-
公开(公告)号：CN114821018B
公开(公告)日：2024-05-31
申请号：CN202210373551.7
申请日：2022-04-11
Applicant: 北京航空航天大学
IPC: G06V10/143 , G06V10/25 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提出一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法，该方法步骤如下：步骤一：基于多方向特征搭建卷积神经网络；首先提取浅层特征并使用多方向性注意力进行目标特征增强；随后使用骨干网络对增强后的浅层特征进行四组特征提取；随后将提取的四组特征通过特征融合模块拼接降维后与浅层特征进行高低级特征融合；最后通过全卷积网络逐像素预测，得到全图像像素级别的概率预测图；步骤二：构造损失函数对网络进行训练；使用预测结果与像素级标签进行损失计算，以实现对网络参数的训练；输出：用训练好的神经网络处理红外图像；在使用训练数据对构造的多方向性特征卷积神经网络进行充分迭代训练之后，得到训练好的网络用于检测目标像素。
-
公开(公告)号：CN116486102A
公开(公告)日：2023-07-25
申请号：CN202310406665.1
申请日：2023-04-17
Applicant: 北京航空航天大学
Abstract: 本发明提出一种基于混合空间调制特征卷积神经网络的红外弱小目标检测方法，该步骤如下：一：构造多方向固定高斯核注意力，使用全局注意力进行背景抑制，继而使用固定权重的高斯核提取目标多个方向特征进行目标特征增强；二：构造基于混合感受野卷积块串联的骨干网络对增强后的浅层特征进行三组特征提取；三：构造交叉滑动注意力机制，将骨干网络提取的三组特征通过交叉滑动窗口注意力机制进行融合，在通道维度上拼接；利用多方向高斯核注意力和卷积层进行逐像素预测，得到整幅图像像素级别的概率预测图；四：将模块依次串联搭建成卷积神经网络，并构造损失函数对网络进行训练；使用预测结果与像素级标签进行损失计算，以实现对网络参数的训练。
-
公开(公告)号：CN116310553A
公开(公告)日：2023-06-23
申请号：CN202310261948.1
申请日：2023-03-17
Applicant: 北京航空航天大学 , 中国医学科学院肿瘤医院
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/045
Abstract: 本发明为一种基于多属性嵌入模型的乳腺病理图像分子分型预测方法，步骤如下：步骤一：基于数字病理切片的图像块深度特征构造多属性分类器，以获取实例级分子水平概率分布；步骤二：构造特征嵌入模块，基于实例级深度特征和最强表征块构建全局特征；步骤三：构造Transformer‑MLP分类器对全局特征进行切片级分子分型预测；步骤四：构造多标签约束的二级分类损失对网络进行联合训练。本发明可构建乳腺病理图像形态学特征和免疫组化分子表型间的关联，同时针对WSI数据弱标签问题，设计了一种基于多属性特征嵌入的弱监督分类方法，实现乳腺癌免疫组化分子分型的准确预测。本发明可与各类计算机病理辅助分析系统相结合，具有广阔市场前景与应用价值。
-
公开(公告)号：CN114821018A
公开(公告)日：2022-07-29
申请号：CN202210373551.7
申请日：2022-04-11
Applicant: 北京航空航天大学
Abstract: 本发明提出一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法，该方法步骤如下：步骤一：基于多方向特征搭建卷积神经网络；首先提取浅层特征并使用多方向性注意力进行目标特征增强；随后使用骨干网络对增强后的浅层特征进行四组特征提取；随后将提取的四组特征通过特征融合模块拼接降维后与浅层特征进行高低级特征融合；最后通过全卷积网络逐像素预测，得到全图像像素级别的概率预测图；步骤二：构造损失函数对网络进行训练；使用预测结果与像素级标签进行损失计算，以实现对网络参数的训练；输出：用训练好的神经网络处理红外图像；在使用训练数据对构造的多方向性特征卷积神经网络进行充分迭代训练之后，得到训练好的网络用于检测目标像素。
-
公开(公告)号：CN112465827B
公开(公告)日：2022-07-26
申请号：CN202011429249.6
申请日：2020-12-09
Applicant: 北京航空航天大学
Abstract: 本发明公开一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法：步骤一：腹部多器官的区域粗分割和边缘检测；步骤二：引入语义引导的逐类多尺度注意力机制；步骤三：多分支信息的逐类融合：步骤四：引入多任务损失：本发明利用卷积神经网络和门控循环神经单元的优势，针对多器官分割任务的特点和难点，借助轮廓信息辅助多尺度特征的提取，引入逐类多尺度语义注意力机制、逐类空洞卷积融合机制和多个损失函数缓解器官类间不平衡问题，更高效、准确地对三维CT影像进行多器官分割，并在含有14类器官标注的数据集上验证了本发明的优势，能被广泛应用于计算机辅助诊断和治疗应用中，如内窥镜手术、介入治疗、放射治疗计划制定。
-
Patent Agency Ranking
公开(公告)号：CN112465836B
公开(公告)日：2022-06-10
申请号：CN202011426430.1
申请日：2020-12-09
Applicant: 北京航空航天大学
Abstract: 本发明公开一种基于轮廓信息的热红外语义分割无监督领域自适应方法：一、利用可见光带标注语义分割数据集训练语义分割模型以获得像素级语义分割的能力；二、利用可见光领域训练的语义轮廓模型提取热红外图像语义轮廓，通过轮廓构建起可见光图像语义与热红外图像语义的桥梁；三、对各个类别进行显著性检测，融合各类别显著性检测结果，并利用形态学操作与全连接条件随机场得到语义分割伪标签；四、利用热红外图像语义分割伪标签数据集对第一部分的语义分割模型进行再训练。本发明利用易于获取易于标注可见光图像语义分割数据与无标注的热红外图像数据，获得对热红外图像进行语义分割的模型，能被广泛应用于智能驾驶、安保安防等领域中。
-
公开(公告)号：CN112801900A
公开(公告)日：2021-05-14
申请号：CN202110082946.7
申请日：2021-01-21
Applicant: 北京航空航天大学
IPC: G06T5/00
Abstract: 本发明公开一种基于双向循环卷积生成对抗网络的视频模糊去除方法：步骤一：利用清晰视频生成网络产生高质量去除模糊的复原视频；步骤二：利用判别网络对复原视频和参考清晰视频进行分类判别；步骤三：构造损失函数对清晰视频生成网络和判别网络两个网络进行训练；输出：用训练好的清晰视频生成网络处理模糊视频。本发明方法以生成对抗网络为基本框架，通过两路沿不同方向传递信息的循环神经网络序列，利用蕴含在其中的时序关系；引入融合重建模块重建当前帧，利用全局残差连接提高网络表达能力和收敛速度；利用内容损失和对抗损失对网络进行训练。本发明可与各类图像和视频应用系统结合，帮助提升所拍摄视频的质量，有广阔市场前景与应用价值。
-
公开(公告)号：CN112465837A
公开(公告)日：2021-03-09
申请号：CN202011429248.1
申请日：2020-12-09
Applicant: 北京航空航天大学
Abstract: 本发明公开一种利用空间信息约束的稀疏子空间模糊聚类的图像分割方法，1)利用超像素分割将图像预分割为超像素块，并计算每一个超像素块的Gabor特征描述子以及通道特征描述子；2)设计算法模型，将模糊聚类中的隶属度约束加入到基于稀疏子空间聚类方法，将稀疏自相关系数同隶属度一起交替更新，同时完成寻优；3)设计空间信息约束形式，将邻域约束加至上述算法设计模型中。本发明方法可获得更精确的自表示系数；可有效地解决灰度不均匀的影响；可同时根据两种不同的特征对图像进行分割；提高了图像分割的准确率；在红外图像、可见光图像上均获得较好效果，可广泛应用于各类基于图像的应用系统，具有广阔的市场前景与应用价值。
-
公开(公告)号：CN111967466A
公开(公告)日：2020-11-20
申请号：CN202010649348.9
申请日：2020-07-08
Applicant: 北京航空航天大学
Abstract: 本发明公开一种利用多方向稀疏低秩分解的红外弱小目标检测方法，包括：步骤一：构建多方向性稀疏低秩模型的目标函数；步骤二：通过滑动窗口得到原图像的不同的局部区域，然后将每一个局部区域转化成一个列向量，若干列向量合并为一个全新的列图像；步骤三：对得到的列图像，使用改进的加速近端梯度法迭代求解目标函数最小值，将列图像分解为背景列图像和目标列图像两部分；步骤四：将得到的目标列图像通过算法计算恢复为目标图像，得到检测结果。本发明模型的假设符合红外弱小目标图像的特性，在提高检测精度、降低虚警率以及运行时间上有了较为明显的改善，具有广阔的实用前景。
-
公开(公告)号：CN107633496B
公开(公告)日：2020-04-07
申请号：CN201710760414.8
申请日：2017-08-30
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种利用高频信息引导的基于稀疏表示的图像融合方法，步骤一：将图像信息分解成高频部分低频部分：采用非降采样金字塔分解方式，提取图像信息中不同层次上的高频信息。步骤二：利用样本图像的高频信息和低频信息分别完成适应高频信息的过完备字典和适应低频信息的过完备字典建立：通过样例学习方法得到过完备字典。步骤三：利用高频信息引导低频信息的融合。步骤四：采用绝对最大值作为融合策略进行高频信息的融合，得到融合后的各个层次上的高频信息{IHF}。步骤五：重建融合图像。本发明方法改善了图像稀疏表示后对高频信息不敏感带来的问题；抑制融合中出现的块状效应，对各类型的图像融合都可得到较高质量的融合结果。
-
-
-
-
-
-
-
-
-
Search Results
135
records
(took 0.048 seconds)
