公开(公告)号：CN113283340A

公开(公告)日：2021-08-20

申请号：CN202110570258.5

申请日：2021-05-25

Applicant: 复旦大学

Inventor： 付彦伟

IPC: G06K9/00 ,  G06K9/32 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于眼表特征的疫苗接种情况检测方法、装置及系统，其中检测方法包括：步骤1：获取待检测的人脸图像；步骤2：对人脸图像进行预处理，获得眼部区域特征图像；步骤3：使用眼部特征提取模型获取眼部特征；步骤4：通过分类模型步骤3获取的眼部特征进行分类，获得疫苗接种情况预测结果。检测方法分别内嵌在装置和系统中实现疫苗接种检测功能。与现有技术相比，本发明具有有效实现疫苗接种情况的检测、摆脱专业人员依赖、持久优化等优点。

公开(公告)号：CN113158815A

公开(公告)日：2021-07-23

申请号：CN202110329192.0

申请日：2021-03-27

Applicant: 复旦大学

Inventor： 范佳媛 ,  李薇 ,  付彦伟

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种无监督行人重识别方法、系统及计算机可读介质，其中无监督行人重识别方法包括：步骤1：基于多尺度卷积神经网络，使用全局特征提取模块和多尺度特征动态融合模块提取图像中的多尺度全局特征；步骤2：基于自注意深度神经网络，使用多注意机制的空间变换网络学习多尺度局部特征，并利用多尺度动态融合模块提取图像中的聚合局部特征；步骤3：构建无监督全局损失函数和局部损失函数；步骤4：训练深度神经网络模型；步骤5：使用训练好的深度神经网络模型，对于一个要识别的行人图像，将其输入到深度神经网络模型，得到预测的其他摄像头下的该行人图像。与现有技术相比，本发明具有识别精度高、算力需求低、计算速度快等优点。

公开(公告)号：CN113112572A

公开(公告)日：2021-07-13

申请号：CN202110393721.3

申请日：2021-04-13

Applicant: 复旦大学

Inventor： 付彦伟 ,  汪成荣 ,  曹辰捷

IPC: G06T11/60 ,  G06T11/20 ,  G06T7/13 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于隐空间搜索的手绘草图引导的图像编辑方法，用于对待编辑图像进行编辑，其特征在于，包括：步骤S1，得到训练用图像；步骤S2，提取训练用图像的边缘图并训练神经网络；步骤S3，提取待编辑图像的边缘图，并根据掩膜将该边缘图与手绘草图结合；步骤S4，使用神经网络计算初始隐空间向量；步骤S5，根据初始隐空间向量生成生成图像；步骤S6，提取生成图像的边缘图并计算其与手绘草图在掩膜区域的特征图距离，同时计算其与待编辑图像在非掩膜区域的欧几里得距离以及感知距离；步骤S7，使用梯度下降算法使三种距离持续减小；步骤S8，将最终生成的生成图像的掩膜区域与待编辑图像的非掩膜区域融合得到最终编辑结果。

公开(公告)号：CN113111205A

公开(公告)日：2021-07-13

申请号：CN202110393866.3

申请日：2021-04-13

Applicant: 复旦大学

Inventor： 付彦伟 ,  徐程明 ,  张力 ,  薛向阳

IPC: G06F16/53 ,  G06F16/55 ,  G06F16/583 ,  G06K9/46 ,  G06K9/62

Abstract: 本发明提供了一种基于元滤波核的动态图像特征对齐方法及装置，用于对小样本的动态图像进行分类得到预测分类结果，其特征在于，包括如下步骤：搭建特征提取网络，并从支持集样本以及查询集样本中提取到图片特征组；搭建元滤波核生成网络，并输入图片特征组得到元滤波核；基于元滤波核并通过元滤波核生成网络对图片特征组进行自适应对齐得到对齐后查询集特征；搭建图像分类网络，对支持集特征以及对齐后查询集特征进行比较分类得到本地预测类别，并进行全局分类得到全局预测类别；构建损失函数，基于该损失函数以及预测类别训练得到训练好的小样本图像分类模型；将动态图像输入训练好的小样本图像分类模型分类得到预测分类结果。

公开(公告)号：CN113096234A

公开(公告)日：2021-07-09

申请号：CN201911335173.8

申请日：2019-12-23

Applicant: 复旦大学

Inventor： 付彦伟 ,  闻超 ,  张寅达 ,  李著文

IPC: G06T17/00 ,  G06N3/04

Abstract: 本发明提供一种利用多张彩色图片生成三维网格模型的方法，用于基于形变推断对少量不同视角的彩色图片以及对应的相机参数进行处理从而生成相应的三维网格模型，其特征在于，包括如下步骤：步骤S1，对预先获取的三维模型数据集进行预处理从而得到训练样本；步骤S2，生成初始网格模板；步骤S3，构建用于提取所述二维图像的几何特征以及语义特征的图像特征提取网络；步骤S4，构建图卷积神经网络；步骤S5，构建损失函数；步骤S6，基于所述损失函数对由所述图像特征提取网络以及所述图卷积神经网络组成的三维模型生成模型进行训练；步骤S7，将多张所述彩色图片与对应的所述相机参数输入所述三维模型生成模型从而生成所述三维网格模型。

公开(公告)号：CN113034390A

公开(公告)日：2021-06-25

申请号：CN202110286255.9

申请日：2021-03-17

Applicant: 复旦大学

Inventor： 付彦伟 ,  曹辰捷

IPC: G06T5/00 ,  G06T5/10

Abstract: 本发明涉及一种基于小波先验注意力的图像修复方法及系统，包括以下步骤：获取多张原始图像；基于原始图像构筑遮掩图像；分别对各个遮掩图像进行Haar小波变换，得到遮掩图像在不同分辨率下的高频小波信息，以及分辨率为遮掩图像的1/2的训练图像；建立图像修复网络，基于原始图像、训练图像和遮掩图像的高频小波信息进行图像修复网络的训练，得到图像修复模型；使用图像修复模型进行图像修复。与现有技术相比，本发明利用原始图像、遮掩图像和遮掩图像的高频小波信息进行图像修复网络的训练，提供了图像修复中一些关键的结构信息和高频信息，同时引入了注意力偏移模块，提升了图像修复模型的效率，得到的图像修复模型能更好的还原结构信息。

公开(公告)号：CN109147048B

公开(公告)日：2021-02-26

申请号：CN201810809452.2

申请日：2018-07-23

Applicant: 复旦大学

Inventor： 姜育刚 ,  付彦伟 ,  王南洋 ,  张寅达 ,  李著文

IPC: G06T17/20

Abstract: 本发明属于三维视觉技术领域，具体为一种利用单张彩色图重建物体三维网格模型的方法。本发明方法包括，对于图像，设计一个多层的全卷积特征网络，用于提取图片不同层次的特征；对于三维网格，设置一个初始椭球，用图神经网络表示，利用图片特征不断对椭球进行形变，以逼近真实形状；同时，设计投影层连接图像端和三维网格端，在此框架下训练一个端到端的神经网络，即给定一张彩色图，输出对应的三维网格模型。该方法具有三维建模结果光滑、完整并且细节丰富的优点，重建精度也得到了有效的提升，非常适合于在虚拟现实、动画游戏、生产制造等产业中的实际应用。

公开(公告)号：CN111986189A

公开(公告)日：2020-11-24

申请号：CN202010875028.5

申请日：2020-08-27

Applicant: 上海市公共卫生临床中心 ,  复旦大学

Inventor： 单飞 ,  薛向阳 ,  史维雅 ,  钱学林 ,  张志勇 ,  施裕新 ,  付彦伟

IPC: G06T7/00 ,  G06T7/73 ,  G06T7/11 ,  G06T5/00 ,  G16H30/40

Abstract: 本发明提供一种基于CT影像的多类别肺炎筛查深度学习系统，包括：CT影像数据预处理部预处理CT影像得到预处理CT影像，切片级肺炎二分类部分析基础深度特征得到二分类结果，弱监督病灶定位部根据类别标签得到病灶位置图，切片级肺炎四分类部对四类别肺炎检测得到四类别肺炎分类任务结果；病例级肺炎分类部分析得到多类别肺炎分类任务结果；肺炎诊断综合评估部基于切片级四分类类别结果、病灶位置图以及病例级多类别肺炎分类任务结果输出肺炎诊断综合评估结果和病灶定位分布图。因此本实施例除了能够得到得出常见肺炎病症以外，能够在没有医护人员的前提下快速、准确地区分COVID-19与其他肺炎病症，这对于关于COVID-19疫情的筛查工作具有帮助。

公开(公告)号：CN114708473B

公开(公告)日：2024-12-06

申请号：CN202011492114.4

申请日：2020-12-17

Applicant: 复旦大学

Inventor： 付彦伟 ,  韩文慧 ,  任新麟 ,  林航宇 ,  薛向阳

IPC: G06V30/19 ,  G06V30/18 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895 ,  G06V10/774

Abstract: 本发明提供了一种用于小样本甲骨文识别的数据增广方法、应用及装置，其特征在于，包括如下步骤：对大样本数据、小样本数据序列化得到序列化大样本数据、序列化小样本数据；对序列化大样本数据抹除得到抹除大样本数据、完整大样本数据，对抹除大样本数据编码得到编码后抹除大样本数据；将编码后抹除大样本数据输入特征提取网络得到深度特征；利用预测网络对抹除大样本数据预测得到预测大样本数据；训练更新深度学习网络得到增广器；对序列化小样本数据随机抹除得到抹除小样本数据，并对抹除小样本数据编码得到编码后抹除小样本数据；将编码后抹除小样本数据输入增广器预测得到预测小样本数据，将该预测小样本数据作为增广样本。

公开(公告)号：CN114286103B

公开(公告)日：2024-12-03

申请号：CN202111597535.8

申请日：2021-12-24

Applicant: 复旦大学

Inventor： 付彦伟 ,  贺蕴 ,  任新麟 ,  唐丹航 ,  张寅达 ,  薛向阳

IPC: H04N19/189 ,  H04N19/91 ,  H04N19/597

Abstract: 本发明提供一种基于深度学习的保留密度的点云压缩方法，用于在点云压缩过程中保留原始点云的密度从而生成高质量的重建点云，其特征在于，包括如下步骤：步骤S1，对预先获取的点云数据进行预处理从而得到训练样本；步骤S2，构建用于提取点云数据的几何信息与密度信息的编码器，并基于编码器获取点云特征；步骤S3，采用熵编码器对点云特征进行压缩；步骤S4，构建用于对点云特征进行上采样的解码器；步骤S5，构建损失函数；步骤S6，基于训练样本对由编码器、熵编码器以及解码器组成的点云压缩模型采用损失函数进行训练；步骤S7，将点云数据输入至训练好的点云压缩模型从而实现保留原始点云密度的点云压缩。