-
公开(公告)号：CN111144329A
公开(公告)日：2020-05-12
申请号：CN201911386325.7
申请日：2019-12-29
Applicant: 北京工业大学
Abstract: 本发明公开一种基于多标签的轻量快速人群计数方法。根据感受野尺寸设计简单、高效的主干特征提取网络，内置密集上下文模块，保证了网络层的信息传递，提高了网络的表达能力；设计六个多尺度中间监督分支，使得网络更快、更稳定的收敛；设计了上采样模块，逐级提升分辨率，提高密度图的质量，以实现准确计数和精准定位；设计了三种标签，将基于密度的人群计数任务显地转化为前景与背景分割任务来辅助人群密度图的回归任务，同时实现密度图和分割图的预测，有效减小估计误差。在UCF_CC_50，ShanghaiTech和UCF-QNFR数据集的测试结果表明，本发明的预测性能均优于当前主流算法，预测速度达到了实时，可以方便地部署到终端设备中。
-
公开(公告)号：CN118053156A
公开(公告)日：2024-05-17
申请号：CN202311234212.1
申请日：2023-09-24
Applicant: 北京工业大学
IPC: G06V20/70 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于嵌入对比的医学图像弱监督分割方法，包括下述步骤：步骤一，对结肠腺体数据集Glas中的医学图像进行预处理；裁剪后图片的标签仍然为原图像的标签。步骤二，使用基于ResNet18的二分类网络得到分类网络末端生成的通道数为2的特征图、图像在两个类别上的预测概率组成的一维向量以及由特征图和概率值加权求和得到的CAM。步骤三，设置两个超参数作为阈值，根据像素点属于类别1的概率值将像素划分为3类。步骤四，通过残差网络、平均池化层以及线性层得到正例和负例的嵌入；步骤五，计算损失函数Loss的值，对模型参数进行更新。步骤六，通过前向传播判断该图片的类别，对CAM进行二值化，得到最终的分割效果。
-
公开(公告)号：CN110020606B
公开(公告)日：2021-03-30
申请号：CN201910186683.7
申请日：2019-03-13
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的人群密度估计方法，在视频监控领域，为了可以提升人群密度估计的准确性，本方法提出了一种基于多尺度卷积神经网络的网络结构，可以在场景中准确地预测人群密度图。本方法通过利用空洞卷积与原始卷积进行不同感受野信息的特征融合，以及融合不同分辨率下特征图不同的层级语义信息，从而生成具有更高质量的人群密度图。实验在当前较为流行的ShanghaiTech数据集、UCF_CC_50数据集以及WorldExpo‘10数据集上进行测试，使用平均绝对误差(MAE)和均方误差(MSE)作为评价标准。结果表明，该网络模型与以往的方法进行对比，降低了MAE值和MSE值，提高了人群密度估计的准确性。
-
公开(公告)号：CN111369543B
公开(公告)日：2024-06-04
申请号：CN202010154215.4
申请日：2020-03-07
Applicant: 北京工业大学
IPC: G06V20/69 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06V10/25 , G06V10/77 , G06N3/0464
Abstract: 本发明公开一种基于双重自注意力模块的快速花粉颗粒检测算法。模型主干网络仅使用十五个卷积层串联而成，模型较小，结构简单；主干网络设计了两个融合，克服花粉颗粒小，易与背景混淆的问题；设计了特征图降维，特征图稠密连接之前先进行降维，降低特征图通道数，减少了后续步骤计算量，提高了模型效率；设计了由双重自注意力模块和预测模块串联而成的预测分支，其中空间自注意力模块负责捕捉空间上下文信息，通道自注意力模块负责捕捉通道之间，以及浅层特征和深层特征之间的依赖关系，以实现精准预测稠密块，稠密块内的卷积层使用稠密连接的方式实现浅层特征和深层特征的。
-
公开(公告)号：CN116309681A
公开(公告)日：2023-06-23
申请号：CN202310197271.X
申请日：2023-03-03
Applicant: 北京工业大学
IPC: G06T7/194 , G06T7/12 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于类激活映射的医学图像弱监督分割方法，包括下述步骤：步骤一，采集组织病理图像；步骤二，对图像进行缩放、调整和增强操作；步骤三，使用中间层的特征图对图像的病变区域进行激活；步骤四，使用一致性损失对模型进行正则处理。将网络中间层的特征图降采样到同一大小后进行拼接，用每个位置不同通道的最大值与网络最末端的特征图进行掩码；使用掩码后的特征图构建类激活映射；使用模型输出的类激活映射作为伪标签训练分割网络，实现医学图像的弱监督分割任务。本算法提出的基于类激活映射的医学图像弱监督分割方法，可以使用图像级标签对整张病理图像进行分割，为病理医生提供有效的参考价值。
-
Patent Agency Ranking
公开(公告)号：CN115424070A
公开(公告)日：2022-12-02
申请号：CN202211068114.0
申请日：2022-09-01
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多实例学习的二阶段全视野数字病理切片分类方法，包括下述步骤：步骤一，采集全视野数字病理切片；步骤二，对图像进行裁剪，缩放，过滤处理；步骤三，使用多实例学习与有监督度量学习结合的方式训练病理切片的嵌入空间；步骤四，使用自注意力对病理切片进行检测和分类。第一阶段中，多实例学习提供伪标签，构建 数据训练编码器；第二阶段中，直接使用第一阶段的编码器提取病理切片特征，通过自注意力网络对切片做最后的分类。本算法提出的基于多实例学习的二阶段全视野数字病理切片分类方法，可以对整张病理切片进行诊断分类，为病理医生提供有效的参考价值。
-
公开(公告)号：CN111369543A
公开(公告)日：2020-07-03
申请号：CN202010154215.4
申请日：2020-03-07
Applicant: 北京工业大学
Abstract: 本发明公开一种基于双重自注意力模块的快速花粉颗粒检测算法。模型主干网络仅使用十五个卷积层串联而成，模型较小，结构简单；主干网络设计了两个融合，克服花粉颗粒小，易与背景混淆的问题；设计了特征图降维，特征图稠密连接之前先进行降维，降低特征图通道数，减少了后续步骤计算量，提高了模型效率；设计了由双重自注意力模块和预测模块串联而成的预测分支，其中空间自注意力模块负责捕捉空间上下文信息，通道自注意力模块负责捕捉通道之间，以及浅层特征和深层特征之间的依赖关系，以实现精准预测稠密块，稠密块内的卷积层使用稠密连接的方式实现浅层特征和深层特征的。
-
公开(公告)号：CN110020606A
公开(公告)日：2019-07-16
申请号：CN201910186683.7
申请日：2019-03-13
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的人群密度估计方法，在视频监控领域，为了可以提升人群密度估计的准确性，本方法提出了一种基于多尺度卷积神经网络的网络结构，可以在场景中准确地预测人群密度图。本方法通过利用空洞卷积与原始卷积进行不同感受野信息的特征融合，以及融合不同分辨率下特征图不同的层级语义信息，从而生成具有更高质量的人群密度图。实验在当前较为流行的ShanghaiTech数据集、UCF_CC_50数据集以及WorldExpo‘10数据集上进行测试，使用平均绝对误差(MAE)和均方误差(MSE)作为评价标准。结果表明，该网络模型与以往的方法进行对比，降低了MAE值和MSE值，提高了人群密度估计的准确性。
-
公开(公告)号：CN111144329B
公开(公告)日：2023-07-25
申请号：CN201911386325.7
申请日：2019-12-29
Applicant: 北京工业大学
IPC: G06V20/52 , G06V20/70 , G06V10/26 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/09
Abstract: 本发明公开一种基于多标签的轻量快速人群计数方法。根据感受野尺寸设计简单、高效的主干特征提取网络，内置密集上下文模块，保证了网络层的信息传递，提高了网络的表达能力；设计六个多尺度中间监督分支，使得网络更快、更稳定的收敛；设计了上采样模块，逐级提升分辨率，提高密度图的质量，以实现准确计数和精准定位；设计了三种标签，将基于密度的人群计数任务显地转化为前景与背景分割任务来辅助人群密度图的回归任务，同时实现密度图和分割图的预测，有效减小估计误差。在UCF_CC_50，ShanghaiTech和UCF‑QNFR数据集的测试结果表明，本发明的预测性能均优于当前主流算法，预测速度达到了实时，可以方便地部署到终端设备中。
-
公开(公告)号：CN116228795A
公开(公告)日：2023-06-06
申请号：CN202310231039.3
申请日：2023-03-13
Applicant: 北京工业大学
IPC: G06T7/11 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于弱监督学习的超高分辨率医学图像分割方法。通过使用弱监督这一深度学习技术，可以在只有图像级别的弱标签信息的情况下，获得一个较为理想的分割效果。除此之外，本发明不仅考虑了标注信息的强弱问题，还关注到针对超高分辨率医学图像训练流程方法的改良问题，主要在医学图像数据集的前处理和模型预测时的后处理阶段提出几项改进，弥补了现有技术中模型训练流程存在的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.024 seconds)
