-
公开(公告)号：CN109242860B
公开(公告)日：2021-10-08
申请号：CN201810952440.5
申请日：2018-08-21
Applicant: 电子科技大学
Abstract: 本发明公开了基于深度学习及权重空间集成的脑肿瘤图像分割方法，包括以下步骤，S1、采集脑肿瘤的多模态MRI图像，并对采集到的多模态MRI图像进行预处理操作；S2、构建第一网络模型和第二网络模型；S3、将预处理后的多模态MRI图像输入第二网络模型，穿过权重空间，更新平均权重；对其进行训练，将训练后的权重平均值存入第一网络模型；S4、将待测试的多模态MRI图像输入至第一网络模型中，输出脑肿瘤图像分割结果。本发明中的分割方法有利于提高脑肿瘤分割结果的准确性和可靠性，并行网络可以在分割病灶的同时得到定位信息，同时融入权重空间集合的方法，提高了脑肿瘤分割的效率以及准确率。
-
公开(公告)号：CN109087298B
公开(公告)日：2020-07-28
申请号：CN201810941074.3
申请日：2018-08-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种阿尔兹海默病MRI图像的分类方法。发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3D数据在Axial、Sagittal、coronal三个方向上得到多个2D形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3D的数据信息，又避免了使用3D卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。
-
公开(公告)号：CN109241872A
公开(公告)日：2019-01-18
申请号：CN201810947526.9
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于多级网络的图像语义快速分割方法，涉及图像语义分割和深度学习领域，本方法中构建的多级语义分割模型包括第一级网络，第二级网络和第三级网络，第一级网络包括包含layer的密集连接块和卷积层，第二级网络包括包含layer的密集连接块、级联层和卷积层，第三级网络包括包含layer的密集连接块、级联层和卷积层，第二级网络的级联层通过上采样层连接第一级网络的卷积层，第三级网络的级联层通过上采样层连接第二级网络的级联层；第一级网络、第二级网络和第三级网络的每一个密集连接块后还连接INPLACE-ABN；每个密集连接块中的layer的输入都包含了前面所有的layer输出的级联后的特征图；本发明解决了现有技术中的图像语义分割速度与精度不能兼顾的问题。
-
公开(公告)号：CN109242910B
公开(公告)日：2021-10-08
申请号：CN201810952873.0
申请日：2018-08-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于任意已知平面形状的单目相机自标定方法。本发明充分利用目标中已知平面形状信息，对目标与相机间位姿关系无任何要求，适应尺度、旋转及射影变换，且对遮挡、杂波具有一定的鲁棒性；无需额外标定物及相机特殊运动，大大降低相机标定过程的复杂度；解决了自标定结果实时性、准确性差的技术问题。
-
公开(公告)号：CN109241872B
公开(公告)日：2022-03-18
申请号：CN201810947526.9
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于多级网络的图像语义快速分割方法，涉及图像语义分割和深度学习领域，本方法中构建的多级语义分割模型包括第一级网络，第二级网络和第三级网络，第一级网络包括包含layer的密集连接块和卷积层，第二级网络包括包含layer的密集连接块、级联层和卷积层，第三级网络包括包含layer的密集连接块、级联层和卷积层，第二级网络的级联层通过上采样层连接第一级网络的卷积层，第三级网络的级联层通过上采样层连接第二级网络的级联层；第一级网络、第二级网络和第三级网络的每一个密集连接块后还连接INPLACE‑ABN；每个密集连接块中的layer的输入都包含了前面所有的layer输出的级联后的特征图；本发明解决了现有技术中的图像语义分割速度与精度不能兼顾的问题。
-
Patent Agency Ranking
公开(公告)号：CN109242860A
公开(公告)日：2019-01-18
申请号：CN201810952440.5
申请日：2018-08-21
Applicant: 电子科技大学
Abstract: 本发明公开了基于深度学习及权重空间集成的脑肿瘤图像分割方法，包括以下步骤，S1、采集脑肿瘤的多模态MRI图像，并对采集到的多模态MRI图像进行预处理操作；S2、构建第一网络模型和第二网络模型；S3、将预处理后的多模态MRI图像输入第二网络模型，穿过权重空间，更新平均权重；对其进行训练，将训练后的权重平均值存入第一网络模型；S4、将待测试的多模态MRI图像输入至第一网络模型中，输出脑肿瘤图像分割结果。本发明中的分割方法有利于提高脑肿瘤分割结果的准确性和可靠性，并行网络可以在分割病灶的同时得到定位信息，同时融入权重空间集合的方法，提高了脑肿瘤分割的效率以及准确率。
-
公开(公告)号：CN109241972A
公开(公告)日：2019-01-18
申请号：CN201810947587.5
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度学习的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建基于深度学习的语义分割模型；语义分割模型包括：语义监督模块、语义嵌入分值模块、特征重校正模块、上采样层和卷积层；通过分类模型对训练数据集进行预处理，并将分类模型的中间层输出的不同尺度的特征图输入构建好的语义分割模型中的语义监督模块中；对整个图像语义分割模型进行训练；步骤5：输入新的图像，在已训练好的深度神经网络模型中进行一次前向传播，端到端地输出预测的语义分割结果。本发明解决了现有技术中的图像语义分割准确率较低的问题。
-
公开(公告)号：CN109190683A
公开(公告)日：2019-01-11
申请号：CN201810925972.X
申请日：2018-08-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于注意力机制和双模态图像的分类方法，属于图像分类领域，对待分类项目的双模态图像数据进行预处理，将预处理后的双模态图像数据分为训练数据和测试数据；构建基于注意力机制的深度学习模型，将训练数据输入所述深度学习模型进行训练；利用反向传播及随机梯度下降算法对深度学习模型的网络参数进行优化，得到测试模型；将所述测试数据输入测试模型，通过前向传播得到该测试数据的分类结果；本发明通过模型的学习提取出了样本各自比较重要的特征，实现了更优的特征提取，最终可以得到更好的分类结果，分类准确率高；且本发明提出的方法是端到端的模型，而不需要分开训练两个模态的网络。
-
公开(公告)号：CN107506796A
公开(公告)日：2017-12-22
申请号：CN201710739100.X
申请日：2017-08-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度森林的阿尔兹海默病分类方法，属于医学图像分类预测领域，将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入，所述多粒度扫描的输出连接级联森林，所述级联森林输出MRI图像的一个类向量，完成深度森林模型的构建；对若干已知类别的MRI图像进行预处理；所述深度森林模型扩展一级，则利用预处理后的MRI图像进行训练和测试，当测试结果没有显著提高，则完成训练，否则扩展下一级继续训练；将预处理后待分类的MRI图像输入到训练完成的深度森林，输出得到该MRI图像的分类结果；该方法大大提高了阿尔兹海默病的识别率。
-
公开(公告)号：CN102323989B
公开(公告)日：2013-09-25
申请号：CN201110276231.1
申请日：2011-09-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于奇异值分解非局部均值的极化SAR数据相干斑抑制方法，主要解决现有极化SAR滤波技术不能很好的滤除同质区域的相干斑噪声和不能有效保持边缘细节信息的缺点。其实现过程为：(1)输入极化SAR数据的协方差矩阵C；(2)对协方差矩阵C进行亮目标保持；(3)由span矩阵获得对数化特征矩阵并进行奇异值分解；(4)对协方差矩阵C的逐个元素进行奇异值分解非局部均值滤波；(5)通过Sinclair向量方法将滤波后的协方差矩阵C生成伪彩图，以显示观察滤波的效果。本发明与现有技术相比显著提高了极化SAR数据的相干斑噪声抑制的能力，能够有效的平滑同质区域和保持边缘细节信息，可用于极化SAR数据的预处理过程。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.021 seconds)
