-
公开(公告)号：CN114240844A
公开(公告)日：2022-03-25
申请号：CN202111391310.7
申请日：2021-11-23
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种三维医学图像中无监督的关键点定位与目标检测方法，属于图像检测技术领域。本发明是通过以下技术方案实现的：首先利用一组未标记的图像，训练一个位移网络来预测同一幅三维图像中任意两个子区域的相对偏移量。得到位移网络的训练结果后，针对一幅新图像，该网络以一个初始位置处的子区域与参考图像中关键点处的子区域作为输入，预测该图像中的初始位置到目标位置的偏移量，从而实现关键点的定位。本发明进一步通过将物体边界框的检测任务转化成六个极端点的定位，实现无监督的目标物体检测。本发明能解决现有的医学图像中的目标检测算法需要大量人工标注的问题，有效降低了标注成本，提高了无监督目标检测算法的性能。
-
公开(公告)号：CN114240955A
公开(公告)日：2022-03-25
申请号：CN202111576690.1
申请日：2021-12-22
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种半监督的跨领域自适应的图像分割方法，属于图像识别技术领域。本发明对来自不同数据域的图像使用共享的卷积层的方式学习数据域间共有的特征信息，并使用独立的批归一化层处理不同数据域的分布差异，从而让一个模型可以在克服数据域差异的情况下实现跨域的知识迁移。针对目标域数据缺乏标注的情况，本发明的半监督域适应方法使用一个辅助网络，通过辅助网络与主网络针对同一个样本产生的不同噪声图像的预测之间的一致性，充分利用未标注数据进行学习，并进一步利用对比学习策略提高域不变特征的学习。本发明提出的方法可以解决图像分割模型在处理不同中心的数据时遇到的性能不稳定问题，并且在新的中心的数据中仅需少量的标注就可以让模型取得鲁棒的性能。在实际基于深度神经网络的图像分割场景中，可有效提高模型的稳定性和泛化能力。
-
公开(公告)号：CN114240955B
公开(公告)日：2023-04-07
申请号：CN202111576690.1
申请日：2021-12-22
Applicant: 电子科技大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及的是一种半监督的跨领域自适应的图像分割方法，属于图像识别技术领域。本发明对来自不同数据域的图像使用共享的卷积层的方式学习数据域间共有的特征信息，并使用独立的批归一化层处理不同数据域的分布差异，从而让一个模型可以在克服数据域差异的情况下实现跨域的知识迁移。针对目标域数据缺乏标注的情况，本发明的半监督域适应方法使用一个辅助网络，通过辅助网络与主网络针对同一个样本产生的不同噪声图像的预测之间的一致性，充分利用未标注数据进行学习，并进一步利用对比学习策略提高域不变特征的学习。本发明提出的方法可以解决图像分割模型在处理不同中心的数据时遇到的性能不稳定问题，并且在新的中心的数据中仅需少量的标注就可以让模型取得鲁棒的性能。在实际基于深度神经网络的图像分割场景中，可有效提高模型的稳定性和泛化能力。
-
公开(公告)号：CN114240844B
公开(公告)日：2023-03-14
申请号：CN202111391310.7
申请日：2021-11-23
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种三维医学图像中无监督的关键点定位与目标检测方法，属于图像检测技术领域。本发明是通过以下技术方案实现的：首先利用一组未标记的图像，训练一个位移网络来预测同一幅三维图像中任意两个子区域的相对偏移量。得到位移网络的训练结果后，针对一幅新图像，该网络以一个初始位置处的子区域与参考图像中关键点处的子区域作为输入，预测该图像中的初始位置到目标位置的偏移量，从而实现关键点的定位。本发明进一步通过将物体边界框的检测任务转化成六个极端点的定位，实现无监督的目标物体检测。本发明能解决现有的医学图像中的目标检测算法需要大量人工标注的问题，有效降低了标注成本，提高了无监督目标检测算法的性能。
-
-
-
Search Results
4
records
(took 0.022 seconds)
