基于小波的特定尺度循环反馈网络的糖网病变分割方法

    公开(公告)号:CN118334346A

    公开(公告)日:2024-07-12

    申请号:CN202410580883.1

    申请日:2024-05-11

    Inventor: 邬向前 卜巍 李萱

    Abstract: 本发明公开了一种基于小波的特定尺度循环反馈网络的糖网病变分割方法,所述方法基于小波的特定尺度循环反馈网络进行糖网病变分割,所述网络采用编码器‑解码器结构,其中:编码器利用EfficientNet‑B1作为主干网络从输入图像中提取多尺度特征;解码器由基于小波的反馈金字塔模块、特定尺度的细化模块和多尺度特征聚合器三个部分组成。本发明将迭代反馈机制引入到糖网病变分割任务中来,递归地利用反馈来细化多尺度特征,获得更好的聚合多尺度特征表示,以实现准确的糖网病变分割。本发明填补了在糖网病变分割技术中的对多尺度特征细化方法研究的空白。

    基于链式多尺度全卷积网络的显著性目标检测方法

    公开(公告)号:CN107784308B

    公开(公告)日:2020-04-03

    申请号:CN201710930183.0

    申请日:2017-10-09

    Abstract: 本发明公开了一种基于链式多尺度全卷积网络的显著性目标检测方法,所述方法步骤如下:对于一张图片I,先将其调整成不同尺度的一系列图片:{I1,I2,···,Im}作为多个SSFCN的输入;不同尺度的SSFCNi‑1对应的输入为X={I1,I2,···,Im},输出为Y={M1,M2,···,Mm},传到下一个SSFCN网络的状态S={S1,S2,···,Sm};将SSFCNi‑1的输出大小调整到Ii的大小与Ii一起作为SSFCNi的输入,将SSFCNi‑1的最后一个反卷积层的输出大小调整到Ii的大小和SSFCNi‑1的最后一个反卷积层的输出进行融合;将所有SSFCN的结果调整到与输入图像I相同大小,用一个简单的卷积网络整合得到最终的显著性图像。本发明可以很好的进行显著性目标检测,并在多个数据库上取得了最好的结果。

    基于金字塔特征注意的图像显著性检测方法

    公开(公告)号:CN110084249A

    公开(公告)日:2019-08-02

    申请号:CN201910336001.6

    申请日:2019-04-24

    Inventor: 邬向前 卜巍 赵婷

    Abstract: 本发明公开了一种基于金字塔特征注意的图像显著性检测方法,所述方法针对深度卷积神经网络的不同层次特征,使用多种注意力机制,获取更加有效的图像显著性特征。本发明的方法可以很好的进行显著性目标检测,并在多个数据库上取得了最好的结果。本发明整个过程利用一个神经网络进行图像显著性检测,运用注意力机制获取有效的多尺度多层次信息,并使用特别的边缘保持损失函数监督显著性边缘部分的生成。较现有的图像显著性检测方法,在不需要后处理的情况下,显著性图像边缘清晰,具有良好的鲁棒性。

    基于链式多尺度全卷积网络的显著性目标检测方法

    公开(公告)号:CN107784308A

    公开(公告)日:2018-03-09

    申请号:CN201710930183.0

    申请日:2017-10-09

    Abstract: 本发明公开了一种基于链式多尺度全卷积网络的显著性目标检测方法,所述方法步骤如下:对于一张图片I,先将其调整成不同尺度的一系列图片:{I1,I2,···,Im}作为多个SSFCN的输入;不同尺度的SSFCNi-1对应的输入为X={I1,I2,···,Im},输出为Y={M1,M2,···,Mm},传到下一个SSFCN网络的状态S={S1,S2,···,Sm};将SSFCNi-1的输出大小调整到Ii的大小与Ii一起作为SSFCNi的输入,将SSFCNi-1的最后一个反卷积层的输出大小调整到Ii的大小和SSFCNi-1的最后一个反卷积层的输出进行融合;将所有SSFCN的结果调整到与输入图像I相同大小,用一个简单的卷积网络整合得到最终的显著性图像。本发明可以很好的进行显著性目标检测,并在多个数据库上取得了最好的结果。

    基于深层监督的循环卷积神经网络的视觉显著性检测方法

    公开(公告)号:CN107247952A

    公开(公告)日:2017-10-13

    申请号:CN201610604722.7

    申请日:2016-07-28

    Abstract: 本发明公开了一种基于深层监督的循环卷积神经网络的显著性检测方法,其包括如下步骤:一、初级深层网络结构的设计;二、循环卷积神经网络的设计;三、深层监督的循环卷积神经网络的设计;四、模型的训练与测试。本发明提出了一种新的网络结构,在不增加模型参数的同时增加了网络结构的深度,并采用多层监督信息来对模型进行有效地训练。本发明提出的深层监督的循环卷积神经网络除了在显著性检测领域能取得很好的效果外,还可以用于所有的基于像素分类的图像处理和计算机视觉领域的应用中。

    基于笔画片段和轮廓特征的笔迹识别方法

    公开(公告)号:CN103279770B

    公开(公告)日:2016-03-23

    申请号:CN201310225735.X

    申请日:2013-06-06

    Abstract: 本发明涉及一种基于笔画片段和轮廓特征的笔迹识别方法,首先需要将书写人书写的笔迹用扫描仪扫描成静态图像,然后利用图像处理技术将笔迹图像进行二值化和边缘提取得到相应的二值图像和轮廓图像,然后利用本发明提出的特征提取方法分别对二值图像和轮廓图像进行特征提取,最后利用模式识别技术对提取的特征进行身份识别。本发明提取了一种新的基于笔画片段和码书技术的特征提取方法和新的基于笔画轮廓的特征提取方法。并将两个提出的特征进行融合,进一步提高了识别精度。

    基于迭代随机抽样一致算法的非接触式掌纹识别方法

    公开(公告)号:CN103455803A

    公开(公告)日:2013-12-18

    申请号:CN201310412065.2

    申请日:2013-09-04

    Abstract: 本发明提出一种基于迭代随机抽样一致算法的非接触式掌纹识别方法。该方法通过掌纹图像预处理、尺度不变特征变换特征提取与匹配、外点排除等步骤,最终以匹配的SIFT特征点数量作为分数实现基于掌纹的身份认证或辨识。本发明要解决的问题是非接触式掌纹识别,所使用的掌纹图像不需要非常准确的对齐,因此掌纹图像可以在开放的环境中非接触采集,有利于提高掌纹识别的用户接受度。本发明应用SIFT特征,可以大大降低掌纹图像各种旋转、平移、尺度等线性变换以及其它非线性变换的影响。本发明应用I-RANSAC算法排除两幅掌纹图像SIFT特征点匹配中的外点,可以解决传统外点排除算法在非线性形变情况下丢失大量内点的问题。

    一种实时击键压力采集系统

    公开(公告)号:CN102389317A

    公开(公告)日:2012-03-28

    申请号:CN201110196411.9

    申请日:2011-07-14

    Abstract: 本发明提供一种实时击键压力采集系统。它是由压力传感器和接口电路组成的,压力传感器连接接口电路,压力传感器使用四个应变片组成一个惠斯通全桥电路,将电阻的变化转换为电压的变化再进行采集;压力传感器安装在标准键盘的底部,包括键帽和回弹装置,接口电路包括放大器、多路复选器、模数转换器和主控制器,模数转换器将选通的模拟信号数字化,主控制器负责整个硬件电路的控制及与计算机通信,采用89SC52作为主控单元,其内置的串口控制器可以方便的与计算机进行通信。本发明在不改变用户接口的情况下实时采集击键压力,使用普通键盘作为用户接口,克服了使用特殊键盘容易造成用户击键习惯改变的缺点,这对于身份识别意义重大。

    一体化非接触式手部特征图像采集系统

    公开(公告)号:CN102129552A

    公开(公告)日:2011-07-20

    申请号:CN201110050820.8

    申请日:2011-03-03

    Abstract: 本发明提供一种一体化非接触式手部特征图像采集系统。它是由用户界面模块单元、光学模块单元、光源与摄像机控制电路单元、A/D转换模块单元和存储模块单元组成的,用户界面模块单元连接光学模块单元,光学模块单元分别连接光源与摄像机控制电路单元和A/D转换模块单元,A/D转换模块单元连接存储模块单元,本发明在被采集者手掌不接触采集设备的情况下,同时采集手掌纹、手掌静脉和手背静脉图像,用于基于手部特征的人体生物特征识别系统。以非接触方式采集人手图像,具有良好的用户接受度。一体化程度较高,具有良好的用户接口,被采集者的手部不用被束缚,有辅助装置引导手掌放置,避免因被采集者手部过度自由导致的图像质量不佳。

Patent Agency Ranking