-
公开(公告)号：CN112132816B
公开(公告)日：2022-12-30
申请号：CN202011032728.4
申请日：2020-09-27
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于多任务与感兴趣区域分割引导的目标检测方法，属于计算机视觉及目标检测技术领域。本方法基于全新设计的多任务与感兴趣区域分割引导检测的单一卷积神经网络模型，命名为SDNet，SDNet融合了多任务学习，利用感兴趣区域分割引导检测，设计了基于金字塔式的空洞卷积结构，利于前景目标区域的分割，运用中心点分类和尺度回归进行目标检测，能够有效提高目标检测精度和检测准确率。本方法能够在各种实际应用场景下获得快速、高精度、高可靠的目标检测效果，解决目标中误检率较高的问题，同时保证了召回率。
-
公开(公告)号：CN109615016B
公开(公告)日：2021-06-22
申请号：CN201811560431.8
申请日：2018-12-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于金字塔输入增益的卷积神经网络的目标检测方法，属于计算机视觉及目标检测技术领域。所述目标检测方法基于包括特征提取模块和多任务预测模块的卷积神经网络模型PiaNet；所述目标检测方法，包括训练阶段和测试阶段；训练阶段采用两阶段迁移学习策略，包括：步骤(1)数据增强和数据预处理，产生第一阶段训练的训练集、第二阶段训练的训练集和测试集；步骤(2)在二分类网络中进行第一阶段训练；步骤(3)进行第二阶段训练，得到训练后的PiaNet网络；测试阶段即精确检测目标，具体为：将测试集输入到训练后的PiaNet网络，通过多任务损失函数输出检测框位置和分类结果。适用面广泛，且具有很高的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN110570425A
公开(公告)日：2019-12-13
申请号：CN201910994341.8
申请日：2019-10-18
Applicant: 北京理工大学 , 中国医学科学院肿瘤医院
Abstract: 本发明公开了一种基于深度强化学习算法的肺结节分析方法及装置，所述方法包括构造肺结节分析模型；然后获得待分析图像；将待分析图像数据输入至分析模型中的识别模块，识别模块根据预设征象分类模型给出肺结节的分类结果；根据分类结果确定待分析图像数据的分析结果并输出。本发明实施例所提供的肺结节分析方法通过深度强化学习原理进行肺结节的分析，提高了肺结节分析结果的准确性。
-
公开(公告)号：CN109615016A
公开(公告)日：2019-04-12
申请号：CN201811560431.8
申请日：2018-12-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于金字塔输入增益的卷积神经网络的目标检测方法，属于计算机视觉及目标检测技术领域。所述目标检测方法基于包括特征提取模块和多任务预测模块的卷积神经网络模型PiaNet；所述目标检测方法，包括训练阶段和测试阶段；训练阶段采用两阶段迁移学习策略，包括：步骤(1)数据增强和数据预处理，产生第一阶段训练的训练集、第二阶段训练的训练集和测试集；步骤(2)在二分类网络中进行第一阶段训练；步骤(3)进行第二阶段训练，得到训练后的PiaNet网络；测试阶段即精确检测目标，具体为：将测试集输入到训练后的PiaNet网络，通过多任务损失函数输出检测框位置和分类结果。适用面广泛，且具有很高的鲁棒性。
-
公开(公告)号：CN112132816A
公开(公告)日：2020-12-25
申请号：CN202011032728.4
申请日：2020-09-27
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于多任务与感兴趣区域分割引导的目标检测方法，属于计算机视觉及目标检测技术领域。本方法基于全新设计的多任务与感兴趣区域分割引导检测的单一卷积神经网络模型，命名为SDNet，SDNet融合了多任务学习，利用感兴趣区域分割引导检测，设计了基于金字塔式的空洞卷积结构，利于前景目标区域的分割，运用中心点分类和尺度回归进行目标检测，能够有效提高目标检测精度和检测准确率。本方法能够在各种实际应用场景下获得快速、高精度、高可靠的目标检测效果，解决目标中误检率较高的问题，同时保证了召回率。
-
公开(公告)号：CN110570425B
公开(公告)日：2023-09-08
申请号：CN201910994341.8
申请日：2019-10-18
Applicant: 北京理工大学 , 中国医学科学院肿瘤医院
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于深度强化学习算法的肺结节分析方法及装置，所述方法包括构造肺结节分析模型；然后获得待分析图像；将待分析图像数据输入至分析模型中的识别模块，识别模块根据预设征象分类模型给出肺结节的分类结果；根据分类结果确定待分析图像数据的分析结果并输出。本发明实施例所提供的肺结节分析方法通过深度强化学习原理进行肺结节的分析，提高了肺结节分析结果的准确性。
-
公开(公告)号：CN114386592A
公开(公告)日：2022-04-22
申请号：CN202111532636.7
申请日：2021-12-15
Applicant: 北京理工大学
IPC: G06N3/08 , G06K9/62 , G06N3/04 , G06V10/764
Abstract: 本发明提出了基于结构化自然梯度优化的深度神经网络图像识别方法，属于基于机器学习和神经网络技术的图像识别领域。本方法提出了一种结构化自然梯度下降法SNGD，通过附加一种规范化层，以重新结构化图像识别的深度网络的方式，对全局Fisher矩阵的相关计算进行了分解，最终转换成使用传统GD进行优化而能达到NGD的效果。同时，提出了一种新的局部Fisher层及其实现方案。局部Fisher层通过引入的二阶信息，考虑了图像识别网络中的参数在不同位置的不同属性，对识别模型参数变换加入了约束，可使梯度更新能稳定快速地进行。采用本方法，图像识别网络训练有更快的收敛速度，所训模型也有更优的识别性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
