-
公开(公告)号：CN112686276A
公开(公告)日：2021-04-20
申请号：CN202110105436.7
申请日：2021-01-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于改进RetinaNet网络的火焰检测方法，S1：收集N张有火焰画面的图片作为训练数据集，并对训练数据集中火焰进行标注；S2：使用SandGlass模块替换残差模块，从而得到改进的RetinaNet网络，记为SG‑ResNet50；所述SandGlass模块包括依次连接的第一深度可分离卷积、第一卷积、第二卷积和第二深度可分离卷积；S3：构建特征金字塔网络，且在特征金字塔网络输出的每一层特征后增加一个分割分支；S4：对构建的改进的RetinaNet网络进行训练，得到训练完成的火焰检测模型；S5：采用步骤S4中得到的火焰检测模型对获取的视频进行火焰检测。本发明使用SandGlass模块代替现有RetinaNet网络的残差模块，提升了火焰检测的速度；利用火焰的颜色特性提供分割的监督信号，提升了火焰检测的精度。
-
公开(公告)号：CN102708371A
公开(公告)日：2012-10-03
申请号：CN201210120164.9
申请日：2012-04-23
Applicant: 重庆大学
Abstract: 本发明根据漫画构成文法提出了一种对漫画方格进行自动识别、抽取与排序的方案，从而减少大量的手动分割工作。同时分割后的漫画方格可以放在屏幕较小的手机或PDA上阅读，使漫画阅读方便、简单、生动。本发明通过检测漫画图片中的直线，针对漫画帧、漫画分割线以及漫画帧排布的特点提出了一种迭代分割法对漫画帧进行识别并排序，然后利用二叉树结构储存分割的漫画帧。经过实验证明该方法能把大多数漫画的漫画帧，即漫画方格识别分割出来，并按故事情节的先后顺序排列。
-
公开(公告)号：CN117330072A
公开(公告)日：2024-01-02
申请号：CN202311247856.4
申请日：2023-09-26
Applicant: 重庆大学
IPC: G01C21/20 , G06V10/764 , G06V10/774 , G06V10/42 , G06V10/82 , G06N3/0464 , G01C21/16
Abstract: 本发明属于机器人视觉导航技术领域，具体公开了一种基于目标驱动和内在动机探索的视觉导航方法及系统，该方法包括如下步骤：S1，生成离线数据集；S2，将当前时刻的观测图像和目标图像输入特征提取模块中，提取当前时刻的特征向量；S3，将特征向量输入A3C网络，预测最优导航动作，和环境交互，得到下一时刻的观测图像和外部奖励；S4，将观测图像、目标图像和S2步骤中的特征向量输入到内在奖励计算模块，得到内在奖励，结合外部奖励计算出损失值，更新特征提取模块和深度强化学习模型的网络参数。采用本技术方案，通过预测观测图像、目标图像的深度图和语义分割图，提高在仿真室内环境的导航能力，解决导航中的奖励稀疏问题，提高模型的收敛速度。
-
公开(公告)号：CN113870137A
公开(公告)日：2021-12-31
申请号：CN202111158398.8
申请日：2021-09-30
Applicant: 重庆大学
Abstract: 本发明公开了一种由梯度指导、自相似性修正的低剂量CT图像去噪方法、系统。所述由梯度指导、自相似性修正的低剂量CT图像去噪方法，包括以下步骤：S1，根据梯度提取算子获得第一图像的含噪梯度图像，记作第一含噪梯度图像；提取第一图像和第一含噪梯度图像的浅层特征，分别记作第一图像浅层特征和第一梯度浅层特征；S2，进行m次梯度指导和自相似修正；S3，将最后一次梯度指导和自相似修正得到的第三图像特征重建为与第一图像大小一致的第二图像，输出第二图像。
-
公开(公告)号：CN113870137B
公开(公告)日：2024-05-21
申请号：CN202111158398.8
申请日：2021-09-30
Applicant: 重庆大学
IPC: G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种由梯度指导、自相似性修正的低剂量CT图像去噪方法、系统。所述由梯度指导、自相似性修正的低剂量CT图像去噪方法，包括以下步骤：S1，根据梯度提取算子获得第一图像的含噪梯度图像，记作第一含噪梯度图像；提取第一图像和第一含噪梯度图像的浅层特征，分别记作第一图像浅层特征和第一梯度浅层特征；S2，进行m次梯度指导和自相似修正；S3，将最后一次梯度指导和自相似修正得到的第三图像特征重建为与第一图像大小一致的第二图像，输出第二图像。
-
Patent Agency Ranking
公开(公告)号：CN117455884A
公开(公告)日：2024-01-26
申请号：CN202311504679.3
申请日：2023-11-13
Applicant: 重庆大学
IPC: G06T7/00 , G06V10/25 , G06V10/34 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于特征细化和纹理增强的超声图像结节检测方法及系统，该方法包括：获取待测超声图像，设置双向特征细化金字塔模块和纹理注意力模块并嵌入检测网络中；将预处理后的待测超声图像输入检测网络，通过特征提取模块提取四层特征图并输入双向特征细化金字塔模块和纹理注意力模块中，进行特征细化和纹理增强，得到五层特征图，通过区域推荐网络生成候选区域；对每个生成的候选区域进行感兴趣区域池化操作，提取固定维度的特征并输入到检测网络的检测头模块中，得到最终的检测结果。本发明通过双向特征细化金字塔模块和纹理注意力模块，增强特征图中的结节特征，增强网络对于结节检测的准确性。
-
公开(公告)号：CN117197587A
公开(公告)日：2023-12-08
申请号：CN202311357036.0
申请日：2023-10-19
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/80 , G06V10/26 , G06V10/82 , G06N3/0464 , G06V10/25 , G16B20/00
Abstract: 本发明属于染色体核型分析技术领域，具体公开了一种基于深度学习的染色体核型分析方法及系统，该方法包括如下步骤：S1，获取染色体的细胞分裂中期图像并进行预处理；S2，提取图像的特征F；S3，利用多个建议框对特征F进行剪裁，获取特征F1～Fn；S4，去除特征F1～Fn的公共特征得到修正的特征f1～fn，并进行分类得到预测分类结果，使用损失函数IG Loss和CE Loss进行联合监督；S5，对建议框进行微调，并使用CE Loss对微调结果进行监督，S6，根据预测分类结果，使用二进制交叉损失BCE Loss对其进行监督，得到染色体的核型分析结果。采用本技术方案，使用深度学习和分割框完成染色体核型分析，并根据染色体的特点针对性地优化染色体分类的效果，提高整体性能。
-
公开(公告)号：CN112686214A
公开(公告)日：2021-04-20
申请号：CN202110105379.2
申请日：2021-01-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于Retinaface算法的人脸口罩检测系统和方法，具体包括：S1：从监控系统中获取视频数据并进行处理得到待识别图像；S2：将待识别图像输入Retinaface算法模型，以对人脸进行识别得到人脸图像；S3：将人脸图像输入构建的口罩识别模型，输出概率值；若该概率值大于第一阈值，则表示该人脸戴了口罩，用绿色表示；若小于第一阈值，则表示该人脸未戴口罩，用红色表示。本发明在Retinaface算法模型上结合口罩检测模型，以对人脸口罩进行检测，且提高了口罩的检测速度和精度。
-
公开(公告)号：CN119763108A
公开(公告)日：2025-04-04
申请号：CN202411760627.7
申请日：2024-12-03
Applicant: 重庆大学
IPC: G06V20/69 , G06T7/00 , G06V10/25 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/44 , G06V10/54 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明提出了一种基于视觉大模型和自监督学习的全片骨髓细胞自动计数方法及系统，采用RO I分割模型从所述骨髓涂片中分割出感兴趣区域；采用TO I分类模型从与感兴趣区域相对应的骨髓涂片中切出切片，并进行二分类以选择感兴趣切片；采用基于视觉大模型的细胞分割模型对感兴趣切片上的所有细胞进行分割；采用基于自监督学习的细胞分类模型对细胞进行分类，最后再计数。本发明具有强泛化性、高准确性，能为各医疗中心的病理学家提供有价值的参考。
-
公开(公告)号：CN116309306A
公开(公告)日：2023-06-23
申请号：CN202310040512.X
申请日：2023-01-12
Applicant: 重庆大学
IPC: G06T7/00 , G06V10/75 , G06V10/774 , G06V10/44 , G06V10/25
Abstract: 本发明公开一种多视角螺钉缺失检测方法及系统，包括S1：获取每个螺钉的多视角图像，多视角图像包括多个单一视角图像；S2：采集每个螺钉的无缺失图像并进行预处理得到模板图像，标记模板螺钉和模板关键点，计算第一夹角和第一边的长度；S3：对S1中待测螺钉的多视角图像进行识别，用第一标记将其中的螺钉标记，用第二标记将两个关键点标记；S4：计算模板螺钉在待测螺钉的单一视角图像中的位置i，并以i为圆心、r为半径确定待测区域，若待测区域内有第一标记存在，则认为螺钉未缺失，否则认为螺钉缺失；S5：对待测螺钉的多个单一视角图像的检测结果进行统计，得到多视角检测结果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.057 seconds)
