-
公开(公告)号：CN110503626B
公开(公告)日：2021-11-23
申请号：CN201910616322.1
申请日：2019-07-09
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于空间‑语义显著性约束的CT图像模态对齐方法，包括：从不同的数据集中获取原始CT图像，标记并截取CT图像的肺结节区域，得到肺结节区域图像；通过不同数据集的肺结节区域图像对3D DenseNet网络进行训练，得到第一分类器和第二分类器；在循环一致生成对抗网络CycleGAN中引入3D掩模和置信度评估分数作为约束条件，得到基于空间‑语义显著性约束的循环一致生成对抗网络SSA‑CycleGAN；通过所述SSA‑CycleGAN对不同数据集的肺结节区域图像进行转换处理，得到统一模态的肺结节区域图像。本发明可以将不同模态的数据进行转换处理，从而提升肺结节检测算法的准确度。
-
公开(公告)号：CN110503626A
公开(公告)日：2019-11-26
申请号：CN201910616322.1
申请日：2019-07-09
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于空间-语义显著性约束的CT图像模态对齐方法，包括：从不同的数据集中获取原始CT图像，标记并截取CT图像的肺结节区域，得到肺结节区域图像；通过不同数据集的肺结节区域图像对3D DenseNet网络进行训练，得到第一分类器和第二分类器；在循环一致生成对抗网络CycleGAN中引入3D掩模和置信度评估分数作为约束条件，得到基于空间-语义显著性约束的循环一致生成对抗网络SSA-CycleGAN；通过所述SSA-CycleGAN对不同数据集的肺结节区域图像进行转换处理，得到统一模态的肺结节区域图像。本发明可以将不同模态的数据进行转换处理，从而提升肺结节检测算法的准确度。
-
公开(公告)号：CN109360155A
公开(公告)日：2019-02-19
申请号：CN201810938303.6
申请日：2018-08-17
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于多尺度特征融合的单帧图像去雨方法，通过运用不同尺度的感受野进行对有雨图像的特征提取，之后通过反卷积操作通过特征得到去雨结果，运用粗尺度的特征与细尺度特征的结合，促进细尺度生成的无雨图像达到最好去雨的效果。通过在多个尺度上去除雨线，能使用于多种雨水情况，去雨算法更加具有普适性。本发明引用了对抗误差与感知误差构建了新的误差函数，对去雨模型进行训练，不需要任何先验知识，也不需要对图像进行预处理和后处理，保证了整个结构的完整性；在多个测试集上的结果表明本发明同前沿的主流去雨算法结果相比，在亮度信号通道上的峰值信噪比上能够提升2-5dB。
-
公开(公告)号：CN108765506B
公开(公告)日：2021-01-29
申请号：CN201810487253.4
申请日：2018-05-21
Applicant: 上海交通大学
IPC: G06T9/00
Abstract: 本发明提供了一种基于逐层网络二值化的压缩方法，包括：构建浮点型的深度卷积神经网络；按照所述深度卷积神经网络的层级深度的相反顺序由深及浅地将网络中的参数逐层二值化，直至所述深度卷积神经网络中的所有层级均被二值化，得到二值化的深度卷积神经网络；通过所述二值化的深度卷积神经网络进行行人检测。从而实现了网络的压缩与加速，又有效地解决了由于网络量化造成的大幅度的精度损失的问题。
-
公开(公告)号：CN109360156A
公开(公告)日：2019-02-19
申请号：CN201810938304.0
申请日：2018-08-17
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于生成对抗网络的图像分块的单张图像去雨方法，通过将图像划分成互不重叠的大小相同的图像块，将每个图像块作为条件生成对抗网络的输入，降低输入的维度；一个生成对抗网络被训练用来实现有雨图像块到无雨图像块的非线性映射，有效克服了许多细节部分被忽略的问题，并且可以尽可能地在每个尺度上去除雨线；为了更好地维持去雨图像块之间的结构、颜色等方面的一致性，引用了双边滤波器和非均值局部去噪算法，构建了新的误差函数，添加至条件生成对抗网络的总的误差函数中。本发明不需要任何先验知识，也不需要对图像进行预处理和后处理，保证了整个结构的完整性。在测试集上的结果显示本发明先比经典算法提高了4～7dB。
-
Patent Agency Ranking
公开(公告)号：CN108846328A
公开(公告)日：2018-11-20
申请号：CN201810527769.7
申请日：2018-05-29
Applicant: 上海交通大学
Abstract: 本发明提出了一种基于几何正则化约束的车道检测方法，包括：步骤S1，针对输入驾驶场景图像进行特征提取，得到初步车道检测和车道线检测结果；步骤S2，对初步车道检测和车道线检测结果进行交叉比较，修正检测误差区域并输出最终车道检测结果。步骤S3，通过基于结构信息的损失函数与交叉熵损失结合，对检测结果进行优化，并训练网络。本发明是一种高效高精度的可行驶区域分割方法，在现有车道检测模型上，通过引入交通场景中道路固有的几何信息作为约束，有效排除环境干扰，并提高车道检测的准确性。本发明不需要对图像进行预处理与后处理，实现端到端的车道检测。实验结果显示，相较于经典检测方法，本发明在检测准确度上有较大提升。
-
公开(公告)号：CN108805286A
公开(公告)日：2018-11-13
申请号：CN201810604458.6
申请日：2018-06-12
Applicant: 上海交通大学
IPC: G06N3/08
Abstract: 本发明提供了一种基于高阶残留量化的高性能网络加速方法，包括：步骤S1，通过量化以及递归操作，得到一系列不同尺度的二进制输入数据；步骤S2，对不同尺度的二进制输入数据进行卷积运算，并对得到的运算结果进行结合。本发明是一种有效的准确的深度网络加速方法。引用了残差这个概念来表示信息损失并且递归地计算不同尺寸的量化后的输入数据的残差来减少信息损失。使用二值化权重和二值化输入，网络的大小减小为原来的1/32左右，并且把训练速度提高了30倍左右。本发明提出的方法还提供了在CPU上训练深度卷积网络的可能性。实验结果显示本发明提出的HORQ网络具有很好的分类效果和加速效果。
-
公开(公告)号：CN108805080A
公开(公告)日：2018-11-13
申请号：CN201810604456.7
申请日：2018-06-12
Applicant: 上海交通大学
CPC classification number: G06K9/00778 , G06K9/6256 , G06N3/0454
Abstract: 一种基于上下文的多层次深度递归网络群体行为识别方法，包括：步骤S1，基于上下文的二值化编码器，对子动作信息进行编码，形成单人动态信息；步骤S2，使用人体检测和追踪方法产生人的运动轨迹作为单个人体轨迹，将所有单个人体轨迹分成具有时空一致性的人体群组，并利用单人动态信息建立单人交互模型来对人体群组内部交互以及人体群组间交互进行建模；步骤S3，训练提出的多层次递归上下文编码网络，来学习单人动态信息与人体群组内部和人体群组间交互的特征。本发明所提出的方法对于识别群体行为很有效，对复杂环境下的人体检测具有鲁棒性，以及有足够高的灵活性来模拟高阶交互语境。
-
公开(公告)号：CN108665414A
公开(公告)日：2018-10-16
申请号：CN201810441445.1
申请日：2018-05-10
Applicant: 上海交通大学
IPC: G06T3/40
Abstract: 本发明提供了一种自然场景图片生成方法，包括：根据图片中不同视觉元素或者不同图层之间的依赖关系，基于Hawkes过程建立自然场景生成模型；其中，所述自然场景生成模型包括：异步层生成网络和对抗生成网络；所述异步层生成网络用于生成标签序列；所述对抗生成网络用于根据所述标签序列生成对应的图层，并将生成的图层进行叠加处理后得到合成的自然场景图片；通过所述自然场景生成模型生成合成的自然场景图片。本发明中的方法充分考虑了图片中视觉元素的景深上的结构，使得生成的自然场景图片更加真实清晰。
-
公开(公告)号：CN108596149A
公开(公告)日：2018-09-28
申请号：CN201810441345.9
申请日：2018-05-10
Applicant: 上海交通大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于条件对抗生成网络的运动序列生成方法，包括：获取初始运动序列图片；检测出所述初始运动序列图片对应的骨架序列图片；将所述骨架序列图片和所述初始运动序列图片对应的外观图片作为条件对抗生成网络的输入条件，以使所述条件对抗生成网络输出目标运动序列图片。本发明采用骨架序列图片和外观图片作为条件对抗生成网络的两个输入，从而能够提供给运动画面较强的结构、几何方面的约束，得到流畅清晰的运动轨迹，实现对视频序列的准确预测。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.02 seconds)
