-
公开(公告)号：CN112767407B
公开(公告)日：2023-07-07
申请号：CN202110141339.3
申请日：2021-02-02
Applicant: 南京信息工程大学
IPC: G06T7/10 , G06T7/13 , G06T3/40 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，包括：采集腹部CT扫描中包含肾脏的图像序列，对每个图像序列中的肾脏及肿瘤进行标注，生成对应的标注掩码,构建数据集Dataset；对Dataset进行P1预处理操作，构建肾脏(包括肿瘤)分割的U型深度网络模型M1；对Dataset中的图像序列与对应的标注掩码进行裁剪，取出只有肾脏(或肿瘤)的体素部分，进行P2预处理操作，基于门控卷积层构建肿瘤分割的深度网络分割模型M2；分别对模型M1、M2进行训练；通过模型M1和M2的级联处理分割出肾脏肿瘤区域。本发明通过网络级联的两阶段分割模型，并联合门控卷积层构建了用于肿瘤分割的深度网络模型，能够对癌变肾脏的形状变化保持鲁棒，有效分割出不同尺寸的肿瘤。
-
公开(公告)号：CN116091341A
公开(公告)日：2023-05-09
申请号：CN202211617192.1
申请日：2022-12-15
Applicant: 南京信息工程大学
IPC: G06T5/00 , G06T5/50 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种低光图像的曝光差增强方法及装置，本发明首先获取若干低光图像及对应的参考标准图像，并对低光图像进行数据预处理，之后构建曝光差增强网络，包括相连接的曝光差模块和全局一致性引导的颜色调整模块，所述曝光差模块用于提取低光图像和根据低光图像生成的曝光图像之间的曝光差特征，所述颜色调整模块用于基于曝光差特征进行全局信息和颜色边缘纹理的捕捉，输出增强后的图像；再将预处理后的低光图像和对应的正常光图像作为样本，对所述曝光差增强网络进行训练；最后将待增强的低光图像输入训练好的曝光差增强网络，得到增强后的图像。本发明可以对低光图像甚至极低光图像进行图像增强，增强后的图像效果相比现有技术更好。
-
公开(公告)号：CN115861930A
公开(公告)日：2023-03-28
申请号：CN202211602852.9
申请日：2022-12-13
Applicant: 南京信息工程大学
IPC: G06V20/52 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于层级差异特征聚合的人群计数网络建模方法，步骤为，将人群图像数据集中的样本分辨率调整为统一大小并划分为人群计数网络训练集、人群计数网络验证集和人群计数网络测试集；对人群计数网络训练集进行数据增广；构建基于层级差异特征聚合的人群计数网络；利用人群计数网络训练集对人群计数网络进行训练，通过人群计数网络验证集进行最优模型筛选；在人群计数网络测试集上对最优网络模型进行测试。首先，本发明通过层级特征的差异对聚合的特征进行精炼。其次，通过自关注特征感知模块进一步挖掘有效信息，能够有效地提高人群计数的精度。
-
公开(公告)号：CN114241225A
公开(公告)日：2022-03-25
申请号：CN202111466037.X
申请日：2021-12-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种端到端生成建议框的自底向上的三维目标检测方法，属于人工智能的目标检测领域。首先通过Ball k‑means聚类算法处理原始点云获取聚类中心，将原始点云划分为多个球形类簇，将每个球形类簇里边的原始点云输入到PointNet编码和解码器中，获得输入点的逐点级语义特征；然后Shell‑based方法计算建议框几何中心，通过前景点语义分割，得到前景掩膜，端到端的生成建议框；然后对点云区域池化，进行空间坐标转化，经过多层感知机，与语义特征进行特征融合；对融合后的特征进行PointNet编码；通过总损失函数，进行Shell‑based分类回归到几何中心。
-
公开(公告)号：CN113808275A
公开(公告)日：2021-12-17
申请号：CN202111120772.5
申请日：2021-09-24
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于GCN与拓扑修改的单图像三维重建方法，该方法具体包括如下步骤：输入图像至VGG‑16编码网络，提取特定层的特征图与图像特征向量；预设初始球体网格；根据VGG‑16编码网络提取的特定层的特征图，为初始球体每个顶点赋予图像感知特征，得到附带图像感知特征的球体网格；将该球体网格输入网格形变网络中，变更网格顶点位置，并得到初始三维模型；拓扑修改网络对初始三维模型表面进行修剪，从而更新网格拓扑结构；得到最终三维网格模型；本发明提高重建模型的质量，同时减小变形计算。
-
Patent Agency Ranking
公开(公告)号：CN109978921A
公开(公告)日：2019-07-05
申请号：CN201910256178.5
申请日：2019-04-01
Applicant: 南京信息工程大学
IPC: G06T7/246
Abstract: 本发明提出了一种基于多层注意力机制的实时视频目标跟踪算法，其步骤为：输入一系列模板图像和搜索图像；构建多层注意力卷积神经网络作为匹配函数；利用相关操作计算模板图像和搜索图像的相似度；再利用逻辑损失函数作为优化的目标函数；采用动量随机梯度下降优化网络参数；卷积网络在线跟踪时固定模型参数，将第一帧目标作为模板输入到网络中，后续帧依次输入网络和第一帧得到的输出进行相关计算，得到一个响应得分图；找到响应图中得分最高的位置就是目标的位置，通过将目标放大到与原图一样的大小就得到跟踪目标。我们提出的多层注意孪生网络跟踪算法，能够有效地利用注意力机制把目标和背景分开，并在目标旋转、形变和部分遮挡的情况下显著地提高了跟踪器的准确性和泛化性。
-
公开(公告)号：CN109544656A
公开(公告)日：2019-03-29
申请号：CN201811404831.X
申请日：2018-11-23
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于生成对抗网络的压缩感知图像重建方法，包括：S1、根据原始图像采样得到的测量向量与重建图像大小构建基于神经网络的生成对抗网络模型，并设计用于优化所述生成对抗网络模型参数的目标函数；S2、预设训练所述生成对抗网络模型时的参数；S3、根据所述目标函数，采用反向传播算法交替训练生成器与鉴别器；S4、若所述生成对抗网络模型收敛，则训练好的网络可以直接实现压缩感知任务，模型输出为由所述测量向量重构出的对应原图像；否则返回执行步骤S2-S4。本发明利用生成器的强大映射能力，初步重建原始图像，利用生成器和鉴别器的对抗训练，使得生成器重建的图像像素分布更接近原始图像，达到了低采样率下精确重建原始图像的目的。
-
公开(公告)号：CN109102521A
公开(公告)日：2018-12-28
申请号：CN201810647331.2
申请日：2018-06-22
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于并行注意力相关滤波的视频目标跟踪方法，属于图像处理技术领域。将跟踪问题设计为估计一个目标位置的概率，整合空间选择注意力SSA和表观选择注意力ASA，利用Log函数得到目标函数，实现视频目标的持续有效跟踪。首先进行SSA建模，产生一系列的二值图，经滤波获取位置响应图，然后在跟踪目标周围的半局部域采样一系列干扰区域，在相关视频滤波中学习抗干扰距离度量并进行抗干扰度量正则相关滤波，将干扰项推入负域，获取ASA目标图，再通过Log函数得到的目标函数，将在局部域和半局部域中处理的图像相融合对目标进行跟踪。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN109035290A
公开(公告)日：2018-12-18
申请号：CN201810782664.6
申请日：2018-07-16
Applicant: 南京信息工程大学
IPC: G06T7/20
CPC classification number: G06T7/20 , G06T2207/10016 , G06T2207/20024 , G06T2207/20056
Abstract: 本发明公开一种基于高置信度更新补充学习的跟踪算法，属于图像处理领域。首先根据标准相关滤波分类器得到相关滤波响应值，计算相关滤波响应的峰旁比作为响应置信度，若该置信度大于平均阈值则当前帧继续更新相关滤波器，如果小于平均阈值则停止更新滤波器；接着计算出持续不更新的帧数，如果有连续10帧不更新时，则强制更新；最后通过融合颜色补充学习器的响应，得到总响应，响应中最大值的位置即为跟踪结果。本发明显著改善了跟踪算法的鲁棒性，能够有效地区分目标和背景，进而提高跟踪器的精度，在光照剧烈变化和目标场景复杂的情况下显著地提高了跟踪器的稳健性和准确性。具有不受跟踪目标环境变化影响，可有效、准确跟踪到目标物体等优点。
-
公开(公告)号：CN104504389B
公开(公告)日：2018-11-06
申请号：CN201410798632.7
申请日：2014-12-18
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于卷积神经网络的为卫星云量计算方法，先建立包含6000~8000训练样本的卫星云图训练样本，手动在卫星云图中标注出各2000~3000样本的厚云，薄云和晴空云图块，以此作为卷积神经网络的训练样本；再将训练样本和卫星云图进行预处理作为卷积神经网络的数据输入，然后进行卷积神经网络检测，以此检测云图中各厚云，薄云和晴空区域所在位置；最后根据云图中厚云、薄云和晴空的位置，分别计算其灰度值，根据其灰度值来进行卫星云图的云量计算。本发明可以把卫星云图图像直接作为CNN的输入，而且将特征提取功能融入神经网络，隐式的对图像的特征进行提取，比现有技术更加方便和精确，具有重要的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
159
records
(took 0.037 seconds)
