-
公开(公告)号：CN114913377A
公开(公告)日：2022-08-16
申请号：CN202210546904.9
申请日：2022-05-19
Applicant: 济南大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06K9/62 , G06T7/00 , G06T7/13 , G06T7/73 , G06T7/11 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于空间上下文变分自动编码器的图像异常检测方法，所述方法通过使用空间上下文变分自动编码器，进行图像生成与注意力校正，检测异常图像；所述空间上下文变分自动编码器包括两个不同的变分自动编码器：第一个为空间变分自动编码器，用于学习正常图像的空间特征；第二个为上下文变分自动编码器，用于学习正常图像的全局上下文特征。本发明通过使用空间上下文变分自动编码器学习正常图像的分布，检测不符合正常图像分布的疾病图像，通过准确学习正常图像的空间特征和上下文特征，在有效检测异常的同时降低误报；同时使用注意力校正方法，进一步提高异常检测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN114821187A
公开(公告)日：2022-07-29
申请号：CN202210545591.5
申请日：2022-05-19
Applicant: 济南大学
IPC: G06V10/764 , G06V10/82 , G06V10/40 , G06V10/771 , G06K9/62 , G06T7/00 , G06T7/73 , G06T3/40 , G06T5/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于判别学习的图像异常检测和定位方法，所述方法的实现包括内容如下：通过基于外部数据集训练的网络，对原始图像进行特征提取；采用梯度偏好的方法进行特征选择；将得到的特征送入带有中心约束的判别网络中进行异常检测。本发明通过能够在不需要异常数据的情况下，准确检测并定位到图像中存在的异常。在解决图像异常检测和定位上表现出强大的性能和理论优势。极大的提高了检测效率和准确性。
-
公开(公告)号：CN114913377B
公开(公告)日：2024-08-06
申请号：CN202210546904.9
申请日：2022-05-19
Applicant: 济南大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06T7/00 , G06T7/13 , G06T7/73 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于空间上下文变分自动编码器的图像异常检测方法，所述方法通过使用空间上下文变分自动编码器，进行图像生成与注意力校正，检测异常图像；所述空间上下文变分自动编码器包括两个不同的变分自动编码器：第一个为空间变分自动编码器，用于学习正常图像的空间特征；第二个为上下文变分自动编码器，用于学习正常图像的全局上下文特征。本发明通过使用空间上下文变分自动编码器学习正常图像的分布，检测不符合正常图像分布的疾病图像，通过准确学习正常图像的空间特征和上下文特征，在有效检测异常的同时降低误报；同时使用注意力校正方法，进一步提高异常检测的准确率。
-
公开(公告)号：CN116309638A
公开(公告)日：2023-06-23
申请号：CN202310234689.3
申请日：2023-03-13
Applicant: 济南大学 , 济南嘲风智能科技有限公司
IPC: G06T7/11 , G06T7/136 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及图像分析方法，特别涉及一种基于语义增强变分自动编码器的图像异常分割方法。包括训练阶段和测试阶段，所述训练阶段为通过引入图像和特征空间分布约束，构建一个语义增强变分自动编码器模型，对正常图像分布进行刻画；所述测试阶段为通过计算融合通道域和空间域的异常注意力图，捕获全局和局部异常变化，分割异常图像中与正常图像有明显差异的异常区域。
-
公开(公告)号：CN116843614A
公开(公告)日：2023-10-03
申请号：CN202310524403.5
申请日：2023-05-11
Applicant: 济南大学
IPC: G06T7/00 , G06T7/73 , G06T3/40 , G06V10/44 , G06V10/22 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/096 , G06N3/088
Abstract: 本发明涉及计算机视觉处理技术领域，特别涉及一种基于先验引导多语义融合的图像异常检测和定位方法，所述方法的实现包括内容如下：通过预先训练好的视觉‑语言网络提取正常图像的抽象全局语义，然后构建可学习的语义编码库，通过向量离散化来存储正常样本的代表性特征向量。最后，将上述多语义特征进行融合后，作为解码器的输入，引导异常图像重建为正常，以此来检测和定位异常。本发明通过能够在没有任何异常先验的情况下，准确检测并定位到图像中存在的异常。极大的提高了检测效率和准确性。
-
公开(公告)号：CN116664483A
公开(公告)日：2023-08-29
申请号：CN202310405451.2
申请日：2023-04-17
Applicant: 济南大学
Abstract: 本发明公开了一种多指标协同的OCT视网膜图像病变演进预测方法，所述方法通过融合多种影像和临床指标的空间和时序特征，建模患者前两次随访的OCT视网膜图像与病变区域发展的关系。具体来说，首先通过多种技术提取前两次随访的OCT视网膜图像与病变发展有关的影像与临床指标。接着，使用全卷积神经网络和长短时记忆网络分别提取OCT视网膜图像和多种指标的空间和时序特征。最后，将时序和空间特征融合，预测后续随访时间病变区域的发展。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
