-
公开(公告)号：CN110246145B
公开(公告)日：2023-02-21
申请号：CN201910540017.9
申请日：2019-06-21
Applicant: 福州大学
IPC: G06T7/11 , G06N3/0464 , G06N3/044 , G06N3/084
Abstract: 本发明涉及一种腹部CT图像的分割方法，包括步骤S1:构建脏器图像分割模型并利用源域数据进行预训练；步骤S2:将源域数据与目标域数据输入到脏器分割模型中，获得预测结果；步骤S3:根据源域数据的到的预测结果，获得分割的损失，并训练脏器图像分割模型；步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入，获得分类损失，训练判别模型，并通过梯度反转层反向传播到脏器图像分割模型中；步骤S5:最大化分割损失和最小化分类损失，形成对抗损失，并用于训练脏器分割模型与判别模型，形成脏器图像分割模型。本发明将域适应方法结合脏器图像分割模型，分割医学图像中不同的脏器区域，解决医学图像中数据量少无标签且数据来源不同造成域偏移的问题。
-
公开(公告)号：CN110222794B
公开(公告)日：2023-02-07
申请号：CN201910539848.4
申请日：2019-06-21
Applicant: 福州大学
IPC: G06V10/80 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种多模态图像的自适应特征融合方法，主要解决针对深度网络提取的高层特征的融合存在的冗余性问题。本发明的具体步骤如下：首先，构建编码器，分别获得多种模态的特征；其次，利用典型性相关的特征筛选策略对多种模态的特征进行筛选，获得多种模态的新特征；再次，构建解码器，所获的新特征作为输入，分别获得新的模态图像；然后，构建一个分类器，利用标签一致损失，更新自适应特征融合模型；最后，所获的多种模态的新特征，进行级联操作，获得融合特征。本发明能够自适应的学习不同模态的高层特征，具有更好的判别性。
-
公开(公告)号：CN108460114B
公开(公告)日：2021-08-31
申请号：CN201810134366.6
申请日：2018-02-09
Applicant: 福州大学
IPC: G06F16/583 , G06K9/46 , G06N3/04
Abstract: 本发明涉及一种基于层次注意力模型的图像检索方法。包括S1.建立层次注意力模型以得出图像的显著性目标及其对应的显著值，并按其显著性值排序；S2.利用层次注意力模型将数据库图像分成背景与显著性目标区域，并对每个显著性目标区域提取SIFT特征、HSV颜色直方图及语义特征；S3.对待搜寻图像的各个显著性目标提取SIFT特征、HSV颜色直方图及语义特征；S4.将待搜寻图像的特征与数据库图像进行特征相似度匹配，对各个显著性目标的相似度进行加权排序得到基于显著性目标的检索结果。本发明将图像显著性加入到图像检索中，并按显著性目标的重要程度进行检索与加权，从而能够将检索结果按重要度分级，使得检索结果可以区分主次。
-
公开(公告)号：CN108259909B
公开(公告)日：2020-09-01
申请号：CN201810135190.6
申请日：2018-02-09
Applicant: 福州大学
IPC: H04N19/42 , H04N19/543
Abstract: 本发明是一种基于显著性对象检测的图像压缩方法。首先，在显著性对象检测模型中，采用去卷积注意力残差模块来增加上下文信息，以提高检测精度。然后，采用贪婪非极大值抑制方法从许多显著性对象候选检测框中消除冗余的检测框，找到最佳的显著性对象位置。最后，利用基于小波变换的图像压缩标准对显著性的区域与背景采取不同的压缩率进行压缩。
-
公开(公告)号：CN110222794A
公开(公告)日：2019-09-10
申请号：CN201910539848.4
申请日：2019-06-21
Applicant: 福州大学
Abstract: 本发明提供了一种多模态图像的自适应特征融合方法，主要解决针对深度网络提取的高层特征的融合存在的冗余性问题。本发明的具体步骤如下：首先，构建编码器，分别获得多种模态的特征；其次，利用典型性相关的特征筛选策略对多种模态的特征进行筛选，获得多种模态的新特征；再次，构建解码器，所获的新特征作为输入，分别获得新的模态图像；然后，构建一个分类器，利用标签一致损失，更新自适应特征融合模型；最后，所获的多种模态的新特征，进行级联操作，获得融合特征。本发明能够自适应的学习不同模态的高层特征，具有更好的判别性。
-
Patent Agency Ranking
公开(公告)号：CN108259909A
公开(公告)日：2018-07-06
申请号：CN201810135190.6
申请日：2018-02-09
Applicant: 福州大学
IPC: H04N19/42 , H04N19/543
Abstract: 本发明是一种基于显著性对象检测的图像压缩方法。首先，在显著性对象检测模型中，采用去卷积注意力残差模块来增加上下文信息，以提高检测精度。然后，采用贪婪非极大值抑制方法从许多显著性对象候选检测框中消除冗余的检测框，找到最佳的显著性对象位置。最后，利用基于小波变换的图像压缩标准对显著性的区域与背景采取不同的压缩率进行压缩。
-
公开(公告)号：CN108230243A
公开(公告)日：2018-06-29
申请号：CN201810133575.9
申请日：2018-02-09
Applicant: 福州大学
Abstract: 本发明公开了一种基于显著性区域检测模型背景虚化方法，包括以下步骤：获取原始图像，构建显著性区域检测模型卷积网络得到原始图像的显著性图，将获得的显著性图像放入全连接条件随机场进行训练获得优化后的显著性图像，再将优化后的显著性图进行二值化或分割处理得到01矩阵，得到前景索引矩阵和背景索引矩阵；利用距离加权平均算法实现原始图像的全局模糊；最后将前景原图和模糊背景图相拼接，生成虚化背景图。本发明不仅能准确的检测出完整的显著性区域，且显著性边界较为清晰，从而在虚化背景的时候能够保留前景图的特征，不损坏前景图图像内容。
-
公开(公告)号：CN108230243B
公开(公告)日：2021-04-27
申请号：CN201810133575.9
申请日：2018-02-09
Applicant: 福州大学
Abstract: 本发明公开了一种基于显著性区域检测模型背景虚化方法，包括以下步骤：获取原始图像，构建显著性区域检测模型卷积网络得到原始图像的显著性图，将获得的显著性图像放入全连接条件随机场进行训练获得优化后的显著性图像，再将优化后的显著性图进行二值化或分割处理得到01矩阵，得到前景索引矩阵和背景索引矩阵；利用距离加权平均算法实现原始图像的全局模糊；最后将前景原图和模糊背景图相拼接，生成虚化背景图。本发明不仅能准确的检测出完整的显著性区域，且显著性边界较为清晰，从而在虚化背景的时候能够保留前景图的特征，不损坏前景图图像内容。
-
公开(公告)号：CN110298345A
公开(公告)日：2019-10-01
申请号：CN201910606180.0
申请日：2019-07-05
Applicant: 福州大学
Abstract: 本发明涉及一种医学图像数据集的感兴趣区域自动标注方法，首先构建感兴趣区域检测网络，获取医学图像数据集中每张医学图像中的感兴趣区域；然后从所述感兴趣区域中选取置信度最高的N个感兴趣区域；接着利用深度网络学习并分别提取所述N个感兴趣区域的特征；然后将提取得到的N个特征分别输入到感知机中，经过sotfmax函数计算N个感兴趣区域为目标类的概率；最后将上一步得到的概率与一个Leakey noisy-or gate结合，获得最终为目标类的可能性以完成感兴趣区域的自动标注任务。本发明同时能够解决检测步骤中的感兴趣区域漏检问题，从而提供更具意义的参考意见。
-
公开(公告)号：CN110246145A
公开(公告)日：2019-09-17
申请号：CN201910540017.9
申请日：2019-06-21
Applicant: 福州大学
Abstract: 本发明涉及一种腹部CT图像的分割方法，包括步骤S1:构建脏器图像分割模型并利用源域数据进行预训练；步骤S2:将源域数据与目标域数据输入到脏器分割模型中，获得预测结果；步骤S3:根据源域数据的到的预测结果，获得分割的损失，并训练脏器图像分割模型；步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入，获得分类损失，训练判别模型，并通过梯度反转层反向传播到脏器图像分割模型中；步骤S5:最大化分割损失和最小化分类损失，形成对抗损失，并用于训练脏器分割模型与判别模型，形成脏器图像分割模型。本发明将域适应方法结合脏器图像分割模型，分割医学图像中不同的脏器区域，解决医学图像中数据量少无标签且数据来源不同造成域偏移的问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
