-
公开(公告)号：CN118398240A
公开(公告)日：2024-07-26
申请号：CN202410484985.3
申请日：2024-04-22
Applicant: 大连海事大学
Abstract: 本发明提供一种基于Siamese对比学习网络的药物推荐方法，包括：设计双重循环神经网络，对电子病历中的诊断、处方和药物信息进行编码嵌入；构建诊断和处方关系图谱，利用知识增强网络学习症状表示；构建药物分子结构图，利用知识增强网络学习症状表示；利用Causal‑Siamese网络对比学习药物表示，预测推荐用药代码；构造对比损失函数和增强损失函数，利用对比损失函数和增强损失函数平衡损失，实现精准用药推荐。通过分析真实数据集MIMIC‑III上的各项评估指标结果，本发明在药物推荐方面有着重要的意义。
-
公开(公告)号：CN117788996A
公开(公告)日：2024-03-29
申请号：CN202311642098.6
申请日：2023-12-01
Applicant: 大连海事大学
Abstract: 本发明公开了一种融合大核注意力卷积的轻量化遥感图像目标检测方法，包括：采集DOTA遥感数据集并进行预处理，裁剪成一定大小的遥感图像，并按照一定比例随机采样划分数据集；在Backbone部分，融合大核注意力卷积优化主干网络结构中基本构建单元，对预处理后的遥感图像采用分步策略进行特征提取，基于水平和垂直方向的长距离信息得到特征图；在Neck部分，构建轻量级大中小倒置卷积模块，利用较大的深层卷积将空间深度转换层位置上移，对特征图所提取到的抽象语义信息和浅层特征进行融合，获取不同尺度的特征图；将融合后的特征图输入到Head部分，对目标的位置和分类进行预测，再利用非极大值抑制NMS去除冗余检测框，得到最终的遥感图像目标检测结果与相关评价指标。
-
公开(公告)号：CN117057992A
公开(公告)日：2023-11-14
申请号：CN202311034353.9
申请日：2023-08-16
Applicant: 大连海事大学
IPC: G06T3/40 , G06N3/0464 , G06N3/048
Abstract: 本发明提供一种遥感图像超分辨率重建方法，包括：提供原始图像；对原始图像进行特征提取得到第一特征；对第一特征进行非线性映射得到输出特征；对输出特征进行上采样操作得到重建图像。通过从多个尺度提取图像的特征信息、特征进行融合，有效增加图像特征提取的丰富度，增加整个网络的感受野，有助于更好的提升图像恢复的质量。在对第一特征进行非线性映射得到输出特征的过程中，采取通道注意力机制和空间注意力机制并行结构，有效的增强携带高频信息的区域，提高图像的重建质量。
-
公开(公告)号：CN120014473A
公开(公告)日：2025-05-16
申请号：CN202411863162.8
申请日：2024-12-17
Applicant: 大连海事大学
Abstract: 本发明提供一种基于部分卷积和多尺度特征融合的遥感目标检测方法，属于遥感图像处理技术领域。本发明通过步骤：接收遥感图像；通过主干网络进行遥感图像特征提取，生成初始多层次特征；通过颈部网络融合初始多层次特征，获得多尺度特征图；基于多尺度特征图进行不同尺寸目标检测；所述主干网络包括c2f模块和FEC模块。本发明通过尺度序列特征融合模块将特征分为大、中、小，结合大尺度特征图，利用特征放大来增强特定特征数据。解决现有技术中的特征融合无法利用所有特征图之间的相关性的问题。
-
公开(公告)号：CN114663534B
公开(公告)日：2024-10-29
申请号：CN202210006724.1
申请日：2022-01-05
Applicant: 大连海事大学
Abstract: 本发明提供一种两级小波分解水下图像增强方法。针对这些颜色失真和对比度低的问题，本发明提出了一种包括两级小波分解最大亮度颜色恢复和边缘细化直方图拉伸的水下图像增强方法。首先，根据Jaffe‑McGlamery水下光学成像模型，得到最大亮通道的比例，对水下图像进行色彩校正。然后设计边缘细化直方图拉伸，在拉伸直方图的同时进行边缘细化和去噪处理，以增强对比度和去噪。最后，对颜色校正和对比度拉伸的水下图像进行小波两级分解，并融合等比例的分解成分。提出的方法可以还原水下图像的颜色和细节，增强水下图像的对比度。大量实验表明，所提出的方法在视觉质量和定量指标方面与最先进的方法相比具有卓越的性能。
-
Patent Agency Ranking
公开(公告)号：CN118657675A
公开(公告)日：2024-09-17
申请号：CN202410722961.7
申请日：2024-06-05
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于对抗生网络与扩散模型的水下图像增强方法及装置。方法包括：S1、获取待处理水下图像；S2、将所述待处理水下图像输入风格转换模块，所述风格转换模块用于将水下图像中的蓝绿色调转换为空中图像的风格，从而获取中间域的水下图像；S3、将所述中间域的水下图像输入图像去燥模块，所述图像去燥模块用于对输入图像进行基于扩散概率模型的加噪、采样和去噪操作，从而生成高质量水下图像。本发明通过学习水下图像与空中图像的风格，对待处理图像进行处理，生成明亮的水下图像，再对水下图像进行去燥，并在去噪的过程中使用原图引导去噪的生成结果，最终实现水下图像的增强。
-
公开(公告)号：CN117392032A
公开(公告)日：2024-01-12
申请号：CN202311272787.2
申请日：2023-09-28
Applicant: 大连海事大学
Abstract: 一种高效引导信息流的水下图像增强方法，提出了颜色渲染引导图像，引导网络关注颜色信息，减少色偏，解决现有水下图像增强方法存在具有显著散射的水下场景中引入色偏或低对比度问题；引入密集结构UGIF‑Net获取丰富的特征信息并提取深层次特征细节，多颜色空间引导的颜色估计模块使用两个颜色空间(RGB和HSV)来提取全面的颜色信息，包括色调、饱和度和色度数据，提取的丰富特征被传递到颜色恢复模块，考虑颜色渲染引导图像有效地消除颜色偏差；密集注意力组提供的图像深刻理解使得可以恢复带有丰富细节和生动颜色的增强图像。本发明实现了更高的峰值信噪比和结构相似性指数分数，产生细节更丰富、色彩更鲜明的图像，可作为高级视觉任务中的预处理技术。
-
公开(公告)号：CN116386133A
公开(公告)日：2023-07-04
申请号：CN202310222976.2
申请日：2023-03-09
Applicant: 大连海事大学
IPC: G06V40/20 , G06V10/764 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种提高小目标分辨率的姿态估计方法，包括：将获取的图像输入到卷积神经网络进行人体框检测，对图片中所有人物分配一个ID，分配完成后对于检测到的人体框进行大小判断，并对小目标的人体框进行Token标记。对小目标的人体框进行分辨率增强。将经过分辨率增强的图像进行多头自注意力机制操作，使用反卷积层提高分辨率，再进行通道自我关注以及多层感知机，生成关节点热图。本发明针对图像中人体部位所在的人体框的大小进行判断，将人体框大小作为判断依据，将图片输入至提高分辨率的模块，增强小目标分辨率。采用改进的全注意力网络，使输入至网络的特征图一直保持高分辨率的状态并进行多通道关注，减少小目标低分辨率造成的准确度误差。
-
公开(公告)号：CN116109942A
公开(公告)日：2023-05-12
申请号：CN202310123162.3
申请日：2023-02-16
Applicant: 大连海事大学
IPC: G06V20/13 , G06V10/82 , G06N3/08 , G06V10/774 , G06V10/44 , G06V10/80 , G06N3/0464
Abstract: 本发明公开了一种可见光遥感图像舰船目标检测方法，包括：搜集可见光航拍影像和卫星遥感图像，获取包含云雾天气、海面波纹、近岸港口复杂场景的舰船目标图像，从而构建舰船检测数据集；对舰船检测数据集进行数据增强预处理，并按照比例分层采样得到训练集和测试集；对训练集进行旋转目标框标注，将训练集中舰船目标的中心点坐标、宽高以及角度参数信息保存。构建单阶段旋转舰船目标检测模型，将标注后的训练集输入到模型中，得到训练集预测框信息，基于训练集预测框信息与所述训练集标注框信息，计算损失函数，反向传播更新权重参数，直至损失值最小时得到训练好的模型；将测试集输入到所述训练好的模型中进行检测，输出舰船目标检测结果。
-
公开(公告)号：CN116052276A
公开(公告)日：2023-05-02
申请号：CN202310045400.3
申请日：2023-01-30
Applicant: 大连海事大学
IPC: G06V40/20 , G06V10/42 , G06V10/82 , G06V10/77 , G06V10/776 , G06V10/774 , G06V10/778 , G06V10/766 , G06N3/0455 , G06N3/08
Abstract: 本发明提供一种人体姿态估计行为分析方法，包括：将人物影像信息处理为图片数据，获取各组图片的全局姿态特征，基于全局姿态特征获取具有人体二维关键点信息的图像帧序列；根据图像帧序列建立运动模型，对图像帧序列中的任务运动状态进行估计，构建Transformer模型并基于Transformer模型的多假设生成器生成姿态假设，对各组姿态假设进行回归生成姿态假设信息；构建行为预测网络，并基于预收集的多组姿态数据进行学习，获取网络的最优参数；将最优参数应用于行为预测网络，并基于行为预测网络对姿态假设信息进行预测，最终输出预测的姿态估计数据。本发明无需人工设置参数，同时提高了神经网络寻找参数的效率以及精确性，操作简单，方便工作人员使用。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.021 seconds)
