-
公开(公告)号：CN119151980A
公开(公告)日：2024-12-17
申请号：CN202411339688.6
申请日：2024-09-20
Applicant: 吉林大学
IPC: G06T7/136 , G06V10/762 , G06N3/126
Abstract: 本发明公开一种基于跨越式交叉和多优导向的多阈值图像分割方法。该方法包括以下步骤：步骤一、将多阈值图像分割问题建模成为优化算法的目标函数。步骤二、提出跨越式交叉计算方法，对步骤一中生成的种群在每次迭代开始时按照一定概率对其进行个体间、维度间、代际间等多层次的信息交叉。步骤三、提出多优导向进化加速方法，通过优化速率导向、最优个体距离导向和较优解聚类导向对步骤二得到的种群进行及时的进化状态检测和处理。步骤四、若种群进化未达到最大迭代次数，则当前迭代次数加一后，跳转步骤二继续执行下一次迭代，否则就终止进化，得到多阈值图像分割结果和将图像分割到最大总熵值的最优阈值组合。
-
公开(公告)号：CN113409351A
公开(公告)日：2021-09-17
申请号：CN202110734149.2
申请日：2021-06-30
Applicant: 吉林大学
Abstract: 本发明公开一种基于最优传输的无监督领域自适应遥感图像分割方法，首先提出一种分割准确性权重计算，基于步骤一中提出的遥感图像分割准确性权重计算方法，进行遥感图像最优样本子集选择。对步骤二获得的遥感图像最优样本子集，进行最优传输特征选择。对步骤三获得的遥感图像特征选择结果，进行无监督领域自适应图像分割。本发明保证了两个域特征的整体性，同时衡量前景区域特征要比通常的样本特征更有针对性且更适合分割样本，更加准确，分割准确性权重能够更好地适应分割图像，能够使属于同一类别的两个域的分割图像更相近，从而提高熵正则化进行分割图像特征最优传输的精确度。
-
公开(公告)号：CN104679991A
公开(公告)日：2015-06-03
申请号：CN201510041738.7
申请日：2015-01-27
Applicant: 吉林大学
IPC: G06F19/00
Abstract: 本发明公开了一种面向有序命题的信息融合新方法，围绕有序命题类问题，提出了基本支持函数的凸度、扩展无知、基本(或准-基本)支持函数λ*的信息心、信息熵，基本支持函数间的相容性等概念。提出与求质心不同的λ*“信息心”计算新方法，求λ*信息心只涉及λ*的较大信任值，其作用被突出，可理解为较大信任值被赋予了更大的权重。针对有多个最大信任值和/或“近似最大”信任值的λ*，提出了改进的信息熵计算方法，并验证了其有效性。最终提出了整合信息心、信息熵计算，相容性度量，非正整数信息心处理、扩展无知和凸度等的基本支持函数融合新方法，有效解决了有序命题类问题的信息融合问题。
-
公开(公告)号：CN108491923B
公开(公告)日：2021-09-24
申请号：CN201810316604.5
申请日：2018-04-10
Applicant: 吉林大学
Abstract: 本发明提出一种基于改进狼群算法优化贝叶斯网络的害虫图像识别方法，该方法包括以下步骤：步骤一：提出一种改进的二进制狼群算法(Improved binary Wolf Colony Algorithm，IBWCA)，对狼群算法进行改进，在探狼的游走行为中加入突变算子，在召唤行为中加入逼近算子，并在围攻行为中加入交互算子，在狼群的更新过程中提出用混沌运动的方式更新狼群；步骤二：基于改进的二进制狼群算法的贝叶斯结构学习优化算法(Bayesian Network Construction algorithm using IBWCA,BNC‑IBWCA)；步骤三：结合卷积神经网络与贝叶斯网络进行害虫图像的识别处理。用预训练好的卷积神经网络对训练集和测试集的图片进行特征提取，用贝叶斯分类器进行分类识别。
-
公开(公告)号：CN108648191B
公开(公告)日：2021-06-04
申请号：CN201810472227.4
申请日：2018-05-17
Applicant: 吉林大学
Abstract: 本发明公开一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，该方法包括以下步骤：步骤一、对害虫图像识别训练数据集进行预处理，使用富边缘检测算法(Rich‑Edge)对该灰度图进行害虫边缘检测。步骤二、构建贝叶斯宽度残差神经网络(Bayesian Wide‑ResidualNetwork，BWResNet)。步骤三、将步骤一得到的害虫边缘图像输入到步骤二构建的BWResNet中。利用步骤一中得到的害虫边缘图像训练集得到BWResNet的总误差函数。步骤四、利用步骤三中得到的误差函数，对网络进行训练。在这里我们提出分块共轭(Block‑cg)算法对网络进行训练。步骤五、根据步骤四中优化后的网络更新超参数。步骤六、重复执行步骤四、五，得到最终的网络，将害虫图像验证集输入到网络后得到的分类准确率更高。
-
Patent Agency Ranking
公开(公告)号：CN109493308A
公开(公告)日：2019-03-19
申请号：CN201811350964.3
申请日：2018-11-14
Applicant: 吉林大学
Abstract: 本发明公开一种基于条件多判别生成对抗网络的医疗图像合成与分类方法，该方法包括以下步骤：一、对计算机断层扫描(Computed Tomography,简称CT)图像中病变区域进行分割，提取病变感兴趣区域(Region of Interest,简称ROIs)；二、对一中提取的病变ROIs进行数据预处理；三、设计基于条件多判别生成对抗网络(Conditional Multi-Discriminate Generative Adversarial Network,简称CMDGAN)模型架构，使用二中的图像对其进行训练，得到生成模型；四、使用三中得到的生成模型对提取的病变ROIs进行合成数据增强；五、设计多尺度残差网络(Multiscale ResNet Network,简称MRNet)并训练。本发明提出的方法，可以生成具有高质量的合成医疗图像数据集，分类网络对测试图像的分类准确率较高，从而更好的能够为医疗工作者提供辅助诊断。
-
公开(公告)号：CN103678680A
公开(公告)日：2014-03-26
申请号：CN201310728374.0
申请日：2013-12-25
Applicant: 吉林大学
CPC classification number: G06K9/6217 , G06K9/6267
Abstract: 一种基于感兴趣区域多元空间关系模型的图像分类方法本，涉及图像特征提取及模式识别，包括以下步骤：一、对原始图像检测感兴趣区域；二、提取感兴趣区域ROI的底层视觉特征；三、提取词袋特征；四、获得感兴趣区域ROI的多元空间关系；五、多元空间关系特征提取；六对词袋特征和多元空间关系特征进行特征融合及特征选择；七、使用参数优化后的分类器和步骤六获得的特征来训练样本。本发明提取的特征由于充分利用了感兴趣区域空间信息，使得图像分类精度大幅度提高；多元空间关系特征比纹理、颜色等其他图像特征更具有鲁棒性，对于训练集以外的新图像能够有效提取其自身固有的关键信息，因此取得更好的识别效果。
-
公开(公告)号：CN119167840A
公开(公告)日：2024-12-20
申请号：CN202411311189.6
申请日：2024-09-12
Applicant: 吉林大学
IPC: G06F30/32 , G06N3/126 , G06F18/24 , G06F111/06
Abstract: 本发明公开一种基于超体积引导和变量最优性分类的电路多目标优化方法。该方法包括以下步骤：一、读取Boolean逻辑电路，初始化种群，并构建种群进化与电路多目标优化之间的关联。二、提出一种超体积引导方法，控制进化参数的存储与变化，引导种群向Pareto前沿方向进化。三、提出一种变量最优性分类方法，将种群个体分为多最优和单最优变量，再分别进行不同的种群进化策略。四、合并步骤二和步骤三进化后的种群，建立面积、功耗和延时估算模型对其进行环境选择，得到新的种群。五、若当前迭代次数是变异阈值的倍数，则对步骤四得到的的种群进行基于映射差异的变异修正。变异修正后，已经达到最大迭代次数或种群收敛则算法结束，否则跳转到步骤二。
-
公开(公告)号：CN118196706A
公开(公告)日：2024-06-14
申请号：CN202410297187.X
申请日：2024-03-15
Applicant: 吉林大学
IPC: G06V20/52 , G06V10/774 , G06V10/82
Abstract: 本文提出的基于单侧松弛最优传输与纯点基精确定位的密集检测方法，其主要步骤如下：步骤一、预训练一种金字塔视觉自注意力模型。定义好每一层中，视觉自注意力模型的规模大小。高效回归头与多尺度扩张卷积组成预测模块。步骤二、提出一种基于测度理论的计数方法，设计了一个单侧松弛最优传输算法。先对真值图和预测密度图形成的测度做Sinkhorn迭代收敛，并在这个过程中以98％的松弛度对传输矩阵的连续测度一侧进行边界松弛，再计算预测密度图形成的测度与传输矩阵对应的边缘分布的特征向量距离损失，形成单侧边界松弛惩罚。步骤三、提出一个纯点基精确定位框架，预测目标的位置点信息。通过匈牙利算法对候选点和真值点进行一对一匹配，来监督优化模型。
-
公开(公告)号：CN109697713B
公开(公告)日：2022-09-02
申请号：CN201811350962.4
申请日：2018-11-14
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/70 , G06V10/75 , G06V10/774
Abstract: 本发明公开一种基于深度学习和空间关系推理的椎间盘定位标注方法，该方法包括以下步骤：一、在核磁共振图像样本集上进行特征提取和统计分析，获得邻近椎间盘空间关系模型SAID；二、在核磁共振图像测试集上进行图像特征底层提取和目标识别，然后经过椎间盘空间关系筛选算法，获得准确识别的椎间盘目标；三、用椎间盘空间关系迭代推理算法把椎间盘目标集合与每个SAID逐一进行匹配，获得匹配程度；四、选取最佳匹配，对椎间盘目标赋予标注名称。本发明提出的邻近椎间盘空间关系模型可以更全面的模拟椎间盘的特征；椎间盘空间关系筛选算法引入评分机制能够消除假正例，得到准确的结果；迭代匹配的方法，在保证速度的前提下提高了准确性。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.017 seconds)
