-
公开(公告)号：CN110874849A
公开(公告)日：2020-03-10
申请号：CN201911088118.3
申请日：2019-11-08
Applicant: 安徽大学
Abstract: 本发明提供一种基于局部变换一致的非刚性点集配准方法，用以解决变形较大的非刚性物体，在配准过程中关节点周围出现的配准结果不理想的问题。为解决该问题，基于非刚性变换相邻节点之间的变换是比较一致的思想，在配准过程中通过计算每一个点的空间变换分别与其K个相邻点的空间变换的差异，令差异最小化实现对非刚性变换的局部约束，保证点集在配准过程中保持着局部结构，提高了关节点周围配准的效果。本发明在一些数据集上取得了较好的配准效果。
-
公开(公告)号：CN110853072A
公开(公告)日：2020-02-28
申请号：CN201911087472.4
申请日：2019-11-08
Applicant: 安徽大学
Abstract: 本发明提供基于自引导推理的弱监督图像语义分割方法，用来解决现有图像级标签监督下弱监督学习方法无法生成精确的语义分割图和训练过程复杂化的问题。为了解决这个问题，本发明基于同一对象的语义标签具有空间连续性提出了自引导推理层和自引导推理模块。本发明在技术上克服了现有弱监督语义分割技术无法获得精确分割效果和训练过程繁琐的问题，有效地提高了图像语义分割的准确率。
-
公开(公告)号：CN109712165A
公开(公告)日：2019-05-03
申请号：CN201811634200.7
申请日：2018-12-29
Applicant: 安徽大学
Abstract: 本发明公开了一种基于卷积神经网络的同类前景图像集分割方法，包括了以下步骤：步骤1，生成样本分割掩码；步骤2，构建训练数据集；步骤3，学习分割网络模型；步骤4，基于分割网络模型分割同类图像集中的其余图像；步骤5，再分割。通过上述方式，本发明能够利用待分割图像集所包含的图像之间强相关性，仅需要少量交互就可以将同类图像集中的前景分割出来。
-
公开(公告)号：CN109636795A
公开(公告)日：2019-04-16
申请号：CN201811553123.2
申请日：2018-12-19
Applicant: 安徽大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06T5/40 , G06T7/90 , G06T2207/10016
Abstract: 本发明提供一种实时无跟踪的监控视频遗留物检测方法，将手工特征提取和深度学习识别相结合,实现了免跟踪的遗留物检测。首先,在帧差法的基础上,通过统计前景区域在连续帧序列变化情况,从而得到初始的静止目标区域。然后,我们将梯度方向直方向图和色调‑饱和度‑明度两种手工设计特征相结合来进行可疑物预判断,排除光照变化等影响带来伪静止目标区域。最后,结合深度学习技术排除已知物体和行人,从而对可疑物进行最终确认,实现一种无跟踪的遗留物检测。本方法能排除场景中因光照的变化及行人的滞留产生的伪目标，较准确的检测出遗留物体，并且在单帧处理的时间上比另外两种方法要少，能达到实时报警的要求。
-
公开(公告)号：CN109035293A
公开(公告)日：2018-12-18
申请号：CN201810498274.6
申请日：2018-05-22
Applicant: 安徽大学
CPC classification number: G06T7/215 , G06K9/6218 , G06N3/04 , G06T7/11 , G06T7/246 , G06T2207/10016
Abstract: 为了解决现有技术的不足，本发明提供一种适用于视频图像中显著人体实例分割的方法：将视频序列中运动目标的运动持续性和时空结构一致性引入，实现基于此两者约束的一种将光流聚类、显著性检测和多特征投票相结合的人体实例分割方法。对于运动连续性，采用基于光流区域聚类的前景目标概率计算策略，即基于光流特征对区域进行聚类并以区域面积大小为权重计算前景概率，对于时空结构一致性，我们提出采用以融合显著性检测和基于粗轮廓的多特征投票策略，并结合显著性检测、区域邻帧光利差相，对具有完整轮廓的目标前景进行像素级别上的能量约束优化，从而实现未被遮挡的移动行人的实例分割。
-
Patent Agency Ranking
公开(公告)号：CN109035196A
公开(公告)日：2018-12-18
申请号：CN201810498275.0
申请日：2018-05-22
Applicant: 安徽大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06N3/084 , G06T7/11 , G06T2207/20028 , G06T2207/20081
Abstract: 针对清晰的纹理平坦区域由于缺乏高频信息，而容易被误检成模糊区域的问题，本发明提出了一基于显著性的图像局部模糊检测方法：将代表图像变换域特征的奇异值向量，反映图像高频信息的局部极值点与熵加权的池化DCT高频系数(HiFST系数)相结合，这两种类型的特征值相互补充，得到更好的特征向量，将得到的混合特征向量输入到BP神经网络进行训练得到模型后，通过预测得到初步结果，再与图像显著性检测相结合，通过图像的显著性约束得到进一步的检测结果，并通过双边滤波优化边缘信息得到最终的结果。在一个公开的大型数据集上进行的定性定量实验结果表明，本方法具有很好的模糊检测效果。
-
公开(公告)号：CN117475152A
公开(公告)日：2024-01-30
申请号：CN202311477180.8
申请日：2023-11-08
Applicant: 安徽大学
IPC: G06V10/26 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及医学图像分割技术领域，更具体的，涉及一种基于多视角融合的深度息肉分割方法、系统。本发明公开了一种基于多视角融合的深度息肉分割方法，一方面将原始结肠镜图像进行多角度切换处理形成多视角的输入图像，以从这些图像中探索互补的上下文特征关联，进而输出一个好的分割结果；另一方面，本发明对每个视图均进行多尺度特征的提取，并引入了基于交叉门控的策略来进行阶段性解码，从而递归地处理所有的多尺度特征；本发明结合每个视图的结果以及生成的权重综合性地协同进行分割预测。经过仿真对比，本方法在标准数据集上实现了稳健的息肉分割和良好的性能，准确性的相关指标得到了一定程度的提升。
-
公开(公告)号：CN110910391B
公开(公告)日：2023-08-18
申请号：CN201911125917.3
申请日：2019-11-15
Applicant: 安徽大学
Abstract: 本发明提供一种双模块神经网络结构视频对象分割的方法，用来解决视频对象分割过程中由噪声干扰而造成视频对象分割结果不理想的问题。步骤包括：对第一帧图和第一帧的掩模输入变换网络中生成图像对；对每幅图像对进行目标提议框生成，来确定图像对是否为感兴区域；感兴区域添加跟踪器输入到感兴分割网络中训练学习模型并输出；从感兴分割网络最后层卷积输出特征图，分别输入到空间关注模块和通道关注模块；最后将两个关注模块输出的特征图进行融合，经过卷积层操作输出最终的分割掩码结果；本发明在DAVIS视频数据集上取得了较好的分割实验结果。
-
公开(公告)号：CN110874849B
公开(公告)日：2023-04-18
申请号：CN201911088118.3
申请日：2019-11-08
Applicant: 安徽大学
Abstract: 本发明提供一种基于局部变换一致的非刚性点集配准方法，用以解决变形较大的非刚性物体，在配准过程中关节点周围出现的配准结果不理想的问题。为解决该问题，基于非刚性变换相邻节点之间的变换是比较一致的思想，在配准过程中通过计算每一个点的空间变换分别与其K个相邻点的空间变换的差异，令差异最小化实现对非刚性变换的局部约束，保证点集在配准过程中保持着局部结构，提高了关节点周围配准的效果。本发明在一些数据集上取得了较好的配准效果。
-
公开(公告)号：CN115953531A
公开(公告)日：2023-04-11
申请号：CN202211596766.1
申请日：2022-12-12
Applicant: 安徽大学
IPC: G06T17/00 , G06V40/16 , G06V40/20 , G06N3/0464 , G06N3/08
Abstract: 本发明属于人工智能技术领域，具体涉及一种基于螺旋图卷积网络的全身人体模型重建方法、系统，以及对应的全身人体模型重建设备。该全身人体模型重建方法包括如下步骤：S1：从原始图像中提取出全身、手部关节和脸部的局部图像。S2：通过特征提取网络各局部图像对应的特征向量。S3：采用螺旋图卷积网络进行图结构处理并预测每个顶点的位置，重建出对应的局部模型。S4：按照定义的顶点序列将重建的身体模型、手部模型、人脸模型整合到一起，得到所需的包含脸部表情和手势动作的三维全身模型。本发明解决了现有现有各类方案重建人体三维模型时存在模型表面不规则不光滑、脸部和手部的特征信息不足，模型的整体表现不佳等问题。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.021 seconds)
