-
公开(公告)号：CN114581453B
公开(公告)日：2025-05-20
申请号：CN202210251549.2
申请日：2022-03-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于多轴面特征融合二维卷积神经网络的医学图像分割方法，属于图像处理领域。该方法包括：对训练集数据进行灰度归一化处理和分块随机取样；搭建多轴面特征融合网络模型；将同一图像块分别沿X轴和Y轴旋转90°，得到同一区域的三个输入图像块，对三个图像块进行切片，然后输入对应的网络分支进行特征融合；在上采样的最后一次双线性插值操作后进行概率图融合；在三个分支的最后一次卷积操作后，将三个概率图进行平均求值，再经过激活函数得到最终的分割结果图。本发明实现对图像空间特征的充分利用，使得分割结果更加精准。
-
公开(公告)号：CN116229055A
公开(公告)日：2023-06-06
申请号：CN202211607936.1
申请日：2022-12-14
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于注意力机制和多维特征融合的图像分割方法，属于图像处理领域，包括以下步骤：S1：获取并预处理图像，对训练样本按照预设大小进行随机取块并组成训练集；S2：搭建基于多维特征信息与注意力机制的网络模型，包括：编码器：采用二维与三维特征提取自适应融合机制，从多轴面、多维度提取特征，替换传统3D卷积，池化层使用2×2×2的最大池化；解码器：采用注意力机制与多尺度特征的融合及深监督的策略，使用三线性插值的方式进行分辨率还原，最后经过激活函数得到最终的分割结果图；S3：对网络进行调参，将验证数据效果最好的模型进行保存，并对每一个数据进行验证，经过多次交叉验证取最优模型，从而进行图像分割。
-
公开(公告)号：CN113516671A
公开(公告)日：2021-10-19
申请号：CN202110902377.6
申请日：2021-08-06
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于U‑net和注意力机制的婴幼儿脑组织分割方法，属于图像处理领域。该方法包括如下步骤：对训练样本按照32×32×32像素大小随机取一定的样本组成训练集；搭建Dense‑Unet网络模型；使用Dense‑Unet网络模型对训练集进行训练、调参，得到最佳分割模型并保存；比较模型预测结果和手工标签的结果，得到易分错区域的分布图；使用高斯函数对每个样本的易分错区域的分布图进行模糊化，并求平均值；对训练样本按照一定比例组成训练集；设计一个包含空间和易分错区域的自注意力机制加入到网络模型中；使用新的网络模型对训练集进行训练、调参，得到最佳分割模型并保存。
-
公开(公告)号：CN118154567A
公开(公告)日：2024-06-07
申请号：CN202410342045.0
申请日：2024-03-25
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06T7/10 , G06T7/13 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及一种基于细化边界信息的脑肿瘤图像分割方法，属于数字图像处理领域。该方法包括：获取脑肿瘤图像数据，并对图像数据进行切片以将三维图像转换为二维图像；通过级联分割模型对二维图像进行粗分割；采用边界检测算法提取出粗分割结果的边界轮廓信息，并将边界轮廓信息、粗分割结果以及二维图像输入数据融合网络中，以增强图像的边界信息；将数据融合网络的输出送入编码阶段，得到具有纹理信息和语义信息的图像特征；将数据融合网络的输出以及边界轮廓信息送入解码阶段得到分割预测结果。本发明可以在不引入其他任务的情况下细化边界信息，提高网络模型对边界信息的学习，提高网络模型的性能。
-
公开(公告)号：CN116205936A
公开(公告)日：2023-06-02
申请号：CN202310350733.7
申请日：2023-04-04
Applicant: 重庆邮电大学
IPC: G06T7/11 , G06N3/0464 , G06N3/08 , G06T17/00 , G06T9/00 , G06V10/80 , G06V10/774
Abstract: 本发明涉及一种引入空间信息和注意力机制的图像分割方法，属于图像分割领域。具体包含如下步骤：S1：数据准备阶段：预处理大脑医学影像，从预处理过的图像中裁剪出图像块；S2：特征编码阶段：通过预激活的3D卷积提取图像特征；S3：特征解码阶段：将编码阶段得到的特征图通过反卷积以及具有位置编码的注意力机制恢复原图像尺寸大小，完成图像分割过程。本发明通过注意力机制去关注空间信息，提升了网络分割性能。
-
Patent Agency Ranking
公开(公告)号：CN116012401A
公开(公告)日：2023-04-25
申请号：CN202211607939.5
申请日：2022-12-14
Applicant: 重庆邮电大学
IPC: G06T7/13 , G06V10/40 , G06V10/82 , G06V10/80 , G06V10/774
Abstract: 本发明涉及一种引入特征融合与边缘检测的图像分割方法，属于图像分割领域，包括以下步骤：S1：数据准备阶段：获取并预处理脑组织图像，将预处理后的图像分为训练集和验证集，将三维图像切成预设大小的图像块；S2：特征编码阶段：通过普通3D卷积以及可形变3D卷积提取图像特征；S3：特征解码阶段：将编码阶段的特征传递融合，利用上采样恢复图像特征；S4：边缘检测阶段：取编码阶段的三层特征作为提取边缘信息的来源，利用边缘信息聚合模块对三层特征充分学习，最终学习到边缘信息；将此阶段的结果与步骤S3中恢复的图像特征的结果拼接，得到分割结果。
-
公开(公告)号：CN114330506A
公开(公告)日：2022-04-12
申请号：CN202111497619.4
申请日：2021-12-09
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明涉及一种引入噪声信息和构建相似度空间的小样本识别方法，属于数字图像处理领域。该方法包含如下步骤：预训练阶段：噪声干扰阶段；生成新的支撑集；构建相似度空间阶段：分别计算基础数据集中每个类的特征中心支持集和查询集中每个类的特征中心间的相似性。该相似度用于替换原始支持集和查询集的特征，在相似度空间中形成新的特征表示；分类阶段：通过全连接层融合前两阶段结果，然后用余弦相似度进行分类得出结果。本发明在传统图像特征的基础上引入噪声信息，并构建相似空间，应用在小样本图像识别任务中可以更好的增加图像类别之间的差异性。同时，与其他方法相比，我们的方法拥有更小的计算量，更快的计算速度。
-
公开(公告)号：CN107122776A
公开(公告)日：2017-09-01
申请号：CN201710243464.9
申请日：2017-04-14
Applicant: 重庆邮电大学
CPC classification number: G06K9/3258 , G06K9/34 , G06K9/4647 , G06K9/4652 , G06K9/6277 , G06N3/084
Abstract: 本发明请求保护一种基于卷积神经网络的交通标志检测与识别方法，属于数字图像处理和机器学习领域。包括步骤：首先，将预处理后的RGB图像转换到HSV颜色空间，通过阈值设定得到感兴趣区域。然后，设计区分交通标志与非交通标志的二分类卷积神经网络，以此来判断感兴趣区域是否为交通标志。得到交通标志的位置后，使用基于卷积神经网络的交通标志识别方法，调整卷积神经网络的层数、特征图数量等参数，通过大量训练样本来学习网络中的参数，进而识别不同位置的交通标志的类别。实验表明，该方法对交通标志的变形、局部遮挡、倾斜等具有较好的适应性，在识别效果和识别效率方面均体现了良好的性能。
-
公开(公告)号：CN118071781A
公开(公告)日：2024-05-24
申请号：CN202410357709.0
申请日：2024-03-27
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种强化边界信息的脑组织图像分割方法，属于数字图像处理技术领域，包括以下步骤：S1：获取脑组织图像数据集并进行预处理，将预处理后的数据集划分为训练集和测试集；S2：利用边界检测算法Sobel提取脑组织图像的边界轮廓信息，并与原图特征信息进行特征融合；S3：构建脑组织分割网络模型，使用训练集训练所述脑组织分割网络模型，然后使用测试集对脑组织分割网络模型进行测试；S4：使用训练并测试完成的脑组织分割网络模型对脑组织图像进行分割：将融合后的特征图输入脑组织分割网络模型的编码器网络进行特征提取，再通过解码器网络得到分割结果。本发明通过强化边界网络提升了脑组织分割任务的精度。
-
公开(公告)号：CN110866565A
公开(公告)日：2020-03-06
申请号：CN201911176738.2
申请日：2019-11-26
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于卷积神经网络的多分支图像分类方法，属于图像处理领域，该方法包含如下步骤：S1：提取主干神经网络中的各个尺度的特征图；S2：对相邻的特征图相加形成多个分支并且每个分支设置单独的一个输出；S3：结合主干网络的输出，通过投票各个输出的结果得到一个辅助输出，最后选取所有输出中准确率最高的。最后，本发明方法能够准确的对图像分类，在各个数据库上都有较高的识别效果。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.022 seconds)
