采用本发明能够从血管结构复杂的眼底图像中提取充分的血管特征，分割出更精确的血管。
-
公开(公告)号：CN118135240A
公开(公告)日：2024-06-04
申请号：CN202410075206.4
申请日：2024-01-18
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种面向边缘环境的深度学习模型压缩方法，该方法是先收集边缘环境的图像数据，归集为数据集；对数据集进行图像增强处理，选择一个强大的教师模型对数据集进行预训练；再选择一个较小模型作为学生模型，利用经过预训练的教师模型进行知识蒸馏来训练学生模型，在学生模型训练过程中，添加跨层蒸馏损失函数，采用最邻近上采样方法，将教师模型的深层特征以及学生模型的深层特征进行向上的特征融合，以此增强浅层特征的注意力，使教师模型在浅层特征也能转移更多的知识，提升学生模型性能的效果；将经过知识蒸馏的学生模型部署到边缘环境进行图像识别工作。该方法仅对原始特征图进行处理，无需额外的辅助网络或对知识进行浓缩处理。
-
公开(公告)号：CN118097660A
公开(公告)日：2024-05-28
申请号：CN202410044725.4
申请日：2024-01-11
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V20/69 , G06V10/44 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/092
Abstract: 本发明公开了一种基于相似注意力机制的乳腺癌细胞核分割方法及系统，所述方法包括：1)采用了传统数据增强方法来增加数据的多样性；2)采用了相似注意力机制以加强细节特征提取；通过膨胀卷积来扩大感受野并设置锯齿状膨胀系数消除空洞效应；使用密集连接和多分辨率跳跃连接实现层与层之间的连接和多尺度融合；添加Dropout层防止过拟合；3)在对乳腺癌细胞核精确分割的同时，对其进行细胞核计数、形态提取，为临床诊断乳腺癌分级提供基础；本发明能够精确分割乳腺癌细胞核，解决乳腺癌细胞核形态多样，细胞核边缘粘连严重难以分割等问题，可以有效地辅助医生进行乳腺癌的早期诊断和治疗。
-
公开(公告)号：CN118070839A
公开(公告)日：2024-05-24
申请号：CN202410428992.1
申请日：2024-04-10
Applicant: 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC: G06N3/006
Abstract: 本发明公开了一种混合策略的粒子群优化算法，旨在解决当前原始粒子群优化算法易陷入局部最优、搜索速度慢和局部搜索精度低等问题。传统优化算法在解决复杂问题时面临着诸多挑战，而本文提出的混合策略的粒子群优化算法通过采用自适应权重调整、反向学习策略、柯西变异机制和Hook‑Jeeves策略等方法，有效提高了全局搜索能力和搜索速度，并且在增强全局搜索能力的同时，也显著增强了局部搜索精度。本发明的算法可以广泛应用于各种领域，如工程优化、机器学习和数据挖掘等，为解决复杂问题提供了一种有效的优化方案。
-
公开(公告)号：CN117934491A
公开(公告)日：2024-04-26
申请号：CN202410110644.X
申请日：2024-01-26
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06T7/10 , G06V10/764 , G06V10/762 , G06V10/778
Abstract: 本发明涉及医学图像分割技术领域，特别是涉及一种基于半监督深度学习的腺体分割方法，包括：获取待分割腺体图像；将所述待分割腺体图像输入预设的分割模型中，获取分割预测图，其中，所述分割模型基于训练集训练获得，所述训练集包括有标注的结直肠癌腺体图像和乳腺癌腺体图像，无标注的结直肠癌腺体图像和乳腺癌腺体图像，所述分割模型包括教师模型、学生模型和教师助理模型，所述教师模型、学生模型和教师助理模型的主干网络均采用DeepLabv3+网络构建。本发明能够有效地提升结直肠癌和乳腺癌腺体图像的分割精度。
-
-
-
-
-
-
-
-
-
Search Results
216
records
(took 0.059 seconds)
