-
公开(公告)号：CN116433680B
公开(公告)日：2025-05-16
申请号：CN202310370170.8
申请日：2023-04-10
Applicant: 西南石油大学
IPC: G06T7/10 , G06T5/50 , G06T5/70 , G06T3/4038 , G06T3/4046 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种基于深度学习的骨显像病灶分割方法。该方法先对采集到的骨显像图像进行预处理，首先构建Encoder模块，对采用Swin Transformer编码部分对骨显像图像进行编码提取病灶特征，然后构建注意力汇聚模块对编码器输出的特征图注意力进行汇聚，减少注意力分散，提高局部的特征提取能力；然后构建Decoder模块对注意力汇聚模块输出的特征图进行逐步特征融合减少特征差异，同时将不同分辨率的特征图信息进行融合；最后将融合后的特征图输入线性预测层中得到分割的结果。本发明能够提高骨显像病灶分割的精度。
-
公开(公告)号：CN116244451A
公开(公告)日：2023-06-09
申请号：CN202310332143.1
申请日：2023-03-31
Applicant: 西南石油大学
IPC: G06F16/36 , G06N5/022 , G06F40/295 , G06N3/084 , G06F18/214 , G06F17/14 , G06F18/24 , G06F18/22 , G06N3/04
Abstract: 本发明提出一种融合快速傅里叶变换知识抽取模型的知识图谱构建方法，具体实施方法为：首先标注数据集，并将数据集进行划分；构建加入了傅里叶变换‑幅频特性计算模块的深度学习模型，引入幅频自适应权重系数θ，动态调整θ，来调整模型的特征提取能力，从而快速、准确抽取领域数据知识；接着使用余弦相似度计算词向量相似度，并将余弦相似度与手动设定的阈值比较，大于阈值则融合相关实体；然后根据数据语法结构编制规则模板，并且人工筛选后进行补充或删减，抽取两两实体间的关系；最后将实体和关系按主谓宾三元组关系进行存储，导入图数据库，其中节点表示实体，边表示实体间的关系，从而快速构建知识图谱。
-
公开(公告)号：CN116310515A
公开(公告)日：2023-06-23
申请号：CN202310138285.4
申请日：2023-02-20
Applicant: 西南石油大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06T5/50
Abstract: 本发明提出一种针对小目标数据集的背景置零Mosaic数据增强方法。该数据增强方法，首先对原始训练集进行一份拷贝，将其中一份原始训练集实施选择性局部背景保留的背景置零操作，然后通过选择性局部背景保留的裁剪得到小目标集合，接着通过网格目标粘贴法得到目标粘贴训练集，将另一份原始训练集与目标粘贴训练集进行混合，最后对其进行Mosaic数据增强。本发明增大了小目标在图像中有效像素的比例，使得小目标在进行特征提取时能够有机会不被复杂的背景所淹没。同时，本发明克服了以往小目标数据集通过裁剪粘贴等手段导致小目标不自然重叠的缺点，能够有效提高小目标数据集的识别精度。
-
公开(公告)号：CN117011142A
公开(公告)日：2023-11-07
申请号：CN202310991773.X
申请日：2023-08-08
Applicant: 西南石油大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本发明提出一种基于改进的生成对抗网络提高图像分辨率方法。方法具体步骤如下：(1)构建图像高低对应的分辨率数据集；(2)生成器网络中，引入残差密集块替代原始生成对抗网络模型的基本卷积块，去掉了中的批量归一化层，并将亚像素卷积替换为卷积层和双线性插值操作组合去实现上采样；(3)在鉴别器网络中，将VGG网络更改为改进的U‑Net。第一次卷积操作后加入了注意力机制，后续的四次卷积之前先会使用ReLU函数进行激活，并加入谱归一化技术；(4)构建训练图像的生成器损失模块，该损失加入了TV平滑损失，促使生成的图像更加平滑和连续；(5)利用(1)中构建的数据集对改进的生成对抗网络模型进行训练、验证。
-
公开(公告)号：CN116895007A
公开(公告)日：2023-10-17
申请号：CN202310877467.3
申请日：2023-07-18
Applicant: 西南石油大学
IPC: G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种基于改进YOLOv8n的小目标检测方法。方法具体步骤如下：(1)构建小目标数据集；(2)引入过渡下采样模块替代YOLOv8n模型浅层下采样操作，减少了输入图像由于连续下采样导致的小目标信息丢失；(3)在YOLOv8n模型中分别插入上采样模块和下采样模块，减少了较浅层网络中由于下采样导致的小目标信息丢失；(4)采用融合了改进SwinTransformer‑V2模块的改进C3模块替换YOLOv8n模型中部分C2f模块，加强了小目标信息在主干特征提取网络深层部分的关注度；(5)利用(1)中构建的数据集对改进的YOLOv8n模型进行训练、验证、评价。本发明在减少模型少量参数量、满足实时检测要求的情况下，增加了小目标检测的平均精度均值，减少了误检漏检情况的发生。
-
Patent Agency Ranking
公开(公告)号：CN116416432A
公开(公告)日：2023-07-11
申请号：CN202310392019.4
申请日：2023-04-12
Applicant: 西南石油大学
Inventor： 罗仁泽 , 李华督 , 唐祥 , 王磊 , 雷璨如 , 陈翔 , 吴涛 , 刘恒 , 林泓宇 , 罗任权 , 邓治林 , 余泓 , 谭亮 , 武娟 , 曹瑞 , 赵丹 , 王清松 , 易玺 , 廖波
IPC: G06V10/26 , G06V10/82 , G06V10/776 , G06T7/194 , G06T7/00 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出一种基于改进UNet的管道焊缝图像分割方法。该方法首先先对采集到的管道焊缝图像数据进行预处理并建立数据集，然后构建改进UNet网络管道焊缝图像分割模型，具体实施方法为：首先利用密集连接块结合并行注意力机制构建网络下采样模块，提升模型特征提取能力，再利用深度可分离卷积代替普通卷积，减少了模型计算量与计算量，最后使用加权Dice和交叉熵函数结合的新损失函数，缓和管道焊缝图像中焊缝区域与非焊缝区域占比不均衡的情况；最后利用数据训练集对模型进行参数训练，并将测试集图像输入训练好的网络模型，得到分割后的图像；本发明的分割模型对管道焊缝图像的目标分割精度高，分割效果好。
-
公开(公告)号：CN116309362A
公开(公告)日：2023-06-23
申请号：CN202310138371.5
申请日：2023-02-20
Applicant: 西南石油大学
IPC: G06T7/00 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种基于改进辅助分类生成对抗网络的骨显像生成方法，针对现有骨显像数据集数量稀缺、类别不均衡的问题。以密集残差注意力卷积块为基本卷积单位，提出了一种改进的辅助分类生成对抗网络的骨显像生成方法；该方法以U‑Net为生成器框架，同时结合密集残差连接卷积块和双输入门控注意力结构来提升骨显像细节特征生成，判别器通过密集残差连接卷积块提取骨显像特征进行判别；此外，为防止模型出现模式崩溃和梯度消失的情况，在训练损失函数中引入了梯度惩罚，提升模型训练的稳定性。本发明公开的基于改进辅助分类生成对抗网络的骨显像生成方法，有效地提升了生成骨显像的图像质量，能够为后续的骨显像识别任务提供更多的骨显像训练数据。
-
公开(公告)号：CN116229323A
公开(公告)日：2023-06-06
申请号：CN202310221454.0
申请日：2023-03-09
Applicant: 西南石油大学
IPC: G06V20/40 , G06V40/20 , G06V10/774 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/048 , G06N3/08 , G06N3/084 , G06V10/764 , G06N3/047 , G06N3/0464
Abstract: 本发明公开了一种基于改进深度残差网络的人体行为识别方法。包括训练阶段和测试阶段：在训练阶段，使用摄像头获取图像数据集，使用分段采样的稀疏采样策略提取训练视频的原始帧，将提取的原始帧送入通道注意力机制改进深度残差网络的进行训练；在测试阶段，提取测试视频的原始帧，送入训练得到的改进深度残差网络模型，通过softmax分类器判断出最终的行为类别。本发明方法能够根据特征通道的重要程度对重要特征进行增强，对不重要的特征进行抑制，从而提高模型对输入数据的特征提取能力。本发明网络具有较高的运行速度和较高的行为识别准确率以及较低的网络复杂度，特别是在一些复杂动作和较难识别动作中能够提取有效特征具有较好的表现。
-
公开(公告)号：CN116228699A
公开(公告)日：2023-06-06
申请号：CN202310138391.2
申请日：2023-02-20
Applicant: 西南石油大学
IPC: G06T7/00 , G06T5/00 , G06N3/0464
Abstract: 本发明公开了一种融合感知损失和密集残差注意力卷积块的两阶段式骨显像降噪方法，针对骨显像信噪比、分辨率较低，影响医生诊断以及病灶自动检测效果的问题。以密集残差注意力卷积块为基本卷积单位，提出了结合密集残差注意力卷积块的两阶段式骨显像降噪网络，首先通过噪声估计网络估计骨显像的噪声水平，然后采用设计的主干降噪网络得到降噪后的骨显像，最后利用融合感知损失混合损失函数优化骨显像降噪效果。本发明公开的骨显像去噪方法，在有效降低骨显像噪声的同时，也能够保留骨显像的病灶细节特征。
-
公开(公告)号：CN116894782A
公开(公告)日：2023-10-17
申请号：CN202310876849.4
申请日：2023-07-18
Applicant: 西南石油大学
IPC: G06T5/00 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/048 , G06N3/045 , G06V10/40 , G06V10/82 , G06V10/80
Abstract: 本发明提出一种基于生成对抗网络的地震资料随机噪声盲去噪方法。首先对原始数据集按比例划分为训练数据和测试数据，分别在训练和测试数据中加入高斯噪声和未知的随机噪声；训练时将数据送入改进残差模块进行第一次特征粗提取，保证相邻图像像素之间的关联性；随后使用改进通道注意力机制对特征向量进行第二次细提取，保证图像自身特征的完备性；最后通过计算改进的梯度惩罚函数拉大真实样本与假样本之间的差距，不仅节约训练时间，也增强了判别器的判别能力，提高了生成器的特征提取能力。本发明网络具有较好的泛化性以及较高的准确性，特别是在存在一些复杂未知噪声的地震图像去噪方面有较好的表现。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.024 seconds)
