-
公开(公告)号：CN112633378A
公开(公告)日：2021-04-09
申请号：CN202011550220.3
申请日：2020-12-24
Applicant: 电子科技大学
Abstract: 本发明提出了一种多模态影像胎儿胼胝体智能检测方法及系统，所述检测方法包括：对多模态切面医学影像进行胼胝体目标框标注和影像模态‑切面位信息标注，形成胼胝体目标检测数据集；对胼胝体目标检测数据集中的多模态切面医学影像进行预处理，对多模态切面医学影像的模态‑切面信息进行编码；建立包括特征提取网络模型和Transformer网络模型的胎儿胼胝体智能检测模型；对胎儿胼胝体智能检测模型进行训练，获得训练后的胎儿胼胝体智能检测模型；利用训练后的胎儿胼胝体智能检测模型对待检测的多模态切面医学影像进行胎儿胼胝体智能检测，获得胎儿胼胝体检测结果。本发明利用特征提取网络模型和Transformer网络模型实现多模态影像中胎儿胼胝体的准确定位。
-
公开(公告)号：CN110550518B
公开(公告)日：2020-07-28
申请号：CN201910806149.1
申请日：2019-08-29
Applicant: 电子科技大学
Abstract: 本发明公开一种基于稀疏去噪自编码的电梯运行异常检测方法，包括：分别获取电梯正常和异常振动的时域波形；根据正常和异常振动的时域波形得到正常和异常振动的频域波形；根据时域和频域波形制作训练集和测试集；采用单层稀疏去噪自编码对训练集进行学习，得到第一神经网络；采用层叠稀疏去噪自编码以及BP算法对第一神经网络进行调整，得到第二神经网络；采用测试集对第二神经网络进行测试，得到各样本的时域重构误差和频域重构误差，从而得到融合重构误差序列；将融合重构误差序列的中值设为区分正常和异常数据的阈值；利用阈值和第二神经网络判断待检测信号是否异常。本发明能够解决异常样本过少的问题，提高异常检测的效率和准确率。
-
公开(公告)号：CN109087298B
公开(公告)日：2020-07-28
申请号：CN201810941074.3
申请日：2018-08-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种阿尔兹海默病MRI图像的分类方法。发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3D数据在Axial、Sagittal、coronal三个方向上得到多个2D形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3D的数据信息，又避免了使用3D卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。
-
公开(公告)号：CN110443323A
公开(公告)日：2019-11-12
申请号：CN201910762208.X
申请日：2019-08-19
Applicant: 电子科技大学
Abstract: 本发明涉及基于长短期记忆网络和人脸关键点的相貌评估方法，包括：A.采集输入图像中人脸的关键点，将预处理后的人脸数据分为训练集和测试集；B.构建包括前端网络和后端网络的深度学习模型，并完成对所述深度学习模型的初始化，在前端网络中包括不含全局平均池化层和全连接层的Resnext-50神经网络，在后端网络中包括一个长短期记忆网络和一个全连接层；C.将训练集的数据输入到初始化后的深度学习模型中对深度学习模型进行训练，得到优化后的深度学习模型；D.将所述测试集的数据输入到优化后的深度学习模型，得到人脸相貌评估的结果。本发明大幅度减少了人脸相貌评估过程中的回归误，并且得到了更准确的人脸相貌评估效果。
-
公开(公告)号：CN106250870B
公开(公告)日：2019-10-08
申请号：CN201610673967.5
申请日：2016-08-16
Applicant: 电子科技大学
Abstract: 一种联合局部和全局相似性度量学习的行人再识别方法，首先将行人再识别数据库中的所有行人图像做预处理，提取每幅行人图的局部特征和全局特征；其次，在训练模块，联合行人样本的局部相似性和全局相似性，度量两行人样本的整体相似性，学习度量矩阵；最后，在测试模块，导入训练模块学习的度量矩阵，度量每一个待测行人样本和库行人样本的相似性，按照相似性大小排序，识别待测行人样本。
-
Patent Agency Ranking
公开(公告)号：CN109241872A
公开(公告)日：2019-01-18
申请号：CN201810947526.9
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于多级网络的图像语义快速分割方法，涉及图像语义分割和深度学习领域，本方法中构建的多级语义分割模型包括第一级网络，第二级网络和第三级网络，第一级网络包括包含layer的密集连接块和卷积层，第二级网络包括包含layer的密集连接块、级联层和卷积层，第三级网络包括包含layer的密集连接块、级联层和卷积层，第二级网络的级联层通过上采样层连接第一级网络的卷积层，第三级网络的级联层通过上采样层连接第二级网络的级联层；第一级网络、第二级网络和第三级网络的每一个密集连接块后还连接INPLACE-ABN；每个密集连接块中的layer的输入都包含了前面所有的layer输出的级联后的特征图；本发明解决了现有技术中的图像语义分割速度与精度不能兼顾的问题。
-
公开(公告)号：CN109145983A
公开(公告)日：2019-01-04
申请号：CN201810952416.1
申请日：2018-08-21
Applicant: 电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6268 , G06K9/6256
Abstract: 本发明公开了一种基于轻量化网络的实时场景图像语义分割方法，包括以下步骤：S1、根据场景图像数据集，训练一个轻量化网络分类模型；S2、以轻量化网络分类模型为基础构建深度卷积神经网络模型；S3、将场景图像数据集中训练数据输入至深度卷积神经网络，输出预测图像，并与场景图像数据集中的语义标注图像对比，并计算出交叉熵损失作为目标函数，得到训练好的图像语义分割模型；S4、将待测试的实时场景图像输入至图像语义分割模型中，得到图像语义分割结果。本发明通过将修改过的MobileNetV2作为基础网络，能高效地提取图像特征，在上采样过程中，运用快捷连接块，使参数利用更加高效，进一步提高了语义分割模型的速度。
-
公开(公告)号：CN109063666A
公开(公告)日：2018-12-21
申请号：CN201810921647.6
申请日：2018-08-14
Applicant: 电子科技大学
CPC classification number: G06K9/00288 , G06K9/6273 , G06N3/0454 , G06N3/084
Abstract: 本发明公开了一种基于深度可分离卷积的轻量化人脸识别方法及系统，该人脸识别方法包括：对三层级联卷积神经网络进行训练，得到训练好的三层级联卷积神经网络；对深度可分离卷积神经网络进行训练，得到深度可分离卷积神经网络模型；对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，得到训练好的深度可分离卷积神经网络模型；输入待识别人脸图像至训练好的三层级联卷积神经网络进行图像预处理，然后输出预处理图像至训练好的深度可分离卷积神经网络模型进行人脸识别。本发明通过采用深度可分离卷积减少计算量，降低模型大小，并进一步对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，使得模型缩小35到49倍。
-
公开(公告)号：CN108960212A
公开(公告)日：2018-12-07
申请号：CN201810915453.5
申请日：2018-08-13
Applicant: 电子科技大学
CPC classification number: G06K9/00362 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了基于端到端的人体关节点检测与分类方法，其实现方法具体包括：构造深度学习网络、对输入图片数据进行训练及测试。深度学习网络包含基础网络层结构、金字塔池化残差模块、堆栈式沙漏型模块。在训练阶段：对输入图像进行预处理操作以及网络参数的初始化，将处理后的图像输入到基于堆栈式沙漏型以及条件随机场理论的深度学习网络中进行训练，根据Softmax损失函数对网络权值参数进行更新；测试阶段：使用学习得到的深度学习网络模型参数对测试图片进行前向传播，得到测试关节点的概率分布情况，利用已知准则将各个关节点依次连接起来，得到结果图像。
-
公开(公告)号：CN106228565B
公开(公告)日：2018-12-04
申请号：CN201610625731.4
申请日：2016-08-02
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于X射线图像的输油管道焊缝缺陷检测方法。本发明使用显著性转换对单通道焊缝灰度图进行处理得到显著性图像，本发明提出快速显著性检测算法(Fast Visual Saliency,FVS)得到显著性图像。原图像与显著性图像构成二通道输入，接着通过滑窗提取训练样本，并提取LBP(Local Binary Patterns)与灰度共生特征，与图像列向量一起作为特征向量。本发明提出判别稀疏重构投影(DSRP)的特征提取方法，对特征数据进行降维的同时使算法更鲁棒；最后通过训练SVM分类器进行分类，从而提高检测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.03 seconds)
