-
公开(公告)号：CN111179269B
公开(公告)日：2023-07-11
申请号：CN201911092379.2
申请日：2019-11-11
Applicant: 浙江工业大学
IPC: G06T7/10
Abstract: 一种基于多视图和三维卷积融合策略的PET图像分割方法，包括以下步骤：步骤1，针对三维PET图像的特点修改原始的网络模型,使之适合学习分割三维PET图像；步骤2，将三维PET图像进行预处理,使之符合对应网络需要的形状和尺寸，有助于网络的收敛速度和分割的准确性；步骤3，对应预处理方式的数据输入至对应的卷积神经网络中学习，得到对应的模型；步骤4、将测试数据分别输入到预测模型中，将多个模型的预测结果通过一个简单的三维卷积网络进行融合得到测试数据的最终的预测结果。本发明增加了三维数据的信息利用，并通过三维卷积神经网络自适应的融合了二维模型和三维模型的优点，提高了分割的准确率。
-
公开(公告)号：CN116309778A
公开(公告)日：2023-06-23
申请号：CN202211737837.5
申请日：2022-12-31
Applicant: 浙江工业大学
Abstract: 本发明公开一种基于目标实例分割的立定跳远单目测距方法，主要包括对相机及底座的安装、对特征物的设定、对立定跳远起止的判断、对立定跳远起止点的选取、对相机内外参的获取与计算、对图像坐标和世界坐标的转换、对立定跳远真实距离的计算。针对目前应用于测距的目标检测模型，存在精度低，起止点估计粗糙的问题，本发明应用深度学习实例分割模型来做目标检测，以获取目标运动对象的轮廓坐标，以致更精准地采集目标运动对象的运动起止点。针对传统立定跳远中手动测距的复杂性，本发明采用单目摄像头通过图像坐标与世界坐标的映射反馈真实距离。该方法具有操作简易、精度高、实时性好的特点。可以运用于智慧体测、运动智能化等领域。
-
公开(公告)号：CN115937600A
公开(公告)日：2023-04-07
申请号：CN202211676949.4
申请日：2022-12-26
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于冗余与多样性特征融合的图像分类方法，包括：将卷积神经网络模型中的部分滤波器替换为拓展融合卷积滤波器形成轻量卷积网络模型；利用数据集对轻量卷积网络模型进行训练及验证，获得训练好的轻量卷积网络模型；将待处理图像输入训练好的轻量卷积网络模型获得分类结果。该轻量卷积网络模型既可获得具有一定冗余性的固有特征，同时能够产生包含必要细节信息的多样性特征，在有效降低模型参数量与计算浮点数的情况下提高了模型的准确性和特征多样性，从而提升分类效果；此外，拓展融合卷积滤波器还可以作为一个即插即用的组件来升级现有的卷积神经网络，全局统一设置超参数方便模型快速构建，使模型具有更好的性能表现。
-
公开(公告)号：CN115631137A
公开(公告)日：2023-01-20
申请号：CN202211185277.7
申请日：2022-09-27
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于空洞异构卷积的图像分割方法，包括：S1、构建卷积神经网络模型，卷积神经网络模型中的一个或多个滤波器被替换为空洞异构卷积滤波器；S2、利用数据集对构建的卷积神经网络模型进行训练及验证，获得最终卷积神经网络模型；S3、将待分割图像输入最终卷积神经网络模型获得输出特征图；S4、利用图像分割网络模型对输出特征图进行处理获得图像分割结果。本发明通过空洞异构卷积滤波器的设置可以在不增加参数量的同时向单个滤波器中加入多尺度，从而提升卷积核的有效感受野，大大提高了图像分割的准确性。
-
公开(公告)号：CN115082584A
公开(公告)日：2022-09-20
申请号：CN202210686315.0
申请日：2022-06-16
Applicant: 浙江工业大学
Abstract: 一种基于加速比细分的MRI重建网络的训练方法，首先，通过对目标加速比的深度细分，构建一系列具有不同加速比的MRI数据；其次，基于序贯训练方式，从低倍加速比到高倍加速比，依次学习各欠采样的MRI图像到全采样的MRI图像的映射关系，并且，针对每种加速比只进行少量期次的迭代训练；最后，针对目标加速比，进行多个期次的迭代训练。本发明所提供的方法能够有效利用小规模训练样本对高倍欠采样的MRI图像进行重建，具有很强的实用性。
-
Patent Agency Ranking
公开(公告)号：CN115035080A
公开(公告)日：2022-09-09
申请号：CN202210718538.0
申请日：2022-06-16
Applicant: 浙江工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/04
Abstract: 一种基于跨子网同层稠密连接的深度级联网络的快速磁共振成像(Magnetic Resonance Imaging，MRI)方法，该方法充分利用参考模态中丰富的细节信息辅助重建目标模态中的缺失信息：首先，采用深度级联网络结构，将多个MRI重建子网级联起来，使得用户输入的参考模态和目标模态数据可以多次直接参与网络的辅助重建；其次，在各子网内部加入了“同层稠密连接”，以加强各子网络间的特征流动，避免学习冗余特征；最后，在各个子网的末端加入了k空间集成学习模块，以更有效地利用参考模态的频域数据和各个子网的重建结果进行MRI重建。相比于已有的MRI辅助重建方法，本发明所提供的方法达到了更好的重构效果，具有很强的实用性。
-
公开(公告)号：CN108629134B
公开(公告)日：2022-05-03
申请号：CN201810446278.X
申请日：2018-05-11
Applicant: 浙江工业大学
Abstract: 一种在流形上小领域的相似性强化方法，包括以下步骤：1)图像随机扰动：对输入的图像按照一定的扰动强度进行扰动，输出一张经过扰动后的全新的图像；2)隐变量随机扰动：输入经编码后生成的隐变量，根据一定的扰动强度对隐变量进行扰动，输出经过扰动后的隐变量；3)流形构造：将图像映射到一个平滑的流形上，在同样扰动强度的前提下，同一张图像经所述两种扰动技术生成的两张图像近乎相似。本发明提供一种在流形上小领域的相似性强化方法，实现参数化方法的新颖性约束，一方面增加流行上小邻域内的解的相似性，另一方面，为流形增加更多的新颖解，降低劣质解的占比。
-
公开(公告)号：CN108921817B
公开(公告)日：2021-10-26
申请号：CN201810505282.9
申请日：2018-05-24
Applicant: 浙江工业大学
Abstract: 一种针对皮肤病图像的数据增强方法，包括以下步骤：步骤1：依次随机无放回的从皮肤图像样本集M中选择一个样本mi；步骤2：随机从样本mi上选择一块大小固定的区域进行裁剪，被裁剪后的mi命名为mi1，从mi裁剪出来的图像命名为mi2；步骤3：随机有放回的从皮肤图像样本集B中选择一个宽度和高度都大于裁剪区域宽度和高度的样本bj；步骤4：从样本bj上随机选择一块大小固定的区域进行裁剪，裁剪后的bj命名为bj1，从bj裁剪出来的样本命名为bj2；步骤5：计算出c，对结果中非整像素值进行取整；步骤6:将c和mi1进行融合来组成新的mi。本发明提供一种提升皮肤病分类模型性能的针对皮肤病图像的数据增强方法。
-
公开(公告)号：CN113160032A
公开(公告)日：2021-07-23
申请号：CN202110333549.2
申请日：2021-03-29
Applicant: 浙江工业大学
Abstract: 一种基于生成对抗网络的无监督多模态图像转换方法，包括以下步骤：1)同时输入属于A域图像xa以及属于B域图像xb进入图像跨域转换神经网络中；2)编码器将图像拆分编码为图像内容编码c以及域风格编码s；3)针对不同的域图像配置不同的特定域编码m；4)将内容编码c、域风格编码s和特定域编码m融合并解码，生成指定目标域图像；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，只需单个生成网络即可完成多域的图像生成，高效且有效地实现无监督图像跨域转换。
-
公开(公告)号：CN112489150A
公开(公告)日：2021-03-12
申请号：CN202011115327.5
申请日：2020-10-19
Applicant: 浙江工业大学
Abstract: 一种面向快速MRI的深度神经网络的多尺度序贯训练方法，该训练方法构建多尺度的MR训练图像来训练深度神经网络，首先学习从低倍欠采样的MR图像到全采样MR图像的映射关系，得到深度神经网络模型的初始参数；再逐步增大输入的MR图像的欠采样倍数，在每种欠采样尺度下，依次训练深度神经网络学习从欠采样的MR图像到全采样的MR图像的映射关系，并且每次在更低尺度下的深度神经网络模型的训练都是以前一个尺度下训练所得的网络模型为基础，从而为最终重构高倍欠采样的MR图像累积足够丰富的先验知识，有效地提升MR图像的重建精度。本发明所提供的方法能够有效地重建高倍欠采样的磁共振图像，具有很强的实用性。
-
-
-
-
-
-
-
-
-
Search Results
139
records
(took 0.049 seconds)
