-
公开(公告)号：CN114612478A
公开(公告)日：2022-06-10
申请号：CN202210276547.9
申请日：2022-03-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的女性盆腔MRI自动勾画系统，包括：原始文件预处理模块，用于加载和预处理女性盆腔MRI脱敏文件，生成可读性更强的图像文件和对应的图像掩膜文件；勾画模型训练模块，利用由卷积神经网络构建的深度学习网络模型，对图像进行预处理及自动的特征编码和学习潜在特征，并通过多次迭代获取最优勾画的预测模型；自动勾画预测模块，对无对应掩膜的图像进行全自动的器官勾画预测；预测结果写入模块，将自动勾画预测模块所获取的勾画结果写入原始MRI文件中。本发明构建端到端的医学图像分割模型，提出跨越式特征抽取方法与加强特征表示，提取并整合图像特征，大大提升了分割的准确性，提升了放疗诊断过程中对危及器官的勾画效率。
-
公开(公告)号：CN109978858B
公开(公告)日：2021-02-19
申请号：CN201910235265.2
申请日：2019-03-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于前景检测的双框架缩略图像质量评价方法，包括步骤：S1、对输入的原始图像和缩略图像进行图像配准，得到原始图像和缩略图像的像素对应关系；S2、对输入的原始图像进行前景检测，得到前景显著性图；S3、判断图像是否具有显著前景；S4、若图像有显著前景，则综合采用前景质量评价和全局质量评价来计算缩略图像的客观质量评分；S5、若图像没有显著前景，则仅采用全局质量评价来计算缩略图像的客观质量评分；S6、用已有数据训练得到的评分融合模型对步骤S4或S5中的各项指标进行融合得到最终的客观排名或评分。通过本发明方法能够取得更好的质量评价效果。
-
公开(公告)号：CN107316333B
公开(公告)日：2019-10-18
申请号：CN201710550145.2
申请日：2017-07-07
Applicant: 华南理工大学
Abstract: 本发明公开了一种自动生成日漫肖像的方法，包括步骤：1、人脸检测和人脸特征点的检测及人脸部位的分割；2、将日漫中辨识度比较高的人脸区域与数据集中对应的人脸区域进行匹配，数据集中每个人脸区域都有其对应的漫画人脸区域；3、利用特征点和日漫的特征生成其他部位的漫画笔画；4、最后将生成的各个部位根据人脸各部位的几何关系合成人脸漫画。通过本发明方法可以根据真实人脸生成日漫这种广受欢迎的二次元漫画形象，具有很高的娱乐性和应用价值。
-
公开(公告)号：CN103530657B
公开(公告)日：2016-07-06
申请号：CN201310445497.3
申请日：2013-09-26
Applicant: 华南理工大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于加权L2抽取深度学习人脸识别方法，首先通过多种卷积核卷积提取人脸特征矢量，然后利用加权L2抽取方法对特征矢量进行降维，接着通过局部平均归一化处理方法对特征矢量进行归一化，从而构成深度学习中的一层网络，利用相同方法搭建三层深度学习网络，并将三层深度学习网络进行级联，构成一个层次化的三层深度学习网络，最后利用支持矢量机分类器进行人脸的训练和识别。本发明提出加权L2抽取方法进行特征降维，克服传统L2抽取特征单一和训练中的过拟合问题，有效实现特征矢量降维的同时能提高人脸识别性能，能有效提取更高级的特征，稳定性强，识别性能高。
-
公开(公告)号：CN105631469A
公开(公告)日：2016-06-01
申请号：CN201510964442.2
申请日：2015-12-18
Applicant: 华南理工大学
Inventor： 郭礼华
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6269
Abstract: 本发明公开了一种多层稀疏编码特征的鸟类图像识别方法，首先在局部图像块的R，G，B三通道上利用级联多层稀疏编码结构提取稀疏编码特征，每层稀疏编码结构都包含特征编码部分和特征最大值抽取两部分；然后在输出特征上，多层稀疏编码特征使用线性核进行融合，并使用SVM作为分类器进行分类判决。在多层稀疏编码结构中，在优化目标函数中加入了一个局部约束项，在特征编码部分迭代地使用所求得目标函数的近似解进行稀疏编码，然后使用这些编码值最小化重构误差，更新字典。本发明的多层稀疏编码特征的鸟类图像识别方法，能极大提高系统对于鸟类图像的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN103489004A
公开(公告)日：2014-01-01
申请号：CN201310461551.3
申请日：2013-09-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种深度学习网络实现大类别图像识别的方法，包括训练和识别过程，训练过程中，首先提取样本图片的Gabor特征并进行最大选取，此后使用经过聚类处理的特征码本进行线性局部编码，最后使用空间金字塔方法进行特征矢量的导出，并使用支持向量机分类器进行训练；识别过程中，将测试图片的特征矢量使用训练好的支持向量机分类器进行识别。本发明克服传统方法提取局部特征时语义信息的缺乏，能显著提升多类别图像识别的识别率。
-
公开(公告)号：CN114612478B
公开(公告)日：2024-05-10
申请号：CN202210276547.9
申请日：2022-03-21
Applicant: 华南理工大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的女性盆腔MRI自动勾画系统，包括：原始文件预处理模块，用于加载和预处理女性盆腔MRI脱敏文件，生成可读性更强的图像文件和对应的图像掩膜文件；勾画模型训练模块，利用由卷积神经网络构建的深度学习网络模型，对图像进行预处理及自动的特征编码和学习潜在特征，并通过多次迭代获取最优勾画的预测模型；自动勾画预测模块，对无对应掩膜的图像进行全自动的器官勾画预测；预测结果写入模块，将自动勾画预测模块所获取的勾画结果写入原始MRI文件中。本发明构建端到端的医学图像分割模型，提出跨越式特征抽取方法与加强特征表示，提取并整合图像特征，大大提升了分割的准确性，提升了放疗诊断过程中对危及器官的勾画效率。
-
公开(公告)号：CN117218339A
公开(公告)日：2023-12-12
申请号：CN202310906942.5
申请日：2023-07-24
Applicant: 华南理工大学
IPC: G06V10/26 , G06T7/194 , G06V20/70 , G06V10/25 , G06V10/764 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于背景类识别的CT图像肿瘤小样本分割系统，包括：数据采集模块、感兴趣区域勾画模块、肿瘤小样本分割模型训练模块和模型测试模块。该系统针对传统元学习框架在医学图像小样本分割任务中将肿瘤背景类别错误分割为肿瘤的问题，引入了对肿瘤背景类识别分支，利用肿瘤背景类分割网络输出的结果，对肿瘤分割进行引导，防止对肿瘤的背景类错误分割；设计了集成优化器，将肿瘤背景类和肿瘤分割的输出结果更好地融合，产生更准确的分割结果；此外，还针对医学图像数据背景空间不均匀的问题，使用支持集标签及标签反码引导学习器对前景背景特征的提取，并分别计算特征原型，充分利用前景背景信息进行分割。
-
公开(公告)号：CN110418195A
公开(公告)日：2019-11-05
申请号：CN201910733872.1
申请日：2019-08-09
Applicant: 华南理工大学
IPC: H04N21/44 , H04N21/4402
Abstract: 本发明公开了一种基于最佳裁剪的实时视频缩略方法，包括步骤：S1、从视频流中提取当前帧和前一帧；S2、判断是否镜头切换；S3、计算当前帧的显着性图；S4、在显着性图上查找最佳裁剪窗口；S5、缩略当前帧；S6、将处理好的帧在视频流中替换；S7、若存在下一帧，令前一帧等于当前帧，从视频流中提取下一帧作为当前帧，执行S2-S7。本发明既能够保留视频帧的主要信息，不会使视频内容变形，不会带来画面抖动，保持视频的视觉连贯性，并且具有较高的效率和拓展性，能够做到对内存中或文件中的视频流实时地进行缩放。
-
公开(公告)号：CN105590116B
公开(公告)日：2019-05-14
申请号：CN201510964403.2
申请日：2015-12-18
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于头部部件对齐的鸟类图像识别方法，首先预测部件位置后，对各种朝向的鸟类图像数据进行头部位置对齐；对齐后的鸟类图像通过提取相应的图像特征并进行分类器训练学习，从而最终得到各种鸟类图像之间的最佳分类平面，为后续的鸟类观测图像提供判别依据。由于本发明基于鸟类图像头部部件的对齐处理，解决了鸟类图像分类中的姿态因素影响，同时本发明的方法并不需要精确定位部件位置，只是简单预测每个部件的大致出现区域，从而实现精度高，难度小。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.024 seconds)
