一种基于门控递归单元的压缩感知图像重构方法

    公开(公告)号:CN116777800A

    公开(公告)日:2023-09-19

    申请号:CN202310573755.X

    申请日:2023-05-22

    Applicant: 南开大学

    Abstract: 本发明属于信号处理和深度学习技术领域,具体涉及一种应用于压缩感知的自然图像重构方法。针对如何实现自然图像的稀疏采样与高质量重构这一问题,本发明提出了一种用于压缩感知图像重构的具有持久长短期记忆的新型深度展开网络。该网络同时实现了图像自适应采样与恢复的约束优化,利用注意力机制和长期记忆流解决了现有深度展开网络中表征力不足和特征信息长距离传输时出现的内在信息损耗问题。设计了级内注意力机制和级间记忆力机制,并集成于展开网络的近端映射模块中,实现了长短期特征记忆的持久性存储和传输。本发明提出的方法与现有方法相比,可在保持重构速度的同时,有效提升图像的重构质量。

    一种基于Transformer与大核卷积的自然图像压缩感知方法

    公开(公告)号:CN117745852A

    公开(公告)日:2024-03-22

    申请号:CN202410078634.2

    申请日:2024-01-19

    Applicant: 南开大学

    Abstract: 本发明属于信号处理和深度学习技术领域,具体涉及一种基于Transformer模型与大核卷积的自然图像压缩感知方法。针对如何实现自然图像的稀疏采样与高质量恢复这一问题,本发明提出了一种混合Vision Transformer和大核卷积的展开网络架构,实现了图像压缩感知的可解释性重构。该网络为端到端的两段式架构,一是使用数据驱动的预训练编码器完成图像信息的稀疏表示与基本特征提取;二是设计了一种基于优化启发的模块,将其迭代过程视为网络展开过程,引入双通道大核注意力机制捕获局部结构与长程依赖,逐阶段重构原始图像。实验结果显示,本发明提出的图像压缩感知方法与现有方法相比,可以在保持重构速度的同时,降低网络内存占用并提升图像的重构质量。

    一种基于多特征残差网络的压缩感知图像重建方法

    公开(公告)号:CN111681298A

    公开(公告)日:2020-09-18

    申请号:CN202010509984.1

    申请日:2020-06-08

    Applicant: 南开大学

    Abstract: 本发明属于信号处理和深度学习技术领域,具体涉及一种应用于压缩感知的农作物图像重建方法。针对如何在农作物生长监测中实现对农作物图像快速、准确获取这一问题,本发明提出了一种基于多特征残差网络的深度压缩感知图像重建方法。该方法利用卷积神经网络自主学习农作物图像的不同特征信息,结合残差模块,实现压缩感知逆求解。基于深度学习的图像重建方法与传统的图像重建方法相比,放宽了对原始信号稀疏性的假设条件,将多次迭代转换成深度神经网络计算,可获得更高的精确度。实验结果表明,本发明提出的基于多特征残差网络的压缩感知图像重建方法可提升农作物图像的重建质量。

    一种基于跟驰模型的驾驶习惯与燃油经济性相关性分析方法

    公开(公告)号:CN118260949A

    公开(公告)日:2024-06-28

    申请号:CN202410414250.3

    申请日:2024-04-08

    Applicant: 南开大学

    Abstract: 本发明属于驾驶策略和能源技术领域,具体涉及一种以绿色驾驶为导向的驾驶习惯——燃油经济性分析方法。针对以节能为导向的驾驶习惯研究中对大量驾驶过程数据样本的需求,为了弥补传统试实验方法人力物力消耗大、实验样本难以选择的缺点,本发明提出了一种基于跟驰模型的驾驶习惯与燃油经济性相关性分析方法。通过驾驶习惯与IDM跟驰模型,生成汽车的运动状态,即一段仿真的驾驶过程。再利用MOVES燃油消耗计算模型,计算每段驾驶过程的燃油消耗情况。通过蒙特卡洛实验,得到驾驶习惯‑单位距离燃油消耗数据,并通过相关性分析和曲线拟合的方法分析探究跟驰模型中各个驾驶习惯对燃油消耗情况影响的数学关系。本研究中所使用的方法能够针对不同车辆型号,探究驾驶习惯对燃油消耗的影响。能够代替道路实测或作为预分析手段,为其提供参考,节省人力物力,具有广阔的应用前景。

    基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法

    公开(公告)号:CN111862136A

    公开(公告)日:2020-10-30

    申请号:CN202010570403.5

    申请日:2020-06-22

    Applicant: 南开大学

    Abstract: 本发明公开了一种基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法。包括步骤:基于3D U-Net网络原有框架设计深度卷积神经网络1;基于3×3×3卷积层、批标准化层的基本模块;基于3×3×3卷积层和三线性插值的3D可形变卷积模块;基于3D可形变卷积模块与基本模块的级联形变模块;基于3D U-Net网络与级联形变模块构建深度卷积神经网络2;将处理好的数据输入神经网络1进行预训练;将预训练得到的权重赋予神经网络2进行训练;在像素级标签的测试集上验证分割效果。本发明提出了对于缺血性脑卒中病变分割的自动化标注方法,这将大大减小标注数据的成本,在一定程度上增强工程可操作性,辅助医生对缺血性脑卒中患者的临床诊断。

    一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法

    公开(公告)号:CN113932712B

    公开(公告)日:2024-07-26

    申请号:CN202111189990.4

    申请日:2021-10-13

    Applicant: 南开大学

    Abstract: 本发明属于图像处理技术领域,具体涉及一种基于深度相机和关键点检测的瓜果类蔬菜尺寸非接触测量方法。该方法使用双目深度相机获取蔬菜的彩色图像和深度。关键点检测网络以彩色图像作为输入,能够识别瓜果类蔬菜的种类,并定位柄、顶、左、底、右和中心六个关键点。尺寸计算模块融合关键点的位置关系及深度值,可估算多种瓜果类蔬菜的尺寸。实验结果表明,本发明能够准确识别4种瓜果类蔬菜种类,并高精度测量其直径和长度。本发明为使用视觉方法解决蔬菜非接触测量问题提供了新思路,推动计算机视觉在农业自动化领域的应用。

    一种可解释的深度压缩感知图像重构方法

    公开(公告)号:CN115908216A

    公开(公告)日:2023-04-04

    申请号:CN202211487389.8

    申请日:2022-11-25

    Applicant: 南开大学

    Abstract: 本发明属于信号处理和深度学习技术领域,具体涉及一种应用于压缩感知的自然图像重构方法。针对如何实现自然图像的稀疏采样与高质量重构这一问题,本发明提出了一种基于近端梯度下降的可解释性深度压缩感知图像重构模型。该模型由自适应采样、初始化重构和深度重构三部分子网络组成,采样网络实现图像的自适应采样;初始化重构利用测量矩阵的转置矩阵实现图像的初始化重构;深度重构基于近端梯度下降与注意力机制,构建了基于优化的阶段性网络结构,模型的构建同时实现了图像的自适应采样与端到端映射。实验结果表明,本发明提出的基于近端梯度下降的可解释性深度压缩感知图像重构方法,可以在保持重构速度的同时,提升图像的重构质量。

    一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法

    公开(公告)号:CN113932712A

    公开(公告)日:2022-01-14

    申请号:CN202111189990.4

    申请日:2021-10-13

    Applicant: 南开大学

    Abstract: 本发明属于图像处理技术领域,具体涉及一种基于深度相机和关键点检测的瓜果类蔬菜尺寸非接触测量方法。该方法使用双目深度相机获取蔬菜的彩色图像和深度。关键点检测网络以彩色图像作为输入,能够识别瓜果类蔬菜的种类,并定位柄、顶、左、底、右和中心六个关键点。尺寸计算模块融合关键点的位置关系及深度值,可估算多种瓜果类蔬菜的尺寸。实验结果表明,本发明能够准确识别4种瓜果类蔬菜种类,并高精度测量其直径和长度。本发明为使用视觉方法解决蔬菜非接触测量问题提供了新思路,推动计算机视觉在农业自动化领域的应用。

Patent Agency Ranking