-
公开(公告)号：CN114897737A
公开(公告)日：2022-08-12
申请号：CN202210572277.6
申请日：2022-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于非配对无监督神经网络的高光谱图像去噪方法，具体包括：高光谱图像通过仿真生成含噪数据集，并进行矩阵分解操作形成低维投影矩阵；基于对低维投影矩阵最小化均方误差的无偏风险估计，进行无监督网络损失函数的计算；针对低维投影矩阵构建U‑net网络；取另外高质量干净数据集，构建三维小波变换网络；将上述构建的U‑net网络与三维小波变换网络联合，基于U‑net网络的损失函数和三维小波变换网络的重构损失函数得到总损失函数，训练非配对无监督神经网络模型。本发明通过输入不同内容的数据形成非配对输入，利用额外信息引导增强恢复出的高光谱图像，能够恢复出边缘更加清晰的干净图像，解决了无监督方法较难学习良好映射的问题。
-
公开(公告)号：CN114820636A
公开(公告)日：2022-07-29
申请号：CN202210549492.4
申请日：2022-05-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种三维医学图像分割模型及其训练方法和应用，该模型基于深度学习卷积神经网络，网络模型由Prototype计算模块、编码器解码器模块、任务控制器模块、动态卷积核生成器模块以及动态分割头模块构成。模型通过设计一个任务控制器并引入Prototype特征向量来指导网络进行分割任务判别，使用动态卷积灵活处理不同分割任务，解决了医学图像分割领域中的部分标记问题，达到了多类别三维医学图像器官和肿瘤分割的目的，解决了当前主流方法中参数过多，对任务扩展不灵活的问题，同时在分割结果上有一定的提升。
-
公开(公告)号：CN107301289B
公开(公告)日：2020-11-13
申请号：CN201710470908.2
申请日：2017-06-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于智能博弈的交通流元胞自动机模型的实现方法，该方法包括如下步骤：步骤1：在模拟之前，首先设定模拟时间长度，参数λ，最大速度值vmax，并入区域的前后道路数、长度及连接方式的预设数值；步骤2：在模拟开始时，从原点距离＝0的位置依照泊松分布随机生成车辆，初始速度基于泊松分布生成；步骤3：对已生成车辆判断位置坐标，确定其所在区域，根据不同的改进规则依次判断速度参数；步骤4：结合步骤3确定的速度进行位置更新和状态标志更新，依据状态标志显示和记录相关数据或图像；步骤5：判断时间是否达到仿真时间，否则返回上述步骤。本发明在高速等路况分析，交通检测，收费站设计领域提供了技术支撑，具有较强的实用价值。
-
公开(公告)号：CN104616299A
公开(公告)日：2015-05-13
申请号：CN201510051773.7
申请日：2015-01-30
Applicant: 南京邮电大学
IPC: G06T7/00
CPC classification number: G06T7/001 , G06T2207/10048 , G06T2207/20182
Abstract: 本发明公开了一种基于空时偏微分方程的弱小目标检测方法，该方法包括：(1)读入待处理图像序列的相邻三帧图像；(2)初始化参数w并计算图像的空时梯度(3)利用空时偏微分方程对图像进行背景预测；(4)对当前帧的图像和背景预测的结果进行差分，得到弱小目标的检测结果。本发明通过利用空时偏微分方程模型对远距离红外图像进行背景预测，使得算法能够对弱小目标进行检测，该方法为成像制导、安全监控、空间监测等方面提供了技术支撑，具有较强的实用价值。
-
公开(公告)号：CN104457986A
公开(公告)日：2015-03-25
申请号：CN201410573157.3
申请日：2014-10-23
Applicant: 南京邮电大学
IPC: G01J3/28
Abstract: 本发明公开了一种基于自适应正则化的光谱分辨率增强方法，该方法的分辨率是光谱测量中至关重要的指标，然而由于在光谱的测量过程中，光谱测量仪器本身会引入一些导致测量的谱线位置偏移、轮廓增宽和畸变等因素，从而导致分辨率降低。本发明提出的基于自适应正则化的光谱分辨率增强方法，既能在抑制噪声的同时保留光谱细节，又能自适应地估计模糊核函数的宽度，适用于不同模糊程度下的光谱分辨率增强。本发明充分利用了噪声对光谱强度受的影响远小于对光谱强度一阶导数的影响的特点，对光谱信息的正则项施加了自适应权系数，更好的保存光谱峰值。本发明在光谱用于质量检测和材料分析等方面提供了技术支撑，具有较强的实用价值。
-
Patent Agency Ranking
公开(公告)号：CN119942090A
公开(公告)日：2025-05-06
申请号：CN202510367885.7
申请日：2025-03-26
Applicant: 南京邮电大学
IPC: G06V10/25 , G06N3/0442 , G06N3/0464 , G06V10/42 , G06V10/44 , G06V10/771 , G06V10/80 , G06V10/82
Abstract: 本发明涉及计算机视觉与目标检测技术领域，具体为基于动态Top‑k特征选择与交叉张量分解的伪装目标检测方法，包括：将伪装目标图像输入编码器网络提取多层级特征，生成不同尺度的特征图；输入全局感知模块和局部优化模块进行不同尺度特征提取，输出全局特征和局部特征；对全局特征和局部特征进行交叉张量分解，通过低秩因子矩阵扩展与交叉合并生成互补特征；将互补后的全局特征、局部特征及前一层融合特征输入层次融合模块；将特征输入混合加权解码器，结合DSE模块的通道注意力机制进行逆向优化，最终输出伪装目标检测结果；对输出的分割图及最终预测图进行多级监督，通过损失函数联合优化模型参数,灵活地调整对不同特征的依赖程度。
-
公开(公告)号：CN114881885B
公开(公告)日：2024-12-13
申请号：CN202210572476.7
申请日：2022-05-25
Applicant: 南京邮电大学
IPC: G06T5/70 , G06T5/60 , G06V10/772 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于解耦深度字典学习的图像去噪方法，首先对图像数据进行预处理，将输入的图像分解为结构图像和纹理图像；所述结构图像和纹理图像分别遵循字典学习模型去学习一个自适应的字典，对解耦深度字典学习模型求解，利用模型驱动的网络对处理完后的图像不同成分做融合；然后将经过预处理的图像输入神经网络模型进行参数训练，得到去噪效果较好的网络模型；最后将需要测试的图像输入到上述经过参数训练的网络模型中，得到清晰图像。本方法所形成的解耦深度字典学习图像去噪模型克服了当前主流方法中存在的模型退化严重、网络收敛慢、字典不自适应等问题，有效的利用了DNN的学习能力，使之在严重噪声环境下也能很好的恢复图像的细微结构。
-
公开(公告)号：CN114882231B
公开(公告)日：2024-12-10
申请号：CN202210572822.1
申请日：2022-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多角度先验分析的红外小目标检测方法，具体步骤为：步骤1，将原始图像进行预处理获得灰度图像，构建原始图像的分片张量模型；步骤2，将灰度图像通过其对应的方向导数模型进行滤波，并构建对应的分片张量；步骤3，对灰度图像增加局部结构权重；步骤4，目标和背景分离；步骤5，图片重建、目标检测。本发明提出了多方向先验分析，利用重新加权的方式对目标进行增强，实现了在缺乏纹理信息和空间结构信息的恶劣环境下，对红外图像中目标进行精确检测，从而降低误警率。该方法在小目标检测过程中着重处理抑制背景和增强目标之间的平衡关系，即在获取背景边缘并抑制的同时，保留目标边缘的信息。
-
公开(公告)号：CN114820636B
公开(公告)日：2024-11-15
申请号：CN202210549492.4
申请日：2022-05-20
Applicant: 南京邮电大学
IPC: G06T7/10 , G06T7/11 , G06T17/00 , G06N3/0464
Abstract: 本发明公开了一种三维医学图像分割模型及其训练方法和应用，该模型基于深度学习卷积神经网络，网络模型由Prototype计算模块、编码器解码器模块、任务控制器模块、动态卷积核生成器模块以及动态分割头模块构成。模型通过设计一个任务控制器并引入Prototype特征向量来指导网络进行分割任务判别，使用动态卷积灵活处理不同分割任务，解决了医学图像分割领域中的部分标记问题，达到了多类别三维医学图像器官和肿瘤分割的目的，解决了当前主流方法中参数过多，对任务扩展不灵活的问题，同时在分割结果上有一定的提升。
-
公开(公告)号：CN117788933A
公开(公告)日：2024-03-29
申请号：CN202311846658.X
申请日：2023-12-29
Applicant: 南京邮电大学
IPC: G06V10/764 , G06T7/00 , G06V10/82 , G06N3/0464 , G06V10/774
Abstract: 本发明涉及医学图像分类领域，具体地说，是一种基于结构张量分解神经网络的多模态医学图像分类方法：对输入的多模态图像进行预处理；用并行的特征提取网络分别提取每一模态图像的高级特征、对每一高级特征进行结构张量分解；融合来自不同模态的核心张量和每个维度对应的三阶因子张量，将融合后的分量重建为一个完整特征；利用最终的特征来预测病人的疾病类别或病理状态；采用贝叶斯优化器确定结构张量分解步骤中最佳的超参数组合，该发明技术提高了多模态医学图像分类任务的准确率。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.022 seconds)
