-
公开(公告)号：CN108765374B
公开(公告)日：2022-03-29
申请号：CN201810390350.1
申请日：2018-04-27
Applicant: 华南理工大学
Abstract: 本发明提供了一种检测宫颈涂片图像中异常核区域的方法，包括下述步骤：(1)采用残差卷积神经网络提取图像特征图；(2)采用区域建议网络处理特征图输出建议目标区域以及分数；(3)提出几何特征保持的全卷积网络对特征图和建议目标区域进行位置回归以及分类；(4)提出命中度的概念，并以此作为核区域筛查和评估的方法。本发明对细胞图像进行有针对性的特征提取，使得既能提取高层语义信息，又能较好保持底层的细节特征，提升了分类结果；本发明从异常筛查的基本目的出发，增加了关注度的考量，更加符合医学细胞检测的需要；同时多方面考量不同目标间的大小、染色深度、形状等特征，可以对异常细胞核进行更好的理解和学习。
-
公开(公告)号：CN112164125A
公开(公告)日：2021-01-01
申请号：CN202010964481.3
申请日：2020-09-15
Applicant: 华南理工大学
Abstract: 本发明公开了一种监督可控的人脸多属性分离生成的方法，方法包括以下步骤：收集人脸数据集合作为神经网络训练数据集；设计监督可控的人脸多属性分离MDCS神经网络；将收集的训练数据集作为MDCS神经网络的训练数据集，对MDCS神经网络进行训练；将待提取属性的人脸图像输入训练完成的MDCS神经网络，生成指定属性的目标人脸图像。本发明利用设计的MDCS神经网络，其可以根据客户需要定制的目标和现有的数据标签集合来进行人脸属性的分离与生成，解决全监督人脸生成方法标记属性过程繁琐，降低标记人员的工作量；且无监督的人脸生成方法生成图像质量低，无法满足部分需要指定特定监督信息的应用场景的情况。
-
公开(公告)号：CN107122713B
公开(公告)日：2020-07-28
申请号：CN201710187970.0
申请日：2017-03-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的似物性检测方法，包括先对输入图像进行超像素分割以及深度学习的特征图提取，然后结合特征图和标记矩阵获取所有超像素的特征，根据所提取的超像素的特征进行超像素的合并操作，判断是否需要继续下一轮合并；若需要合并，则将新的标记矩阵将更新后的标签矩阵重新与特征图相结合，提取新的超像素特征，继续新的一轮合并；若合并已经结束，则将所包含的超像素信息送入训练好的网络进行似物性评估；之后根据所得到的似物性分数进行排序，最后将排序的结果输出。
-
公开(公告)号：CN108804397A
公开(公告)日：2018-11-13
申请号：CN201810598146.9
申请日：2018-06-12
Applicant: 华南理工大学
CPC classification number: G06F17/214 , G06K9/00416 , G06K2209/011 , G06N3/0454 , G06N3/08
Abstract: 本发明提供了一个基于少量目标字体的汉字字体转换生成方法，包括下述步骤：(1)原字体笔画数据集和原字体‑目标字体数据集准备；(2)采用简单的图像降维和聚类算法，挑选出具有较高代表性的训练样本；(3)训练端到端的、基于深度笔画分离的字体转换(DeepSDFT)神经网络，保存网络参数；(4)利用DeepSDFT神经网络进行目标字体汉字自动生成，得到剩余的目标字体汉字。本发明提供的基于少量目标字体的汉字字体转换生成方法，无需人为交互、无需网络预训练，网络参数较少，可用于多种目标字体生成，实现了嵌入特征空间的可解释性，适用于字体设计辅助场景，实用性较强。
-
公开(公告)号：CN105512610A
公开(公告)日：2016-04-20
申请号：CN201510831162.4
申请日：2015-11-25
Applicant: 华南理工大学
CPC classification number: G06K9/00335 , G06K9/00342 , G06K9/3233
Abstract: 本发明公开了一种基于感兴趣点位置信息的视频中人体动作识别方法，包括如下步骤：S1对于视频数据集中的每个视频序列，提取视频序列中人体动作感兴趣点；S2利用人体动作感兴趣点对视频序列进行智能分片，经视频数据分成若干个视频片段；S3针对每个视频片段，计算其人体动作感兴趣点位置分布Hop描述子，Hop描述子表示该视频的人体动作；S4以Hop描述子代表每个视频片段进行人体动作训练；S5最终将出现频率最高的人体动作作为视频数据集中所表示的人体动作。本发明提出利用感兴趣点位置信息计算HoP描述子的方法，可以有效保留不同动作之间的差异性。
-
Patent Agency Ranking
公开(公告)号：CN1210200C
公开(公告)日：2005-07-13
申请号：CN03113927.2
申请日：2003-03-17
Applicant: 华南理工大学
Abstract: 本发明是一种管道微机器人单轮直接驱动方法及其驱动装置，微机器人包括微执行器和带有微电机的微驱动器，该方法采用与微电机轴固定连接的单传动轮与传动驱动轮构成一个弹性变形力和摩擦力组合作用的传动副，单传动轮外表面和传动驱动轮内表面固定有弹性短杆结构，由单传动轮通过一个传动驱动轮直接驱动微机器人运动，对所述微电机采用有线操控或无线遥控；该装置由驱动器连接体、单传动轮、传动驱动轮、驱动轮、微电机和从动轮相互连接组成。采用本发明方法驱动的工业或医用微机器人，通过有线或无线控制微电机，实现微机器人的自动操控，提高工作效率。本发明使管道微机器人的微驱动器结构大大简化、尺寸大大减小，成本也大为降低。
-
公开(公告)号：CN114529622B
公开(公告)日：2024-12-10
申请号：CN202210033454.3
申请日：2022-01-12
Applicant: 华南理工大学
IPC: G06T11/00 , G06T3/4038 , G06T3/60 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种通过引入自监督复合任务训练生成对抗网络生成高质量图像的方法及装置，包括以下步骤：(1)原始图像数据集以及拼接图像数据集准备；(2)设计用于实现生成对抗网络的自监督学习的复合任务；(3)搭建模型，构建对抗训练分支和自监督复合任务分支；(4)训练模型，并保存网络的参数；(5)使用训练好的生成器网络进行图像生成。本发明提供的通过引入自监督复合任务训练生成对抗网络生成高质量图像的方法，对图像内信息和图像间信息同时进行利用，构建了一个包含三个子任务的复合任务，引导网络学习图像中更稳定、更通用的特征，同时还构建了局部判别器来提高网络提取图像局部信息的能力，可显著提升网络的训练效果，提高最终生成的图像的质量。
-
公开(公告)号：CN114897779B
公开(公告)日：2024-04-23
申请号：CN202210378225.5
申请日：2022-04-12
Applicant: 华南理工大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06T3/4038 , G06T3/60 , G06T5/90 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于融合注意力的宫颈细胞学图像异常区域定位方法及装置，方法包括：获取原始宫颈细胞学图像，对所述宫颈细胞学图像数据集进行预处理，得到图像训练集和图像测试集；采用预先设立的残差神经网络提取宫颈细胞学图像的粗特征；构建多尺度特征融合模型，并以特征金字塔结构输出多层级的特征，采用联合注意力的共享检测头与目标框质量评估方法，对多层级特征进行坐标回归和分类；采用预测框与真实框重叠区域面积与真实框面积的比值iog作为判断目标框是否命中异常区域的指标，并根据设置的iog阈值以及目标框的置信度判断是否为异常区域。本发明能够快速定位宫颈细胞图像的异常区域，作为临床的辅助诊断方式，可极大减少临床医生的工作量。
-
公开(公告)号：CN109146989B
公开(公告)日：2023-02-14
申请号：CN201810749559.2
申请日：2018-07-10
Applicant: 华南理工大学
IPC: G06T11/00 , G06N3/0464 , G06N3/08 , G06T5/00
Abstract: 本发明提供了一种通过搭建神经网络生成花鸟艺术字图像的方法，包括以下步骤：(1)提出一个新的图像数据集，即ChineseArtCharacter360，包含360个汉字对应的360幅花鸟艺术字图像；(2)使用8‑connect块构建卷积神经网络作为生成器，构建马尔可夫卷积神经网络作为判别器并设计GLS损失函数作为网络总的损失函数；(3)将构建的图像数据集输入到生成器和判别器进行训练；(4)使用训练好的生成器进行花鸟艺术字图像的生成。本方法针对解决的问题可视作图像到图像的转换问题，通过搭建卷积神经网络，并设计GLS损失函数，可基于简单的输入获取任意汉字对应的花鸟艺术字图像，从而加速甚至省去传统复杂的手工和特殊画具的绘制过程。
-
公开(公告)号：CN114897779A
公开(公告)日：2022-08-12
申请号：CN202210378225.5
申请日：2022-04-12
Applicant: 华南理工大学
IPC: G06T7/00 , G06N3/04 , G06N3/08 , G06T3/40 , G06T3/60 , G06T5/00 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于融合注意力的宫颈细胞学图像异常区域定位方法及装置，方法包括：获取原始宫颈细胞学图像，对所述宫颈细胞学图像数据集进行预处理，得到图像训练集和图像测试集；采用预先设立的残差神经网络提取宫颈细胞学图像的粗特征；构建多尺度特征融合模型，并以特征金字塔结构输出多层级的特征，采用联合注意力的共享检测头与目标框质量评估方法，对多层级特征进行坐标回归和分类；采用预测框与真实框重叠区域面积与真实框面积的比值iog作为判断目标框是否命中异常区域的指标，并根据设置的iog阈值以及目标框的置信度判断是否为异常区域。本发明能够快速定位宫颈细胞图像的异常区域，作为临床的辅助诊断方式，可极大减少临床医生的工作量。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
