-
公开(公告)号：CN103886308B
公开(公告)日：2017-03-29
申请号：CN201410150661.2
申请日：2014-04-15
Applicant: 中南大学
Abstract: 本发明公开了一种使用聚合通道特征和软级联分类器的行人检测方法，包括以下步骤：步骤1：获取图像，并对图像进行预处理构成图像金字塔；步骤2：从图像金字塔中提取聚合通道特征金字塔；步骤3：在聚合通道特征金字塔上按照设定的步长滑动检测窗口，获得检测块；步骤4：使用已训练好的多个软级联分类器将步骤3获得的检测块依次分类为含有行人或不含行人的检测块；步骤5：被分类为含有行人的检测块标记为行人候选窗口，并记录每个行人候选窗口的分类得分；步骤6：去除重叠行人候选窗口；步骤7：输出行人检测结果。聚合通道特征有效描述了行人类的外观共性。多个软级联分类器组成检测器的方式较好处理了训练数据不平衡问题，提高了检测能力。
-
公开(公告)号：CN104299242A
公开(公告)日：2015-01-21
申请号：CN201410605946.0
申请日：2014-10-31
Applicant: 中南大学
Abstract: 本发明公开了一种基于NGC-ACM的荧光造影眼底图像提取方法，包括以下几个步骤：首先对荧光造影眼底图像进行处理，通过用户选择感兴趣区域，初步确定无灌注区域的边界；然后通过荧光造影眼底图像模糊划分，提取出确定存在无灌注区域的范围；其次，针对荧光造影眼底图像制作二值化模板，消除区域提取结果中的边界信息；最后通过对提取出的无灌注区域的边界及无灌注区域存在范围的数学形态学处理，最终获得无灌注区域提取结果。极大的提高了无灌注区域全局提取的效果和质量。
-
公开(公告)号：CN103886308A
公开(公告)日：2014-06-25
申请号：CN201410150661.2
申请日：2014-04-15
Applicant: 中南大学
Abstract: 本发明公开了一种使用聚合通道特征和软级联分类器的行人检测方法，包括以下步骤：步骤1：获取图像，并对图像进行预处理构成图像金字塔；步骤2：从图像金字塔中提取聚合通道特征金字塔；步骤3：在聚合通道特征金字塔上按照设定的步长滑动检测窗口，获得检测块；步骤4：使用已训练好的多个软级联分类器将步骤3获得的检测块依次分类为含有行人或不含行人的检测块；步骤5：被分类为含有行人的检测块标记为行人候选窗口，并记录每个行人候选窗口的分类得分；步骤6：去除重叠行人候选窗口；步骤7：输出行人检测结果。聚合通道特征有效描述了行人类的外观共性。多个软级联分类器组成检测器的方式较好处理了训练数据不平衡问题，提高了检测能力。
-
公开(公告)号：CN114675969B
公开(公告)日：2024-08-20
申请号：CN202210313490.5
申请日：2022-03-28
Applicant: 中南大学
IPC: G06F9/50 , G06F16/176
Abstract: 本发明公开了一种基于自适应负载分区的弹性缩放流处理方法，包括基于Flink原型构建流处理系统；构建DKG模型用于分配数据到下游算子实例并管理实例中的计算状态；构建指标收集器模型收集和存储流处理系统的性能指标数据；共享性能指标数据；构建判别器模型用于计算弹性缩放策略实施因子和负载分区策略实施因子；构建对应的弹性缩放策略和负载分区策略；构建重配置控制器模块将策略应用到流处理系统中完成基于自适应负载分区的弹性缩放流处理。本发明还公开了实现所述基于自适应负载分区的弹性缩放流处理方法的系统。本发明能够在均衡和倾斜的数据流上实现较低的端到端处理延迟和较高的吞吐量，而且可靠性高、实施效果好且科学合理。
-
公开(公告)号：CN116703945A
公开(公告)日：2023-09-05
申请号：CN202310697635.0
申请日：2023-06-13
Applicant: 中南大学
IPC: G06T7/11 , G06T7/00 , G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种乳腺超声图像的肿瘤分割方法、系统、介质及终端，其中方法包括：获取乳腺超声图像；将乳腺超声图像输入编码器，编码提取多级语义特征图；将多级语义特征图输入解码器进行细化增强，得到分级多尺度特征映射；基于分级多尺度特征映射融合跨层特征，输出细化的病变区域分割图。其中方法能够有效的抑制乳腺超声图像的噪声、提高肿瘤病变区域分割精度。
-
Patent Agency Ranking
公开(公告)号：CN116485815A
公开(公告)日：2023-07-25
申请号：CN202310485440.X
申请日：2023-05-04
Applicant: 中南大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于双尺度编码器网络的医学图像分割方法、设备和介质，方法针对待分割的医学图像，使用训练好的双尺度编码器网络DSE‑Net对图像的目标进行分割；DSE‑Net由粗分割和细分割部分组成；粗分割部分使用双尺度编码器对医学图像逐层编码，并使用解码器对编码输出的特征图逐层上采样直至恢复到输入图像大小，并输出预测的粗分割图；其中编码器包括两种尺度的编码块；细分割部分使用基于Transformer的细化模块对粗分割图进行细化，得到细化的医学图像分割图。本发明使用双尺度编码器网络，能够捕获不同的视野信息，获取更丰富的上下文信息，对损失的信息进行相互补充，实现对医学图像更精确、更完整的分割。
-
公开(公告)号：CN112686135B
公开(公告)日：2022-10-14
申请号：CN202011588793.5
申请日：2020-12-29
Applicant: 中南大学
IPC: G06V40/10 , G06V10/82 , G06V10/774 , G06V10/762 , G06V10/74 , G06V10/40 , G06N3/08
Abstract: 本发明公开了一种基于分布拟合的可泛化的行人重识别方法，包括选取原始的神经网络模型；获取训练数据集，训练神经网络模型得到初步行人重识别模型；获取测试数据集，测试和修正初步行人重识别模型得到最终的行人重识别模型；实时获取行人图像，采用行人重识别模型进行识别并完成行人的重识别。本发明有效地减少了图像分布差异引起的性能下降，同时提升模型的泛化能力来适应不同场景；因此本发明方法不仅解决了图像分布差异所引起的性能下降问题，而且提升了模型的泛化能力，同时可靠性高、泛化性好而且精确度高。
-
公开(公告)号：CN114626377A
公开(公告)日：2022-06-14
申请号：CN202210313916.7
申请日：2022-03-28
Applicant: 中南大学
IPC: G06F40/289 , G06F40/216 , G06F16/35
Abstract: 本发明提供了一种方面级情感分析方法及系统，该方法包括获取待分析的文本，通过分词工具将待分析的文本进行分词处理，基于字典对分词后的文本进行编码，根据编码后的文本构造出多个查询；将每个查询输入至双向机器阅读理解模型中，最终输出得到每个查询对应的方面与意见对；双向机器阅读理解模型由Bert预训练模型与多个二分类器组成；根据所述方面与意见对构造预测情感极性的情感查询，将情感查询输入至情感查询分类器中进行情感分类得到情感分类结果。本发明提供的一种方面级情感分析方法使用双向机器阅读理解模型来高效提取存在复杂对应关系的方面与意见，并通过多种策略来优化模型，大幅提升了最终情感分析的效率，且准确率高鲁棒性好。
-
公开(公告)号：CN109166124A
公开(公告)日：2019-01-08
申请号：CN201811380431.X
申请日：2018-11-20
Applicant: 中南大学
Abstract: 本发明提出一种基于连通区域的视网膜血管形态量化方法，在对眼底图像进行预处理后，获取视网膜血管分割图，然后对血管分割图进行后处理。在此基础上对血管网进行细化和边界化处理，得到血管中心线网络和血管边界图。接着进行角点检测，并将其从血管中心线网络中去除，使血管网中各血管段形成相互分离的连通区域。遍历各血管段，近似血管段中心线，将其变为折线从而计算血管方向。最后计算初始管径值，并在血管段中心线上滑动选取圆心，根据圆心血管方向和前期测得的管径值创建半圆窗口，取该窗口与血管边界的两交点间的距离为新的管径值；由此迭代测得一组管径值，取其中值为该血管段的管径大小。本发明适用于大规模的视网膜血管形态的量化，可靠性高。
-
公开(公告)号：CN104299242B
公开(公告)日：2017-11-07
申请号：CN201410605946.0
申请日：2014-10-31
Applicant: 中南大学
Abstract: 本发明公开了一种基于NGC‑ACM的荧光造影眼底图像提取方法，包括以下几个步骤：首先对荧光造影眼底图像进行处理，通过用户选择感兴趣区域，初步确定无灌注区域的边界；然后通过荧光造影眼底图像模糊划分，提取出确定存在无灌注区域的范围；其次，针对荧光造影眼底图像制作二值化模板，消除区域提取结果中的边界信息；最后通过对提取出的无灌注区域的边界及无灌注区域存在范围的数学形态学处理，最终获得无灌注区域提取结果。极大的提高了无灌注区域全局提取的效果和质量。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.023 seconds)
