-
公开(公告)号：CN119152062A
公开(公告)日：2024-12-17
申请号：CN202411309462.1
申请日：2024-09-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于级联特征连接残差网络的CBCT伪影去除方法，将每组CBCT和CT图像配准到同一空间坐标系并通过前向投影获得投影图像；将投影图像输入到级联特征连接残差网络；将网络生成投影数据和输入CBCT‑CT投影数据通过FasterNet网络进行快速特征提取；计算网络生成的特征集合与输入CBCT的特征集合之间的以及网络生成的特征集合与输入CT的特征集合之间的Cobi Loss和Perceptual Loss，通过加权得到损失值以优化网络得到去除伪影投影数据；将生成的投影数据通过后向投影得到重建图像。本发明解决了CBCT伪影去除方法存在在图像域上处理导致训练模型不能适配不同设备协议的问题。
-
公开(公告)号：CN117197160A
公开(公告)日：2023-12-08
申请号：CN202310909114.7
申请日：2023-07-24
Applicant: 南京邮电大学
IPC: G06T7/11 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/0895 , G06N3/09
Abstract: 本发明公开了一种基于多尺度相互一致性学习的半监督脑卒中病灶分割方法,包括数据预处理、模型搭建和混合损失函数，其特征在于，所述数据预处理中使用脑卒中病灶分割数据集，提取扩散加权图像，用于构建基于半监督学习的脑卒中分割数据集；所述模型搭建设计了一种3D的ASPP，并将其与引入V‑Net模型，构建对于小目标分割友好的STF‑Net,使用三种STF‑Net构建基于相互一致性学习的半监督脑卒中病灶分割模型，通过利用三个模型输出的噪声进行无监督学习。本发明公开的基于多尺度相互一致性学习的半监督脑卒中病灶分割方法不仅在密集小病灶的分割上效果显著，在大范围卒中病灶，即常规的大目标分割上也表现出色。
-
公开(公告)号：CN117103277A
公开(公告)日：2023-11-24
申请号：CN202311297470.4
申请日：2023-10-09
Applicant: 南京邮电大学
IPC: B25J9/16
Abstract: 本发明涉及计算机视觉技术领域，公开了一种基于多模态数据融合的机械手臂感知方法，包括：进行相机标定和手眼标定；采用ROS驱动相机获取图像和深度图，并采用YOLOv5图像识别算法，计算出目标物的中心点和位姿矩阵；设计坐标系转移算法，将目标物在相机坐标系下的齐次矩阵转移到机械臂基坐标系下的齐次矩阵；设计运动控制算法，实现机械手臂的运动控制，完成既定任务。本发明融合了RGB图像、深度图像以及灵巧手的触觉系统等多个模态的数据对目标物进行识别，计算出物体中心点的位姿信息，通过机械手臂上的灵巧手对目标物进行操作，提高利用灵巧手的触觉系统感知操作目标物的准确度，实现机械手臂准确抓取目标物。
-
公开(公告)号：CN116862876A
公开(公告)日：2023-10-10
申请号：CN202310846559.5
申请日：2023-07-11
Applicant: 南京邮电大学
IPC: G06T7/00 , G06T7/10 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及医学图像处理技术领域，公开了一种多模态辅助的非优势模态中瘤周水肿的半监督分割方法，包括：构建瘤周水肿半监督分割数据集，并将两种模态的输入表示为I1和I2，当有标签时为Ii,L，没有标签时为Ii,U；采用两个编码器接收两个模态的图像I1和I2，通过卷积层进行初始特征挖掘后进行多模态的可解释性特征融合；重复融合两次，编码器完成第三次上采样后，将双分支输出特征送入单输出模态融合模块，得到输出特征；采用两个相同的解码器解码之后输入到一致性计算模块，计算出一致性损失Lcon。本发明提供的半监督分割方法，在优势模态缺失的情况下，利用两种或多种非优势模态，形成分割效果优于单个优势模态的半监督分割。
-
公开(公告)号：CN115272429A
公开(公告)日：2022-11-01
申请号：CN202210768937.8
申请日：2022-06-30
Applicant: 南京邮电大学
Abstract: 本发明提供了一种基于特征点的图像配准方法、实施该方法的系统以及计算机可读存储介质。所述方法包括以下步骤：将CT数据经数字重建放射影像技术生成DRR图像；将X射线透视图像与DRR图像经过图像增强后输入特征匹配神经网络，得到粗配准的位置参数；以及将粗配准得到的位置参数作为精配准的初始解，利用粒子群算法结合Powell算法得到六个空间变换参数。本发明利用一个特征提取网络识别图像的点特征而非物体的形状特征，提高了对高噪声图像的鲁棒性；采用自监督和半监督的训练模式，并添加了图像增强模块，以适应不同模态的图像质量；再利用改进的粒子群算法结合Powell算法进行精配准确定六个空间变换参数，在保证精度的同时，利用深度学习提高了配准速度。
-
Patent Agency Ranking
公开(公告)号：CN114596378A
公开(公告)日：2022-06-07
申请号：CN202210242057.7
申请日：2022-03-11
Applicant: 南京邮电大学
Abstract: 本发明公开了一种稀疏角CT伪影去除的方法，本发明的方法基于感知损失以及特征融合注意力残差网络.包括:对输入的带伪影的稀疏CT图像和原始CT图像进行预处理；将经过预处理的稀疏CT图像和原始CT图像进行特征提取，得到特征图谱；将得到的特征图谱经过改进的以感知损失为损失函数的特征融合注意力残差网络训练，以原始CT图像作为标签，使得稀疏CT图像能够去除掉伪影但保持其结构不发生变化；最后将稀疏CT图像作为输入，利用训练好的网络模型进行伪影去除，并计算峰值信噪比和结构相似性。该方法将感知损失作为损失函数，可以增强细节信息。并在特征融合残差网络中加入注意力机制，提升网络的性能，最终实现一个快速有效的去除伪影的作用。
-
公开(公告)号：CN109815886B
公开(公告)日：2020-12-18
申请号：CN201910052953.5
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于改进YOLOv3的行人和车辆检测方法及系统。本发明采用基于Darknet‑33改进型YOLOv3网络作为主干网络提取特征；采用可传递的特征图尺度缩减方法，跨层融合并重用主干网络中的多尺度特征；然后采用尺度放大方法构建特征金字塔网络。训练阶段，对训练集使用K‑means聚类方法以预测框和真实框的交并比作为相似度标准进行聚类选取先验框；然后依据损失函数做BBox回归和多标签分类。检测阶段，对所有检测框，根据置信度打分和IOU值采用非极大值抑制法去除冗余检测框，预测出最优的目标对象。本发明采用特征图尺度缩减融合的特征提取网络Darknet‑33、特征图尺度放大迁移融合构造特征金字塔和聚类选取先验框，能提高行人和车辆检测的速度和精度。
-
公开(公告)号：CN111243236A
公开(公告)日：2020-06-05
申请号：CN202010053964.8
申请日：2020-01-17
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度学习的疲劳驾驶预警方法及系统，包括：参数解析模块，视频采集模块，图像处理模块，识别模块，画框模块，警报模块；所述参数解析模块用于当程序启动时读入程序的各种参数设定，所述视频采集模块采集视频，并将有效视频传输至所述图像处理模块，所述图像处理模块读入并记录图像的长度和宽度，并生成一个同样大小的零矩阵，将图像传输至所述识别模块，所述识别模块生成检测结果的框图坐标及检测结果的置信度，所述画框模块通过识别框图坐标和检测结果置信度，对所有类别进行遍历，将所有置信度大于阈值的类别根据框图坐标进行画框并标注类别，根据类别的不同，画出颜色不同的框体加以区别，所述警报模块发送警报信号。
-
公开(公告)号：CN110852368A
公开(公告)日：2020-02-28
申请号：CN201911068737.6
申请日：2019-11-05
Applicant: 南京邮电大学
Abstract: 本发明公开了一种全局与局部特征嵌入及图文融合的情感分析方法与系统，该方法首先利用卷积神经网络提取图像的全局特征，同时利用迁移学习训练目标检测模型，对图像中携带情感的局部区域进行检测定位，提取局部区域特征并嵌入到全局特征共同训练图像情感分类模型，得到图像的情感极性概率。接着将文本表示为包含丰富语义信息的词向量，输入到可提取文本语义上下文特征的双向LSTM进行情感分类，得到文本的情感的极性概率。最后根据后期融合公式，得到图像及文本融合后的情感极性概率，进行图文情感分析。本发明能有效的关注图文的情感信息，并通过图像的全局与局部情感特征的提取以及文本信息的融合，提高图文情感分类的准确性和鲁棒性。
-
公开(公告)号：CN109815886A
公开(公告)日：2019-05-28
申请号：CN201910052953.5
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于改进YOLOv3的行人和车辆检测方法及系统。本发明采用基于Darknet-33改进型YOLOv3网络作为主干网络提取特征；采用可传递的特征图尺度缩减方法，跨层融合并重用主干网络中的多尺度特征；然后采用尺度放大方法构建特征金字塔网络。训练阶段，对训练集使用K-means聚类方法以预测框和真实框的交并比作为相似度标准进行聚类选取先验框；然后依据损失函数做BBox回归和多标签分类。检测阶段，对所有检测框，根据置信度打分和IOU值采用非极大值抑制法去除冗余检测框，预测出最优的目标对象。本发明采用特征图尺度缩减融合的特征提取网络Darknet-33、特征图尺度放大迁移融合构造特征金字塔和聚类选取先验框，能提高行人和车辆检测的速度和精度。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.028 seconds)
