-
公开(公告)号：CN113052850B
公开(公告)日：2022-09-27
申请号：CN201911369694.5
申请日：2019-12-26
Applicant: 南京理工大学
Abstract: 本发明公开了一种距离正则水平集与卷积神经网络的左心室MRI图像分割方法。该方法将水平集算法融入到卷积神经网络的训练过程，生成一个端到端的模型架构。该分割模型在卷积神经网络的向前传递中，学习心室的轮廓结构特征，自动形成水平集的初始化并指导其轮廓曲线演化趋近于目标的边界；在反向传播中，以水平集的迭代结果计算卷积神经网络的目标损失函数，并通过反向梯度传播更新卷积神经网络中的各层参数进行网络参数的快速收敛。通过上述两种方法互相结合、相互作用，实现卷积神经网络和水平集的联合分割。本发明有效解决了传统水平集算法中需要手工初始化和大量迭代的问题。
-
公开(公告)号：CN114724043A
公开(公告)日：2022-07-08
申请号：CN202210649810.4
申请日：2022-06-08
Applicant: 南京理工大学
IPC: G06V20/10 , G06V10/30 , G06V10/74 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于对比学习的自编码器异常检测方法，首先对输入的正常样本进行编码特征提取；构建并更新特征存储模块；通过多尺度噪声和纹理数据集添加异常扰动，生成异常样本；对异常样本数据进行多组增强操作，并与正常样本结合，制作出对比学习框架所需的负样本对；通过自编码器对异常样本重构，根据对比损失计算图像重构前后误差；在检测阶段，获得与训练数据相似的重构；通过评估系统确定输入数据是否含有异常并定位，得到最终的异常检测结果。本发明利用对比学习的特点，通过异常嵌入模块和自编码器来构建合理的正负样本对，同时，特征存储模块使得检测过程中更好地重构正常样本并抑制异常数据重构，有效提高了异常检测的效果。
-
公开(公告)号：CN111640059A
公开(公告)日：2020-09-08
申请号：CN202010365563.6
申请日：2020-04-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于高斯混合模型的多字典图像超分辨方法。该方法首先使用平稳小波变换提取低分辨率图像的特征，对高分辨率图像提取其残差特征，通过对应区域重叠取样获得训练样本对；利用高斯混合模型对训练样本对进行分类，然后对每一类都学习对应的字典对；重建阶段使用多个字典同时对图像进行超分辨重建，并使用改进的全局优化方法进行进一步提高重建的质量。本发明不仅能够训练出更好、更具有泛化性的字典，同时避免了单个全局字典对不能很好的对结构各异的图像块进行重建的问题，能够更好的对低分辨率图像进行超分辨重建。
-
公开(公告)号：CN101929755A
公开(公告)日：2010-12-29
申请号：CN200910033545.1
申请日：2009-06-23
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于图像识别技术的空气源热泵除霜控制方法及系统，属于空调热泵技术应用领域。本发明在空气源热泵原有系统结构基础上，在室外侧换热器[3]的外部中间部位设置拍摄室外侧换热器[3]表面霜层分布的摄像头[7]，实时拍摄热泵机组制热运行时室外换热器表面的结霜情况，通过图像识别技术获取室外换热器表面的结霜面积，并以此控制热泵机组的除霜运行。本发明与传统空气源热泵除霜控制技术相比，有效避免了热泵机组室外换热器有霜除不尽、无霜除霜及换热器表面积灰造成误除霜的不足，降低了热泵机组的除霜损失，提高了机组的制热性能，在空气源热泵机组室外换热器结霜较严重地区应用效果尤为突出。
-
公开(公告)号：CN117557804A
公开(公告)日：2024-02-13
申请号：CN202311496965.X
申请日：2023-11-10
Applicant: 南京理工大学
IPC: G06V10/44 , G06V10/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/048 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种联合目标结构嵌入和多层次特征融合的多标签分类方法。该方法包括以下步骤：采用EfficientNet‑B0提取胸腔图像的特征，特征分成原始嵌入块、分类嵌入块和位置嵌入块，进一步组成补丁嵌入块；将补丁嵌入块输入到ViT中，通过多头自注意机制和多层感知机实现特征交互；构建目标结构嵌入模块挖掘目标空间结构信息，输入到ViT中；设计多层次特征融合模块实现低级、中级和高级特征交互，然后进行特征分类；引入对比学习损失函数LCL，通过在损失函数中定义一个超参数α，过滤掉相似度小于正对α的负对；采用全连接网络映射获取多标签图像分类结果，并使用ASL损失函数计算与标签差异进行反向传播优化模型参数。本发明是一种有效提升多标签图像分类性能的优化方法。
-
Patent Agency Ranking
公开(公告)号：CN115082293A
公开(公告)日：2022-09-20
申请号：CN202210650873.1
申请日：2022-06-10
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于Swin Transformer和CNN双分支耦合的图像配准方法。该方法包括以下步骤：1、对原始数据中所有图像进行执行灰度值归一化、中心裁剪和重采样等标准的预处理步骤；2、将浮动图像和固定图像拼接后送入配准网络，并行经过Swin Transformer和CNN两个编码器分支；3、在Swin Transformer的每一个阶段，通过双分支特征耦合模块将Swin Transformer特征映射与对应分辨率的CNN特征映射进行特征交互与融合；4、解码器自适应调整来自编码器的深层特征与来自上层的特征，最后输出浮动图像和固定图像之间的形变场；5、将浮动图像和形变场输入空间变换网络，得到配准图像。6、计算配准图像与固定图像之间的相似性损失以及形变场的正则化损失，经反向传播训练网络。本发明使用Swin Transformer与CNN双分支进行特征提取，充分利用两种分支的优点，实现了特征互补。
-
公开(公告)号：CN107292844A
公开(公告)日：2017-10-24
申请号：CN201710467408.3
申请日：2017-06-20
Applicant: 南京理工大学
Abstract: 本发明公开了一种全变差正则化变分随机共振自适应暗图像滤波增强方法。该方法在变分框架下将全变差正则化滤波与随机共振增强进行耦合，通过全变差正则化图像去噪和随机共振图像增强两个步骤的交替迭代实现含噪声的低对比度暗图像的滤波去噪和对比度增强。本发明提出的模型自适应计算方法，一方面使本发明可以适用于不同的图像，提高算法适用性，另一方面也可以自适应保持图像亮度阈值在正常范围内。本发明可以在增强图像对比度的同时，有效地抑制噪声并保持图像的细节成分，增强之后的图像具有良好视觉效果，在医学成像、夜视安全监控等领域具有广泛的应用前景。
-
公开(公告)号：CN107154024A
公开(公告)日：2017-09-12
申请号：CN201710355456.3
申请日：2017-05-19
Applicant: 南京理工大学
CPC classification number: G06T3/4084 , G06N3/08 , G06T7/246 , G06T7/269 , G06T7/44 , G06T2207/20016 , G06T2207/20081
Abstract: 本发明公开了一种基于深度特征核相关滤波器的尺度自适应目标跟踪方法。该方法包括以下步骤：将图像输入到预训练完成的卷积神经网络，提取深度卷积特征；目标追踪，利用训练的模型，估计目标的位置和尺度；根据当前检测的目标位置和尺度，训练核相关滤波器；采用自适应的高置信度的模型更新方法，更新核相关滤波器。本发明提取了深度卷积特征，采用自适应尺度估计方法以及自适应的高置信度的模型更新策略，提高了目标在复杂场景和外观变化中的目标跟踪的鲁棒性，能够高效准确地处理目标尺度变化，另外，由于采用自适应的高置信度的模型更新策略，尽可能地减少了模型跟踪漂移。
-
公开(公告)号：CN111640059B
公开(公告)日：2024-01-16
申请号：CN202010365563.6
申请日：2020-04-30
Applicant: 南京理工大学
IPC: G06T3/4053 , G06V10/762 , G06V10/77 , G06V10/774 , G06V10/772 , G06V10/46
Abstract: 本发明公开了一种基于高斯混合模型的多字典图像超分辨方法。该方法首先使用平稳小波变换提取低分辨率图像的特征，对高分辨率图像提取其残差特征，通过对应区域重叠取样获得训练样本对；利用高斯混合模型对训练样本对进行分类，然后对每一类都学习对应的字典对；重建阶段使用多个字典同时对图像进行超分辨重建，并使用改进的全局优化方法进行进一步提高重建的质量。本发明不仅能够训练出更好、更具有泛化性的字典，同时避免了单个全局字典对不能很好的对结构各异的图像块进行重建的问题，能够更好的对低分辨率图像进行超分辨重建。
-
公开(公告)号：CN107292844B
公开(公告)日：2020-11-13
申请号：CN201710467408.3
申请日：2017-06-20
Applicant: 南京理工大学
Abstract: 本发明公开了一种全变差正则化变分随机共振自适应暗图像滤波增强方法。该方法在变分框架下将全变差正则化滤波与随机共振增强进行耦合，通过全变差正则化图像去噪和随机共振图像增强两个步骤的交替迭代实现含噪声的低对比度暗图像的滤波去噪和对比度增强。本发明提出的模型自适应计算方法，一方面使本发明可以适用于不同的图像，提高算法适用性，另一方面也可以自适应保持图像亮度阈值在正常范围内。本发明可以在增强图像对比度的同时，有效地抑制噪声并保持图像的细节成分，增强之后的图像具有良好视觉效果，在医学成像、夜视安全监控等领域具有广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.043 seconds)
