-
公开(公告)号：CN112365556A
公开(公告)日：2021-02-12
申请号：CN202011244337.9
申请日：2020-11-10
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于感知损失和风格损失的图像扩展方法，包括：对预处理后的数据集送入到构建好的图像扩展网络中，图像扩展网络包括重构路径和生成路径，重构路径用于输入待补全区域图像，获取其待补全部分的先验信息，最后重构出原始图像；生成路径用于输入缺失图像，利用重构路径得到的先验分布，引导图像的生成过程，在训练过程中，重点引入感知损失和风格损失约束生成图像的纹理和风格，改善了传统方法的扭曲模糊结构。感知损失和风格损失分别获取已知区域的语义信息和整体风格，从而有助于网络把握图像的真实纹理风格。
-
公开(公告)号：CN112365556B
公开(公告)日：2021-09-28
申请号：CN202011244337.9
申请日：2020-11-10
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于感知损失和风格损失的图像扩展方法，包括：对预处理后的数据集送入到构建好的图像扩展网络中，图像扩展网络包括重构路径和生成路径，重构路径用于输入待补全区域图像，获取其待补全部分的先验信息，最后重构出原始图像；生成路径用于输入缺失图像，利用重构路径得到的先验分布，引导图像的生成过程，在训练过程中，重点引入感知损失和风格损失约束生成图像的纹理和风格，改善了传统方法的扭曲模糊结构。感知损失和风格损失分别获取已知区域的语义信息和整体风格，从而有助于网络把握图像的真实纹理风格。
-
Patent Agency Ranking
公开(公告)号：CN110674882A
公开(公告)日：2020-01-10
申请号：CN201910931124.4
申请日：2019-09-27
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于傅立叶函数变换的异常点检测方法，该方法具体包括以下步骤：第一步，将原始数据集进行聚类操作；第二步，计算簇密度和均值密度，以原数据集的均值密度作为阈值，将数据集进行精简；第三步，对剩余数据集进行傅立叶变换，利用回归方程将离散值连续化。第四步，进行傅立叶变换后的数据与标准正余弦函数进行相似度对比，找出异常数据。本发明的有益效果是：本发明可以有效的提高异常点检测算法的准确率，能大幅度减少异常检测过程中的实际数据量，从而节省了很多计算资源，并且提高了异常检测效率。本发明在聚类和数据化分析的步骤下能够解决异常检测中的一些过拟合问题。增强了异常检测算法的鲁棒性。
-
公开(公告)号：CN112686822B
公开(公告)日：2021-09-07
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
公开(公告)号：CN112365464B
公开(公告)日：2021-08-10
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN112365464A
公开(公告)日：2021-02-12
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN112686822A
公开(公告)日：2021-04-20
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
