-
公开(公告)号：CN110110847A
公开(公告)日：2019-08-09
申请号：CN201910362771.8
申请日：2019-04-30
Applicant: 吉林大学
Abstract: 本发明公开了一种基于注意力的深度加速强化学习的目标定位方法，包括以下步骤：步骤一，向模型内输入图像，所述模型分为两个子网络，分别是深度强化学习网络和注意力网络；步骤二，模型处理图像，分为四个阶段：第一阶段，是深度强化学习的训练阶段，在强化学习框架下，目标定位任务会被对应到三个要素中去，该基于注意力的深度加速强化学习的目标定位方法，在原有的深度强化学习框架下添加了注意力网络；这个方法将利用强化学习训练过程产生的数据来对注意力网络进行训练，以此得到注意力向量，在这里将深度强化学习网络DQN黑盒问题研究转换为注意力向量的白盒问题，同时可利用注意力机制优化DQN对位置定位过程的控制。
-
公开(公告)号：CN109697713A
公开(公告)日：2019-04-30
申请号：CN201811350962.4
申请日：2018-11-14
Applicant: 吉林大学
Abstract: 本发明公开一种基于深度学习和空间关系推理的椎间盘定位标注方法，该方法包括以下步骤：一、在核磁共振图像样本集上进行特征提取和统计分析，获得邻近椎间盘空间关系模型SAID；二、在核磁共振图像测试集上进行图像特征底层提取和目标识别，然后经过椎间盘空间关系筛选算法，获得准确识别的椎间盘目标；三、用椎间盘空间关系迭代推理算法把椎间盘目标集合与每个SAID逐一进行匹配，获得匹配程度；四、选取最佳匹配，对椎间盘目标赋予标注名称。本发明提出的邻近椎间盘空间关系模型可以更全面的模拟椎间盘的特征；椎间盘空间关系筛选算法引入评分机制能够消除假正例，得到准确的结果；迭代匹配的方法，在保证速度的前提下提高了准确性。
-
公开(公告)号：CN108648191A
公开(公告)日：2018-10-12
申请号：CN201810472227.4
申请日：2018-05-17
Applicant: 吉林大学
Abstract: 本发明公开一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，该方法包括以下步骤：步骤一、对害虫图像识别训练数据集进行预处理，使用富边缘检测算法(Rich-Edge)对该灰度图进行害虫边缘检测。步骤二、构建贝叶斯宽度残差神经网络(Bayesian Wide-ResidualNetwork，BWResNet)。步骤三、将步骤一得到的害虫边缘图像输入到步骤二构建的BWResNet中。利用步骤一中得到的害虫边缘图像训练集得到BWResNet的总误差函数。步骤四、利用步骤三中得到的误差函数，对网络进行训练。在这里我们提出分块共轭(Block-cg)算法对网络进行训练。步骤五、根据步骤四中优化后的网络更新超参数。步骤六、重复执行步骤四、五，得到最终的网络，将害虫图像验证集输入到网络后得到的分类准确率更高。
-
公开(公告)号：CN108491923A
公开(公告)日：2018-09-04
申请号：CN201810316604.5
申请日：2018-04-10
Applicant: 吉林大学
Abstract: 本发明提出一种基于改进狼群算法优化贝叶斯网络的害虫图像识别方法，该方法包括以下步骤：步骤一：提出一种改进的二进制狼群算法(Improved binary Wolf Colony Algorithm，IBWCA)，对狼群算法进行改进，在探狼的游走行为中加入突变算子，在召唤行为中加入逼近算子，并在围攻行为中加入交互算子，在狼群的更新过程中提出用混沌运动的方式更新狼群；步骤二：基于改进的二进制狼群算法的贝叶斯结构学习优化算法(Bayesian Network Construction algorithm using IBWCA,BNC-IBWCA)；步骤三：结合卷积神经网络与贝叶斯网络进行害虫图像的识别处理。用预训练好的卷积神经网络对训练集和测试集的图片进行特征提取，用贝叶斯分类器进行分类识别。
-
公开(公告)号：CN104331700B
公开(公告)日：2017-08-15
申请号：CN201410712945.6
申请日：2014-11-28
Applicant: 吉林大学
Abstract: 本发明公开一种基于轨迹能量扩散图的组行为识别方法，该方法包括以下步骤：一、对原始视频进行多目标检测，多目标跟踪，提取多目标轨迹；二、把多目标轨迹转换为轨迹能量块图；三、利用能量扩散过程由轨迹能量块图生成轨迹能量扩散图；四、由轨迹能量扩散图生成轨迹能量等势线图；五、对轨迹能量等势线图进行特征提取，利用基于典型相关分析的特征融合算法得到融合特征向量；六、对融合特征向量进行分类识别。本发明提出的轨迹能量块图可以很好的表现并保存组行为轨迹的时间信息；轨迹能量扩散图可以平滑因运动随机性产生的噪声；利用基于典型相关分析的特征融合算法实现多特征融合，从而提高识别精度。
-
Patent Agency Ranking
公开(公告)号：CN106568445A
公开(公告)日：2017-04-19
申请号：CN201610995627.4
申请日：2016-11-11
Applicant: 吉林大学
CPC classification number: G01C21/206 , G06N3/02
Abstract: 本发明公开一种基于双向循环神经网络的室内轨迹预测方法，该方法包括以下步骤：步骤一、室内空间预处理；步骤二、把室内定位得到的轨迹集中的目的地进行聚类；步骤三、利用室内定位技术，得到需要预测目标的采样点序列；步骤四、采样点序列校准；步骤五、根据室内轨迹预测问题特点，改进双向循环神经网络的结构。利用自适应梯度调节器进行训练，调节embedding列表的数据，使得偏差最小。将经过校准的采样点序列输入到改进后的双向循环神经网络中，进行目的地预测。本发明提出的算法，可以很好的对室内移动目标的轨迹进行预测；利用历史轨迹集解决了室内空间连通性问题；采样点序列校准保证了得到的采样点不会受数据稀疏性的影响，提高了预测的准确性。
-
公开(公告)号：CN105718947A
公开(公告)日：2016-06-29
申请号：CN201610038042.3
申请日：2016-01-21
Applicant: 吉林大学
IPC: G06K9/62
CPC classification number: G06K9/6268 , G06K9/629 , G06K2209/051 , G06K2209/053
Abstract: 本发明公开一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，该方法包括以下步骤：步骤一、对输入图像进行病灶定位。步骤二、病灶部位随机生成大量模板。步骤三、输入图像进行不同尺度缩放，分别对图像块与模板块进行纹理特征MB?LBP与形状特征小波矩的提取，通过实验调整权重参数融合两种特征。步骤四、图像不同位置匹配，得到特征响应图。步骤五、使用改进的均值空间金字塔模型将响应图转化成特征向量。步骤六、利用支持向量机实现精细分类。本发明提出的算法，是精细分类思想在医学领域的尝试，减少冗余模板的产生；LBP纹理特征与小波矩特征的融合良好的表示肺癌图像信息；金字塔模型抽取特征保留了有力的特征，提高识别精度。
-
公开(公告)号：CN119169374A
公开(公告)日：2024-12-20
申请号：CN202411311398.0
申请日：2024-09-12
Applicant: 吉林大学
IPC: G06V10/764 , G06V10/82 , G06V10/22 , G06V10/44 , G06V10/80 , G06V10/766 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明公开一种基于区域协同卷积和无参感知块的实时手术器械检测方法，该方法包括以下步骤：步骤一、提出一种新的轻量化的卷积方式区域协同卷积。首先根据参与比率确定卷积通道数，并将其分为g组进行分组卷积，结果沿通道拼合后与未参与部分拼接，得到最终特征图。步骤二、基于步骤一中提出的区域协同卷积，引入残差连接和可灵活变换通道数的1×1卷积，构建区域协同卷积块。步骤三、提出无参感知块，通过空间维度均值、差异平方和方差标准化生成注意力图，经Sigmoid映射后与原特征图相乘以实现特征聚焦。步骤四、构建轻量化手术器械检测网络，替换部分卷积模块为区域协同卷积块，并在Backbone和Neck之间加入无参感知块，提升特征聚焦能力与模型性能。
-
公开(公告)号：CN118279218A
公开(公告)日：2024-07-02
申请号：CN202211710258.1
申请日：2022-12-29
Applicant: 吉林大学
IPC: G06T7/00 , G06V10/26 , G06V10/82 , G06V10/44 , G06V10/766 , G06V10/42 , G06V10/80 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明属于图像检测技术领域，公开了一种病虫害检测的目标检测标框方法。通过对病害图像进行增强处理方法调整待处理病害图像的像素值得到多个像素值不同的病害图像，并利用这多个像素值不同的病害图像对该待处理病害图像进行病害图像质量增强处理，从而可以从多个像素值不同的病害图像中得到更多的局部细节信息，来实现对待处理病害图像进行病害图像增强，该方法能够提升病害图像质量增强处理的效果；同时，通过对病害图像进行分割方法能够有效地对图像进行病害图像分割，提升了病害图像分割的效率，特征提取检测效果更好。
-
公开(公告)号：CN115965644A
公开(公告)日：2023-04-14
申请号：CN202310156171.2
申请日：2023-02-23
Applicant: 吉林大学
Abstract: 本发明提出一种基于盒级先验与权重自约束的混合水平集图像分割方法，该方法包括以下步骤：步骤一、训练目标检测网络获取盒级先验信息并初始化水平集函数；步骤二、构造权重边缘检测能量项，利用步骤一中得到的盒级先验信息定义权重矩阵，将边缘检测范围约束到目标区域附近避免背景区域的干扰；步骤三、构造权重自约束能量项，引入可变系数约束水平集函数与盒级先验信息之间的关系，使水平集函数的演化随两者之间的相似程度动态变化；步骤四、构造局部区域拟合能量项与距离正则项，用于处理灰度不均和消除重新初始化；步骤五、结合步骤二、步骤三、步骤四中构造的能量项得到总的能量泛函，极小化该能量泛函得到分割结果。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.023 seconds)
