-
公开(公告)号：CN120047358A
公开(公告)日：2025-05-27
申请号：CN202510122848.X
申请日：2025-01-26
Applicant: 福建医科大学附属协和医院 , 福州大学
IPC: G06T5/77 , G06T5/50 , G06T5/60 , G06T3/4038 , G06T3/4046 , G06N3/0464 , G06N3/096 , G06N3/0985
Abstract: 本发明提供一种基于迁移学习和光流估计的医学影像去雾方法，基于通过光流估计数据集预训练获得的Ef‑RAFT网络，以及通过有雾图像数据集预训练获得的DFFNet网络，输入有雾医学影像以迁移学习的方式进行去雾，对去雾处理后的帧重建获得去雾后的医学影像；所述DFFNet网络包括编码器、频率域特征融合模块、解码器和软重建模块。其结合光流估计技术实现视频帧序列的精确对齐，利用相对无雾帧辅助有雾帧进行去雾。
-
公开(公告)号：CN115170913A
公开(公告)日：2022-10-11
申请号：CN202210674635.4
申请日：2022-06-15
Applicant: 福州大学 , 福建医科大学附属协和医院
IPC: G06V10/80 , G06V10/40 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/762 , G06V10/74 , G06K9/62
Abstract: 本发明涉及一种基于集群框融合的目标检测方法。该方法，首先建立数据集，然后使用特征提取网络对输入的数据集进行特征提取，得到特征图；然后将特征图输入到后续的分类、边界回归网络中，得到网络输出的预测框；在后处理阶段，利用这些预测框聚集的特征，先进行簇划分并过滤部分簇；然后在簇内预测聚类中心个数，并设置初始聚类中心、距离函数，然后在簇内进行聚类，聚类后的聚类中心可以很好地描述这一片区域预测框聚集的情况；最后，将相似度较高的聚类中心进行融合，并删除一些聚类中心，得到最终的预测框。本发明充分利用到了模型输出的每一个预测框，并根据这些预测框的聚集程度得到最终修正后的预测框，可以有效提高模型的召回率和精确率。
-
公开(公告)号：CN114445482B
公开(公告)日：2024-08-02
申请号：CN202210112398.2
申请日：2022-01-29
Applicant: 福州大学 , 福建医科大学附属协和医院
IPC: G06T7/62 , G06T3/4007 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/084
Abstract: 本发明涉及一种基于Libra‑RCNN和椭圆形状特征的图像中目标检测方法及系统，该方法包括以下步骤：S1、输入训练集中图像并进行预处理；S2、基于Libra‑RCNN架构设置骨干网络模型信息；S3、通过矩形框标签构建椭圆框标签，并计算椭圆交并比IoU；S4、计算椭圆锚框的长短轴及角度；S5、设置分类损失函数、回归损失函数和角度损失函数；S6、设置不同尺度输出后的Head部分；S7、设置Libra‑RCNN的采样策略为IoU最大值采样策略，并设置相应的IoU阈值；S8、生成网络模型，并通过训练集图像训练网络模型，得到训练好的网络模型；S9、通过训练好的网络模型检测图像，得到目标的相应位置和目标类别。该方法及系统有利于提高对于具有椭圆形状特征目标的检测精度。
-
公开(公告)号：CN114445689B
公开(公告)日：2024-07-26
申请号：CN202210112397.8
申请日：2022-01-29
Applicant: 福州大学 , 福建医科大学附属协和医院
IPC: G06V10/80 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N5/04
Abstract: 本发明涉及一种目标先验信息指导的多尺度加权融合目标检测方法及系统，该方法包括以下步骤：首先使用卷积神经网络进行特征提取，然后对目标尺寸、颜色及形状角度先验信息进行基于尺度大小的聚类，使用聚类结果得到的权重来指导多尺度特征的加权融合，使得多尺度检测在目标具有多种形态、大小的场景下能够更有针对性地学习目标尺度的分布；其次在多尺度动态加权融合之后，引入尺度特征贡献度微调来进一步学习多尺度特征图的贡献度，并使用先验信息权重引导初始化；最后将多尺度输出传入分类与回归两个子网络进行目标物体的定位与分类。该方法及系统可以有效地利用目标的先验信息解决目标尺度不均衡问题，提高目标检测的准确性。
-
公开(公告)号：CN114445689A
公开(公告)日：2022-05-06
申请号：CN202210112397.8
申请日：2022-01-29
Applicant: 福州大学 , 福建医科大学附属协和医院
Abstract: 本发明涉及一种目标先验信息指导的多尺度加权融合目标检测方法及系统，该方法包括以下步骤：首先使用卷积神经网络进行特征提取，然后对目标尺寸、颜色及形状角度先验信息进行基于尺度大小的聚类，使用聚类结果得到的权重来指导多尺度特征的加权融合，使得多尺度检测在目标具有多种形态、大小的场景下能够更有针对性地学习目标尺度的分布；其次在多尺度动态加权融合之后，引入尺度特征贡献度微调来进一步学习多尺度特征图的贡献度，并使用先验信息权重引导初始化；最后将多尺度输出传入分类与回归两个子网络进行目标物体的定位与分类。该方法及系统可以有效地利用目标的先验信息解决目标尺度不均衡问题，提高目标检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114445482A
公开(公告)日：2022-05-06
申请号：CN202210112398.2
申请日：2022-01-29
Applicant: 福州大学 , 福建医科大学附属协和医院
Abstract: 本发明涉及一种基于Libra‑RCNN和椭圆形状特征的图像中目标检测方法及系统，该方法包括以下步骤：S1、输入训练集中图像并进行预处理；S2、基于Libra‑RCNN架构设置骨干网络模型信息；S3、通过矩形框标签构建椭圆框标签，并计算椭圆交并比IoU；S4、计算椭圆锚框的长短轴及角度；S5、设置分类损失函数、回归损失函数和角度损失函数；S6、设置不同尺度输出后的Head部分；S7、设置Libra‑RCNN的采样策略为IoU最大值采样策略，并设置相应的IoU阈值；S8、生成网络模型，并通过训练集图像训练网络模型，得到训练好的网络模型；S9、通过训练好的网络模型检测图像，得到目标的相应位置和目标类别。该方法及系统有利于提高对于具有椭圆形状特征目标的检测精度。
-
公开(公告)号：CN116246799A
公开(公告)日：2023-06-09
申请号：CN202310252446.2
申请日：2023-03-16
Applicant: 福州大学 , 福建医科大学附属协和医院
Abstract: 本发明涉及一种基于RKNN的甲状旁腺实时检测系统及方法，包括图像采集单元、前处理单元、目标推理单元和后处理展示单元；所述图像采集单元获取甲状旁腺实时图像，并通过前处理单元预处理；所述目标推理单元基于RKNN模型对预处理后的图像进行推理，获取合理的检测框；所述后处理展示单元调用NMS非极大值抑制过滤重复的框，最后对原图像进行标框并展示推理结果。本发明实现了在嵌入式平台上对甲状旁腺的实时检测。
-
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
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。
-
公开(公告)号：CN119442867A
公开(公告)日：2025-02-14
申请号：CN202411481166.X
申请日：2024-10-23
Applicant: 福州大学至诚学院
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06F111/06
Abstract: 本发明涉及一种基于机器学习的TC4钛合金钻削工艺参数多目标优化方法，属于机械加工领域。所述方法以表面粗糙度、能耗、出口毛刺高度以及材料去除率作为优化目标，将钻削TC4钛合金实验所产生的数据用于训练机器学习模型，并基于训练后的模型建立群智能优化算法的适应度函数，提出了一种把极限学习机(ELM)与改进鲸鱼优化算法(IWOA)相结合的算法(ELM‑IWOA)，旨在优化TC4钛合金钻削工艺参数。
-
公开(公告)号：CN113298030B
公开(公告)日：2022-08-02
申请号：CN202110664516.6
申请日：2021-06-16
Applicant: 福州大学
Abstract: 本发明提出一种轻量级隐私保护外包脑电信号特征提取方法，其允许边缘服务器在无法获取明文脑电信号数据的前提下对用户上传的脑电信号数据进行特征提取；同时，为了实现对脑电信号的隐私保护，设计了一系列安全外包计算协议，以此来实现对加密脑电信号的特征提取；此外，为了提高脑电信号的信噪比，利用TRCA来对脑电信号进行空间滤波；最后，为了减少用户与服务器之间的响应延迟，引入了边缘计算技术。保证了不泄露原始脑电信号数据有关隐私的信息。该技术方案在确保脑电信号中的相关信息隐私安全性的同时，实现了外包脑电信号的特征提取，且降低了用户本地计算和通信成本。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.056 seconds)
