-
公开(公告)号：CN113052935B
公开(公告)日：2024-11-15
申请号：CN202110308254.X
申请日：2021-03-23
Applicant: 大连理工大学
IPC: G06T11/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 本发明属于计算机断层图像重建(CT)领域，尤其涉及利用深度学习技术以渐进学习的方式从单张X射线图像重建出目标的CT图像，具体为渐进式学习的单视角CT重建方法。通过渐进式学习的方式训练本发明所设计的CT重建网络，一方面能够有效地提高重建的CT图像质量，为未来癌症病人的精准放疗提供有效的图像引导信息。另一方面能够极大降低X射线辐射的总量，减少病人在多次CT检查时受到的辐射损伤和潜在风险。
-
公开(公告)号：CN114373222B
公开(公告)日：2024-10-25
申请号：CN202111558523.4
申请日：2021-12-20
Applicant: 大连理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于持续学习的手部姿态及形状估计方法，属于计算机视觉与深度学习领域。主要包含以下步骤：数据预处理；搭建手部3D三角网格模型重建网络；全监督训练搭建的手部3D三角网格模型重建网络；自监督训练搭建的手部3D三角网格模型重建网络。本发明具有以下优点：首先，使用持续学习的方法可以大大降低神经网络模型处理新数据时的时间和算力成本；其次，同时利用彩色图像和深度图像可以获得丰富的空间信息，显著提高模型的实用性和泛化能力。
-
公开(公告)号：CN116330290B
公开(公告)日：2023-08-18
申请号：CN202310373017.0
申请日：2023-04-10
Applicant: 大连理工大学
IPC: B25J9/16
Abstract: 本发明提供一种基于多智能体深度强化学习的五指灵巧机器手控制方法。考虑一个与人手大小和结构相同的五指灵巧机器手，场景中有一个放置在桌面的物体，通过将五根手指以及手腕和手臂视作单独的智能体分别进行训练，彼此分工协作，最终完成抓取物体的任务。本发明考虑到了机器手各关节的协作关系，通过多智能体方法在保证机器手完成抓取物体的任务前提下，将整个抓取过程进一步细致化和精细化，让机器手的抓取动作更加贴近理想的姿态、各手指更加灵活自由，完成更多单智能体无法完成的细节抓取动作。同时，本发明可以在不需要数据集的情况下对抓取物体任务进行有效的学习，减轻了收集大量数据的负担，并提高了机器五指手对陌生物体和环境的适应能力。
-
公开(公告)号：CN114882113A
公开(公告)日：2022-08-09
申请号：CN202210560549.0
申请日：2022-05-23
Applicant: 大连理工大学
Abstract: 本发明公开一种基于同类物体形状对应性的五指机械灵巧手抓取迁移方法，该方法以同类物体形状的对应性关系为桥梁，将机械灵巧手的抓取方式从源物体迁移至同类的目标物体。本发明一方面仅需对同类物体中的一个实例进行标注即可实现对一类物体抓取位姿的估计，大幅降低了抓取标注的难度。另一方面，对类内单一实例物体的抓取标注通过人工即可快速完成，这也保证了迁移后的抓取姿态符合人类的抓取操作习惯。
-
公开(公告)号：CN114373222A
公开(公告)日：2022-04-19
申请号：CN202111558523.4
申请日：2021-12-20
Applicant: 大连理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/26 , G06V10/40 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于持续学习的手部姿态及形状估计方法，属于计算机视觉与深度学习领域。主要包含以下步骤：数据预处理；搭建手部3D三角网格模型重建网络；全监督训练搭建的手部3D三角网格模型重建网络；自监督训练搭建的手部3D三角网格模型重建网络。本发明具有以下优点：首先，使用持续学习的方法可以大大降低神经网络模型处理新数据时的时间和算力成本；其次，同时利用彩色图像和深度图像可以获得丰富的空间信息，显著提高模型的实用性和泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN110175566A
公开(公告)日：2019-08-27
申请号：CN201910448208.2
申请日：2019-05-27
Applicant: 大连理工大学
Abstract: 本发明提供一种基于RGBD融合网络的手部姿态估计系统及方法。本发明系统包括全局深度特征提取模块、残差模块、多模态特征融合模块、分支并行干扰消除模块，全局深度特征提取模块，采用平行的两路交叉融合的残差网络，上路为高分辨率的特征图，下路为低分辨率特征图，通过交叉融合多分辨率的信息来进行多尺度特征融合，最终在高分辨率特征图预测网络输出；系统的输入部分分为深度图像处理支路和RGB彩色图像处理支路，两个支路所提取的特征，进行多模态融合后形成全局特征，送入分支并行干扰消除模块进行手部分支的特征提取，得到强化的手部分支特征，用于最终的关节位置预测。本发明主要通过彩色图像与深度图像的信息综合，达到具有较高准确度的手部姿态估计。
-
公开(公告)号：CN108765319A
公开(公告)日：2018-11-06
申请号：CN201810466330.8
申请日：2018-05-09
Applicant: 大连理工大学
IPC: G06T5/00
Abstract: 本发明提供了一种基于生成对抗网络的图像去噪方法，属于计算机视觉技术领域。步骤如下：(1)设计神经网络对于含噪图像噪声强度进行估计；(2)依据估计的噪声强度，采用图像库中图像块添加该强度噪声作为训练网络的样本；(3)在训练网络时，设计全新的生成网络与判别网络。采用固定生成网络训练判别网络，固定判别网络参数训练生成网络的形式，使网络进行对抗训练。(4)采用训练后的生成网络作为去噪网络，依据噪声识别网络得到的结果选择网络参数，对含噪图像进行去噪。本发明的效果和益处是提高了去噪图像的视觉效果，无需人工干预调整参数，并且可以更好的恢复图像的纹理细节。
-
公开(公告)号：CN104899827B
公开(公告)日：2018-04-10
申请号：CN201510274374.7
申请日：2015-05-26
Applicant: 大连理工大学
IPC: G06T3/20
Abstract: 基于固定分辨率条件下的离散Radon和Mojette投影转换方法，属于图像处理领域的计算机成像技术领域。其特征是将实际成像条件下的稀疏角度离散Radon投影转化为在离散域精确重建的Mojette投影。以计算机层析成像算法为基础，通过构造合理的成像系统来逼近Radon和Mojette投影场景，并在详细分析了Mojette投影和Radon投影的关系之后，给出了在固定分辨率前提下各投影角度下的Radon投影转化为对应的投影矢量下的Mojette投影的具体算法。本发明的效果和益处是在不同的稀疏投影角度下，不需要改变Radon投影图像的分辨率大小，克服了Mojette投影域分辨率随着投影矢量变化和Radon投影分辨率不变之间的转换障碍，搭建起这两种投影之间的转换桥梁。
-
公开(公告)号：CN104883214A
公开(公告)日：2015-09-02
申请号：CN201510242192.1
申请日：2015-05-11
Applicant: 大连理工大学
CPC classification number: H04B7/0452 , H04B7/0626 , H04L25/0204
Abstract: 基于自由度调度的干扰对齐方法，属于无线通信技术领域。其特征是：在建立自由度方案池的基础上实现了自由度调度，并将其与功率分配相结合；设置了用户需求程度反馈模块；设计了三种干扰对齐普通方案、穷尽搜索方案和离散随机优化方案，满足了不同的信道信息获取条件及设备状况下的通信需求。本发明的效果和益处是：规避因设备对天线数目的限制而造成的潜在频谱效率的损失；与功率分配策略相结合获得叠加效应，有效提高了网络吞吐量；在网络性能最优和用户需求满足之间实现了权衡；制定了理想信道状态信息获得情况下的策略，在非理想信道状态信息情况下制定的两种策略分别满足了收敛速度和计算量的要求。
-
公开(公告)号：CN104835186A
公开(公告)日：2015-08-12
申请号：CN201510214008.2
申请日：2015-04-30
Applicant: 大连理工大学
IPC: G06T11/20
Abstract: 一种历史地震图波形自动跟踪方法，属于油气地球物理勘探技术领域。其特征包括：(1)利用微分几何曲线提取算法从地震图中提取出地震波曲线点，以及地震波曲线的局部方向；(2)依据已经提取出来的曲线局部方向将提取出来的曲线点，连成多条曲线段；(3)最后依据地震波曲线的自身特性，如地震波曲线在其拐点处呈现出的对称特性以及地震波曲线围绕其中轴线做往返运动的震动特性，以回溯的思路对地震波曲线段进行跟踪。本发明的效果和益处是提高了地震波波形自动跟踪的精度，无需人工干预，能够处理有交叉线和断点的地震图。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.035 seconds)
