公开(公告)号：CN110458859A

公开(公告)日：2019-11-15

申请号：CN201910582883.4

申请日：2019-07-01

Applicant: 南开大学

Inventor： 杨巨峰 ,  夏爽 ,  冀晓东 ,  陈松 ,  程明明

IPC: G06T7/136

Abstract: 一种基于多序列MRI的多发性骨髓瘤病灶分割系统。包括：输入模块，预处理模块，ROI选择模块，多序列MRI的特征描述模块，阈值计算模块，疑似病灶分割模块和输出模块。该系统基于专家预先标定的先验知识数据库确定RoI区域的坐标限定值集合、病灶区域的长宽比阈值、面积阈值、灰度值差异阈值，并依据其统计特性得到阳性病灶的特征阈值来分割疑似病灶区域，可准确有效的实现多序列MRI中具有多区域特性的多发性骨髓瘤病灶分割。本发明不仅融合了影像图像自有的特征，且依据人类高级先验知识使得确立的ROI更具灵活性，可显著提高多序列MRI中多发性骨髓瘤病灶分割的准确性，降低现有基于聚类分割系统中因初始随机化引起的分割结果不可靠的风险。

公开(公告)号：CN110458221A

公开(公告)日：2019-11-15

申请号：CN201910715341.X

申请日：2019-08-05

Applicant: 南开大学

Inventor： 程明明 ,  姜鹏涛 ,  张长彬 ,  侯淇彬 ,  曹洋

IPC: G06K9/62 ,  G06K9/20

Abstract: 本发明公开了一种基于在线注意力累积的挖掘目标物体区域的方法。该方法的目的是以弱监督的方式高效地找到图像的目标物体区域，这种区域可以为弱监督语义分割任务提供监督。基于训练过程中注意力不停地在目标物体上变化的观察，该方法在训练过程中为每一个目标物体维护了一张存储图。通过不断的将每一次迭代中生成的注意力图融合到存储图中，这个在线注意力累积过程可以将注意力在目标物体上出现过的所有位置记录下来，帮助找到整个目标物体区域。另外，该方法在更新存储图的过程中，通过改进的交叉熵损失函数对存储图中学习到的知识进行监督，从而得到更加完整的物体区域。

公开(公告)号：CN110097115A

公开(公告)日：2019-08-06

申请号：CN201910347420.X

申请日：2019-04-28

Applicant: 南开大学 ,  华为终端有限公司

Inventor： 程明明 ,  范登平 ,  林铮 ,  吴文海

IPC: G06K9/62 ,  G06K9/46 ,  G06K9/00

Abstract: 一种基于注意力转移机制的视频显著性物体检测方法。注意力转移机制是人类视觉系统中特有的功能，但是，当前的方法忽视了这一重要的机制。本发明方法设计了一种新的卷积神经网络架构，它有效地利用了静态卷积网络、金字塔扩展卷积网络、长短期记忆网络和注意力转移感知模块的特点，从而充分体现了人类视觉系统中的注意力转移机制，对于真实的应用场景更具实际意义，并且能得到更好的显著性物体检测效果。相对于当前的所有视频显著性物体检测方法，本发明方法达到了国际领先水平，在主流的公开数据集的性能评测上，超越了当前最好的视频显著性物体检测方法。

公开(公告)号：CN109766918A

公开(公告)日：2019-05-17

申请号：CN201811547592.3

申请日：2018-12-18

Applicant: 南开大学

Inventor： 程明明 ,  刘云

IPC: G06K9/62 ,  G06K9/32 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于多层次上下文信息融合的显著性物体检测的方法。该方法的目的是构造并利用多层级的上下文特征进行图像显著性检测。该方法设计了一种新的卷积神经网络架构，这种新的卷积神经网络架构以由高层卷积至底层卷积的方式进行优化，从而为图像提取不同尺度上的上下文信息，将这些上下文信息进行融合可以获得高质量的图像显著性图。使用该方法检测出的显著性区域，可以用来辅助其他视觉任务。

公开(公告)号：CN108428238A

公开(公告)日：2018-08-21

申请号：CN201810173285.7

申请日：2018-03-02

Applicant: 南开大学

Inventor： 刘姜江 ,  程明明 ,  侯淇彬 ,  范登平 ,  谭永强

IPC: G06T7/13 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度网络的多类型任务通用的检测方法，属于图像处理技术领域。包含如下步骤：a.分别选择上述三种任务所需要的训练图片；b.在相同的网络结构下设计完成需要的模型参数和网络初始参数；c.设计需要优化的损失函数，并利用深度预测模型和物体检测模型得到其具体表示；d.优化调整初始模型的参数，最终得到分别符合三种要求的具有统一结构的检测模型参数；e.利用训练好的模型对任意输入的自然场景图片得到显著性物体检测、骨架提取、边缘检测三种图像处理结果。本方法能够在一个统一的网络结构下完成三种截然不同的图像处理任务，此方法具有良好的通用性和可移植性，同时达到了良好的检测效果。

公开(公告)号：CN119444899A

公开(公告)日：2025-02-14

申请号：CN202411503885.7

申请日：2024-10-25

Applicant: 南开大学

Inventor： 王亚星 ,  胡泰航 ,  李林轩 ,  程明明

IPC: G06T11/00 ,  G06F40/30 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于文生图技术领域，提供了基于令牌合并的免训练文生图语义绑定方法及系统，其技术方案为：对输入的提示文本进行标记化处理并编码得到文本嵌入；对文本嵌入分析，得到文本嵌入的耦合性和语义可加性；基于文本嵌入的耦合性和语义可加性构建得到复合令牌，同时，用不包含属性信息的结束令牌替换原始结束令牌；基于语义绑定损失和熵损失迭代更新复合令牌，基于更新后的复合令牌和替换后的结束令牌得到最终的文本嵌入；基于最终文本嵌入生成对应的图像。本发明方法在现有方法难以处理的涉及多个对象和属性的复杂场景中表现非常出色。

公开(公告)号：CN119131394A

公开(公告)日：2024-12-13

申请号：CN202411257808.8

申请日：2024-09-09

Applicant: 南开大学

Inventor： 戴廷钧 ,  范登平 ,  郑鹏 ,  马琦 ,  程明明

IPC: G06V10/26 ,  G06V10/28 ,  G06V10/774 ,  G06V10/82 ,  G06N3/096 ,  G06N3/0464

Abstract: 本发明涉及图像处理技术领域，提供了一种基于模型轻量化的高精度图像二值分割方法及系统，包括：获取待分割图像。对于待分割图像，通过学生网络进行分割，得到二值图像；其中，学生网络的训练方法为：将训练集中的原始图像同时作为教师网络和学生网络的输入，采用知识蒸馏策略，通过监督残差连接块得到的特征图，使教师网络指导学生网络进行训练；所述教师网络和学生网络均采用基于双边参考框架的二值分割模型，所述教师网络以Swin‑Large作为骨架网络，所述学生网络以Swin‑Tiny作为骨架网络。使得模型参数量减少的同时图像分割性能损失降低到最小。

公开(公告)号：CN114549982B

公开(公告)日：2024-10-18

申请号：CN202210134042.9

申请日：2022-02-14

Applicant: 南开大学

Inventor： 程明明 ,  范登平 ,  季葛鹏 ,  周昱程

IPC: G06V20/10 ,  G06V10/26 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开一种基于分组梯度学习策略的伪装物体检测方法及系统，包括：对伪装物体图像提取不同特征维度的语义特征；以目标级别梯度为学习监督信号，对伪装物体图像提取纹理特征；将语义特征和纹理特征沿通道进行切割，并对语义特征子组和纹理特征子组根据不同的分组尺度进行重排列，得到多组重组特征；对重组特征进行注意力映射得到多组注意力特征，根据语义特征与多组注意力特征得到梯度诱导特征，根据梯度诱导特征采用伪装目标检测模型得到伪装物体的检测结果。解决传统特征聚合策略存在的忽略语义表征和纹理表征之间的相关性或者差异性的问题，大幅提升对伪装物体的识别能力。

公开(公告)号：CN118506049A

公开(公告)日：2024-08-16

申请号：CN202410367548.3

申请日：2024-03-28

Applicant: 南开大学

Inventor： 黄林澜 ,  刘夏雷 ,  程明明

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开一种基于CLIP类别增量学习的图像分类方法及系统，包括：构建预训练的CLIP模型，获取训练图像及对应的文本标签，分别采用图像编码器和文本编码器提取图像特征和文本特征，以对适配器进行训练；其中，根据新输入的训练图像的文本特征和旧类别文本特征的相似度，筛选相邻类别的新旧类别对，对每对相邻类别中的旧类别文本特征，采用正态分布进行采样，以此构建铰链损失函数；在完成第t个训练任务后，将前一训练任务的适配器参数与当前训练任务的适配器参数进行融合，从而得到当前训练任务的最终适配器参数；对待处理图像采用训练后的CLIP模型得到分类结果。减少由于学习新类而导致的旧类遗忘，提高图像分类准确度。

公开(公告)号：CN118014836A

公开(公告)日：2024-05-10

申请号：CN202410040426.3

申请日：2024-01-10

Applicant: 南开大学

Inventor： 郭春乐 ,  姜欣妮 ,  李重仪 ,  程明明

IPC: G06T3/4053

Abstract: 本发明公开的一种用于深度图超分辨率的动态双对齐聚合方法及系统，包括：通过多个对齐聚合模块对深度图特征和RGB图像的多尺度特征进行对齐聚合，获得聚合图像特征；每个对齐聚合模块均对输入的第一输入特征和第二输入特征进行模态和几何对齐后聚合，获得相应的聚合特征；每个对齐聚合模块的第一输入特征为RGB图像的不同尺度特征；初始对齐聚合模块的第二输入特征为深度图特征；其余对齐聚合模块的第二输入特征为对上一个对齐聚合模块输出的聚合特征进行上采样后获取特征；最后一个对齐聚合模块输出的聚合特征为聚合图像特征；通过聚合图像特征对深度图进行重建，获得深度图超分辨率结果。提高了利用RGB图像引导深度图重建的性能。