公开(公告)号：CN116546183A

公开(公告)日：2023-08-04

申请号：CN202310360298.6

申请日：2023-04-06

Applicant: 华中科技大学

Inventor： 李星毅 ,  曹治国 ,  鲜可 ,  孙慧强

IPC: H04N13/271 ,  H04N13/275 ,  G06T7/269 ,  G06T7/55 ,  G06T15/20 ,  G06T3/00 ,  G06V10/40 ,  G06V10/82 ,  G06V10/762 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于单帧图像的3D动态视频生成方法，包括：确定单帧输入图像的深度图，将输入图像转换为分层深度图像，对分层深度图像进行特征提取，经投射得到3D特征点云；基于每帧待生成RGB图像相对所述输入图像的时间差，对输入图像中的流体进行双向的2D光流估计，并基于流体所在区域的深度信息，将估计得到的每一个方向的光流投射为3D场景流，得到两个方向的3D场景流；基于新的相机视角，采用双向3D场景流对3D特征点云进行双向移动并渲染，得到特征图；将两帧特征图进行加权融合并解码得到上述时间差对应的一帧RGB图像；对各帧RGB图像进行合成，得到3D动态视频。本发明同时解决了场景运动和新视图合成两个难题。

公开(公告)号：CN115565039A

公开(公告)日：2023-01-03

申请号：CN202211142903.4

申请日：2022-09-20

Applicant: 华中科技大学

Inventor： 孙慧强 ,  曹治国 ,  李星毅 ,  鲜可 ,  王一然 ,  申立奥

IPC: G06V10/80 ,  G06V10/40 ,  G06V10/774

Abstract: 本发明公开了一种基于自注意力机制的单目输入动态场景新视图合成方法，提出了一种动态场景新视图合成新范式，即利用自注意力机制表达动态场景在时间维度上的内在关联，从而利用时间全局信息来完成动态场景的新视点合成，可以得到真实可靠的新视图合成结果，同时去除了光流与场景流的约束，简化模型的训练，并降低模型的内存开销与训练时间；去除了场景流的预测以及光流信息的先验，在得到可靠的新视图合成结果的同时简化了模型的优化，同时降低了内存开销。

公开(公告)号：CN116546183B

公开(公告)日：2024-03-22

申请号：CN202310360298.6

申请日：2023-04-06

Applicant: 华中科技大学

Inventor： 李星毅 ,  曹治国 ,  鲜可 ,  孙慧强

IPC: H04N13/271 ,  H04N13/275 ,  G06T7/269 ,  G06T7/55 ,  G06T15/20 ,  G06T3/08 ,  G06V10/40 ,  G06V10/82 ,  G06V10/762 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于单帧图像的3D动态视频生成方法，包括：确定单帧输入图像的深度图，将输入图像转换为分层深度图像，对分层深度图像进行特征提取，经投射得到3D特征点云；基于每帧待生成RGB图像相对所述输入图像的时间差，对输入图像中的流体进行双向的2D光流估计，并基于流体所在区域的深度信息，将估计得到的每一个方向的光流投射为3D场景流，得到两个方向的3D场景流；基于新的相机视角，采用双向3D场景流对3D特征点云进行双向移动并渲染，得到特征图；将两帧特征图进行加权融合并解码得到上述时间差对应的一帧RGB图像；对各帧RGB图像进行合成，得到3D动态视频。本发明同时解决了场景运动和新视图合成两个难题。

公开(公告)号：CN110974214A

公开(公告)日：2020-04-10

申请号：CN201911329188.3

申请日：2019-12-20

Applicant: 华中科技大学

Inventor： 袁烨 ,  杨晓云 ,  朱红玲 ,  王一然 ,  程骋 ,  李星毅 ,  尹航 ,  王婧祎

IPC: A61B5/0402 ,  A61B5/0452

Abstract: 本发明公开了一种基于深度学习的自动心电图分类方法、系统及设备，通过将获取的经标注的原始心电图数据按照预设比例分为训练集和验证集；构建具有残差连接的卷积神经网络，代入训练集和验证集进行训练和验证，得到训练好的卷积神经网络；利用经标注的测试集对训练好的卷积神经网络进行评估，结合评估指标得到测试通过的自动心电图分类模型。将待测心电图输入自动心电图分类模型，得到心电图分类结果。本发明提供的基于深度学习的自动心电图分类方法可以进行全面的特征提取并完成多标签分类的判别任务，全面地提取心电图中的信息，完成分类。

公开(公告)号：CN110414383A

公开(公告)日：2019-11-05

申请号：CN201910624662.9

申请日：2019-07-11

Applicant: 华中科技大学

Inventor： 袁烨 ,  周倍同 ,  程骋 ,  李星毅 ,  马贵君

IPC: G06K9/00 ,  G06K9/62 ,  G06K9/66 ,  G06N3/04

Abstract: 本发明涉及一种基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用，包括：采用待迁移的卷积神经网络，得到源域标记样本集的源域特征集和源域故障判断集以及目标域样本集的目标特征集；以最大化源域特征集和目标特征集之间的Wasserstein距离并最小化Wasserstein距离和源域故障判断集的判断损失值的加和为目标，基于收敛判据，实现卷积神经网络的对抗迁移学习。本发明在卷积神经网络的迁移学习中引入Wasserstein距离，以Wasserstein距离最大为目标，提高对两种样本集所提取的特征的区分敏感度，再以Wasserstein距离和源域故障判断集的损失值的加和最小为目标，以提高卷积神经网络的判断精度，在保证故障诊断能力的同时对样本数据和网络结构要求低，可适用于多工况间迁移，实际应用性强。