-
公开(公告)号：CN113034420B
公开(公告)日：2023-02-28
申请号：CN201911234650.1
申请日：2019-12-05
Applicant: 复旦大学 , 复卿(上海)智能科技有限公司
IPC: G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明提供一种频率空间域特征的工业产品表面缺陷分割方法及系统，其特征在于，采用预先训练完成的缺陷分割模型对预处理过的待测工业产品表面图片进行处理，得到预测的缺陷分割图片从而完成对工业产品表面缺陷的像素级精确分割，缺陷分割模型的训练过程包括如下步骤：步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；步骤S2，对初始训练集进行预处理形成待使用训练集；步骤S3，构建拥有两个子网络的缺陷分割模型，缺陷分割模型包含一个主网络以及一个辅网络；步骤S4，构建损失函数；步骤S5，基于待使用训练集以及损失函数对缺陷分割模型进行训练。
-
公开(公告)号：CN111986189B
公开(公告)日：2022-12-27
申请号：CN202010875028.5
申请日：2020-08-27
Applicant: 上海市公共卫生临床中心 , 复旦大学
Abstract: 本发明提供一种基于CT影像的多类别肺炎筛查深度学习系统，包括：CT影像数据预处理部预处理CT影像得到预处理CT影像，切片级肺炎二分类部分析基础深度特征得到二分类结果，弱监督病灶定位部根据类别标签得到病灶位置图，切片级肺炎四分类部对四类别肺炎检测得到四类别肺炎分类任务结果；病例级肺炎分类部分析得到多类别肺炎分类任务结果；肺炎诊断综合评估部基于切片级四分类类别结果、病灶位置图以及病例级多类别肺炎分类任务结果输出肺炎诊断综合评估结果和病灶定位分布图。因此本实施例除了能够得到得出常见肺炎病症以外，能够在没有医护人员的前提下快速、准确地区分COVID‑19与其他肺炎病症，这对于关于COVID‑19疫情的筛查工作具有帮助。
-
公开(公告)号：CN113496521B
公开(公告)日：2022-10-18
申请号：CN202010267560.9
申请日：2020-04-08
Applicant: 复旦大学
Abstract: 本发明提供一种利用多张彩色图片生成深度图像与相机外参的方法及装置，用于对多张不同视角的待处理二维彩色图片进行处理从而生成与各个视角相应的深度值图像结果与相机外部参数结果，其特征在于，包括如下步骤：步骤S1，对预先获取的三维场景数据集进行预处理从而得到训练数据；步骤S2，生成初始深度值图像和初始相机外部参数估计；步骤S3，构建图像特征提取网络；步骤S4，构建三维卷积神经网络；步骤S5，构建损失函数；步骤S6，基于损失函数对由图像特征提取网络以及三维卷积神经网络组成的场景三维信息生成模型进行训练；步骤S7，将多张待处理二维彩色图片与对应的相机内部参数输入场景三维信息生成模型从而生成深度值图像与相机外部参数。
-
公开(公告)号：CN114445584A
公开(公告)日：2022-05-06
申请号：CN202011218797.4
申请日：2020-11-04
Applicant: 复旦大学
Abstract: 本发明提供了一种基于彩色点云生成带纹理三维网格模型的方法，其特征在于，包括如下步骤：步骤S1，利用预处理算法对彩色三维点云数据处理；步骤S2，输入三维几何先验深度网络优化；步骤S3，利用三维网格模型展开算法处理得到UV映射关系；步骤S4，基于UV映射关系投影得到稀疏点云坐标二维图像以及稀疏点云色彩二维图像；步骤S5，输入二维几何先验深度网络优化；步骤S6，输入二维纹理先验深度网络得到初代三维网格模型的纹理；步骤S7，将步骤S5的输出输入三维几何先验深度网络中优化；步骤S8，判断是否达到三维网格迭代次数，判断为否时重复步骤S3至步骤S8，判断为是时进入步骤S9；步骤S9，结合当前三维网格模型与纹理得到带纹理三维网格模型。
-
公开(公告)号：CN114399515A
公开(公告)日：2022-04-26
申请号：CN202111598303.4
申请日：2021-12-24
Applicant: 复旦大学
Abstract: 本发明涉及一种基于语言描述的类级别目标物6D位姿获取方法及存储介质，其中6D位姿获取方法包括：构建基于语言特征及图像特征的物体二维定位模型；将图片及语言描述输入至二维定位模型，从而根据语言描述生成图片中目标物体的二维定位；将二维定位对深度图像利用相机内参进行反投影以获取目标区域对应的点云数据；构建用于去除背景点云的点云分割模型，将目标区域点云输入点云分割模型以获取目标物体的点云数据；构建用于估计物体在三维空间中位姿的类级别六自由度位姿估计模型，将目标物体点云数据输入至类级别物体位姿估计模型获取目标物体的位姿。与现有技术相比，本发明具有准确性高、实用性强等优点。
-
Patent Agency Ranking
公开(公告)号：CN114266307A
公开(公告)日：2022-04-01
申请号：CN202111569080.9
申请日：2021-12-21
Applicant: 复旦大学
Abstract: 本发明提供一种基于非零均值漂移参数并行识别噪声样本的方法，利用含有非零均值漂移参数的线性回归模型对训练数据集中样本的特征矩阵以及标签矩阵进行拟合，并求解对应的非零均值漂移参数的解路径，并基于解路径选取识别出噪声样本，因此，本发明的方法能够在含噪学习中并行识别出多个噪声样本，并将噪声样本剔除出训练数据集，降低训练数据集中的噪声样本的比例，从而达到帮助模型训练，提升模型的性能的效果。本发明的方法由于同时基于特征空间以及标签空间，因此，相较于仅基于特征空间或仅基于标签空间的现有识别方法，识别准确度更高。此外，本发明的方法还具有较好的鲁棒性和算法泛用性。
-
公开(公告)号：CN113111803B
公开(公告)日：2022-03-22
申请号：CN202110422541.3
申请日：2021-04-20
Applicant: 复旦大学
IPC: G06V10/764 , G06V30/413 , G06V30/192 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种小样本字符与手绘草图识别方法及装置，其特征在于，包括如下步骤：按照固定抹除比例抹除点序列格式的无标注源数据得到增广网络预训练数据；搭建基于高斯混合模型的BERT增广网络，基于增广网络预训练数据与点序列格式的无标注源数据训练得到增广器；按照各个随机抹除比例抹除点序列格式的有标注小样本数据得到抹除后小样本数据；采用增广器对抹除后小样本数据状态与坐标分别预测从而得到预测点，与抹除后小样本数据整合，并利用神经渲染器转换得到位图格式增广数据；基于位图格式的增广数据以及位图格式的有标注小样本数据训练卷积神经网络分类器，得到小样本字符与手绘草图识别模型，从而对待识别图像进行识别得到分类结果。
-
公开(公告)号：CN114066798A
公开(公告)日：2022-02-18
申请号：CN202010743235.5
申请日：2020-07-29
Applicant: 复旦大学
Abstract: 本发明提供一种基于深度学习的脑肿瘤核磁共振影像数据合成方法，其特征在于，包括如下步骤：步骤S1，对收集到的样本图像进行预处理从而消除由于数据来源不同而导致的差异；步骤S2，在与每一个病人相对应的样本图像中标注出脑部的四个区域从而获得标签图，并将获得的标签图作为训练集；步骤S3，构建生成器的神经网络模型；步骤S4，构建鉴别器的神经网络模型以及用于缓存合成图像的图像池；步骤S5，构建损失函数；步骤S6，利用所述训练集对与特定模态相对应的生成器和鉴别器进行模型训练，通过向训练完成后的生成器和鉴别器输入三维的脑部标签图，可以合成对应的脑部核磁共振影像。
-
公开(公告)号：CN113657417A
公开(公告)日：2021-11-16
申请号：CN202010396591.4
申请日：2020-05-12
Applicant: 复旦大学
Abstract: 本发明提供一种基于附属参数判断无标签样本的推断结果可信度的方法，其特征在于，包括如下步骤：步骤S1，利用特征提取器提取有标签样本和无标签样本的特征，并将该特征降维；步骤S2，利用有标签样本训练分类模型；步骤S3，利用分类模型对无标签样本进行推断从而获得预测标签；步骤S4，根据有标签样本和含有预测标签的无标签样本构建含有附属参数的线性回归模型；步骤S5，将含有附属参数的线性回归模型进行转化；步骤S6，求解关于附属参数的线性回归模型的解路径，利用附属参数的稀疏程度得到每个无标签样本的可信程度；步骤S7，选取可信程度最高的部分无标签样本作为有标签样本重新训练分类模型；步骤S8，重复步骤S2‑S7直到所有无标签样本均被选取。
-
公开(公告)号：CN112926723A
公开(公告)日：2021-06-08
申请号：CN201911234579.7
申请日：2019-12-05
Applicant: 复旦大学 , 复卿(上海)智能科技有限公司
Abstract: 本发明提供一种基于Split LBI算法的自动网络增长方法，能够在训练过程中自动增长卷积神经网络的卷积层和各层卷积核，最终得到参数量较少但是在分类任务中表现很好的神经网络模型的方法。其具体分为两种方法，一是给定神经网络模型层结构的情况下，在训练过程中自动增长各卷积层的卷积核和线性层的线性单元，最终得到训练好的、总参数量比人工设计的模型更少的、训练总代价更少的模型；二是给定一个层数很少的网络结构，训练过程中，先自动增长卷积核来确定各模块的卷积核上限，然后自动增长卷积层，最终得到训练好的、在分类任务上表现很好的模型。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.033 seconds)
