公开(公告)号：CN113160247B

公开(公告)日：2022-07-05

申请号：CN202110433521.6

申请日：2021-04-22

Applicant: 福州大学

Inventor： 陈飞 ,  王志伟

IPC: G06T7/11 ,  G06T7/246 ,  G06T5/50 ,  G06K9/62 ,  G06V10/774 ,  G06V10/764 ,  G06N3/04

Abstract: 本发明提出一种基于频率分离的抗噪孪生网络目标跟踪方法，其特征在于：首先利用卷积神经网络对跟踪目标和后续帧搜索区域图进行特征提取。然后利用Ocatave卷积结构对搜索区域特征图和模板特征图进一步生成高维特征图，在完成互相关操作后将互相关相应图进行融合获得目标位置回归图，利用目标位置回归信息得到物体感知分类结果图，利用相同的方法获得常规分类图，获得最终分类结果图完成目标位置的确定。本发明利用高低频信息交换增强网络的抗噪能力，同时引入一种新的特征融合方法，该特征融合方法可以聚合本地和全局上下文信息，解决了现有目标跟踪方法中对于噪声环境下跟踪效果不佳的问题。

公开(公告)号：CN113160247A

公开(公告)日：2021-07-23

申请号：CN202110433521.6

申请日：2021-04-22

Applicant: 福州大学

Inventor： 陈飞 ,  王志伟

IPC: G06T7/11 ,  G06T7/246 ,  G06T5/50 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提出一种基于频率分离的抗噪孪生网络目标跟踪方法，其特征在于：首先利用卷积神经网络对跟踪目标和后续帧搜索区域图进行特征提取。然后利用Ocatave卷积结构对搜索区域特征图和模板特征图进一步生成高维特征图，在完成互相关操作后将互相关相应图进行融合获得目标位置回归图，利用目标位置回归信息得到物体感知分类结果图，利用相同的方法获得常规分类图，获得最终分类结果图完成目标位置的确定。本发明利用高低频信息交换增强网络的抗噪能力，同时引入一种新的特征融合方法，该特征融合方法可以聚合本地和全局上下文信息，解决了现有目标跟踪方法中对于噪声环境下跟踪效果不佳的问题。

公开(公告)号：CN115578306A

公开(公告)日：2023-01-06

申请号：CN202210539062.4

申请日：2022-05-18

Applicant: 福建医科大学附属协和医院 ,  福州大学

Inventor： 王波 ,  赵文新 ,  陈飞 ,  王志伟

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/764 ,  G06V10/766 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于Anchor‑Free和时空一致性的甲状旁腺实时检测方法。利用Anchor‑Free基底卷积神经网络和特征金字塔模型对检测图像进行特征提取生成金字塔多尺度特征图组，其次利用共享检测头获得多个尺度对应分类置信度图，中心置信度图和目标框回归图，再次将分类置信度图，中心置信度图相乘获得中心分类置信度图。通过构造时空分类记忆图，使用中心置信度图进行信息提取，生成时序分类结果图，并将其和中心置信度图进行融合生成最终分类置信度图。本发明增强了检测的效果及检测网络的适应能力，缓解了检测器在甲状旁腺遇到遮挡、雾气和光照等复杂情况下的目标漂移问题。