-
公开(公告)号：CN117053797A
公开(公告)日：2023-11-14
申请号：CN202311052899.7
申请日：2023-08-21
Applicant: 重庆邮电大学
IPC: G01C21/20
Abstract: 本发明涉及一种基于多目视觉下的大气偏振导航方法，属于偏振光导航领域。该方法包括：S1：利用偏振采集装置获取偏振角度为0°、45°、90°的三幅灰度图像，并获得当前状态下天空的DOP和AOP；S2：分别对DOP和AOP进行特征提取及处理，得到DOP的极点位置信息和AOP特征点集；S3：将三幅灰度图像输入卷积神经网络，对当前天气进行判决，根据判决结果选择最优解法；由最优解法解得太阳子午线位置，再解出载体坐标系下太阳方位角；S4：利用当前年份和日期以及实时时间，计算得到当前时刻导航坐标系下太阳方位角；S5：使用太阳方位角为中间桥梁，得到载体坐标系和导航坐标系的相对关系，最终得到载体行进方向。
-
公开(公告)号：CN109389091B
公开(公告)日：2022-05-03
申请号：CN201811230112.0
申请日：2018-10-22
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于神经网络和注意力机制结合的文字识别系统及方法，具体包括：卷积神经网络特征提取模块，用于文字图像的空间特征；将卷积神经网络提取的空间特征输入到双向长短期记忆网络模块，双向长短期记忆网络能够提取文字的序列特征；将提取的特征向量进行语义编码，然后通过注意力机制分配特征向量的注意力权值，让注意力集中在权值较高的特征向量；模型的解码部分，通过嵌套长短期记忆网络实现，将注意力提取到的特征和前一时刻的预测信息作为嵌套长短期记忆网络的输入，前后均采用长短期记忆网络的目的是为了保持特征向量的时间特性，使模型注意位置点随着时间不断变化；本发明能够更准确的检测自然场景中的文字区域，并且对小目标文字和倾斜角度小的文本有很好的检测效果。
-
公开(公告)号：CN113486969A
公开(公告)日：2021-10-08
申请号：CN202110801457.2
申请日：2021-07-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于改进的Resnet网络的X光图像分类方法，属于图像处理技术领域。该方法将X光图像数据集作为图像输入，通过SMOTE数据扩充算法得到模型的训练、测试和验证数据集；分类模型采用残差网络ResNet为模型基本框架，通过在残差网络ResNet中加入挤压激励网络并将其进行捷径连接；模型中普通方形卷积核中加入了水平卷积和垂直卷积组成非对称卷积结构，突显局部关键特征和加快训练效率；采用焦点损失函数，整个网络会根据损失函数调整每种疾病的损失值，以得到对疾病分类能力更强的网络模型。本发明能够解决数据不平衡分布带来的问题，并增强特征信息提取能力，提高模型整体性能，从而提高对X光图像分类的准确度。
-
公开(公告)号：CN120070515A
公开(公告)日：2025-05-30
申请号：CN202510183695.X
申请日：2025-02-19
Applicant: 重庆邮电大学
Abstract: 本发明公开了用于骨科手术导航的点云配准硬件加速方法及系统，涉及医疗手术中注册空间配准技术领域，解决了现有骨科手术导航术中空间配准算法存在的点云配准计算成本大、耗时长、配准精度低的问题，方案要点：获取电磁定位系统中实际注册的骨头点云数据；将骨头点云数据导入FPGA；基于DSP模块对骨头点云数据进行点云粗配准得到初始变换矩阵；基于初始变换矩阵进行点云精配准得到最优变换矩阵；其中K‑D Tree点云数据拓扑结构构建和最近邻点搜索分别由FPGA中的树拓扑结构数据模块和最近邻点搜索模块执行，其余步骤由FPGA中的嵌入式CPU执行；采用粗配准和精配准结合FPGA加速，降低成本、加快点配准速度、提高配准精度。
-
公开(公告)号：CN120014291A
公开(公告)日：2025-05-16
申请号：CN202510076953.4
申请日：2025-01-17
Applicant: 重庆邮电大学
IPC: G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了基于YOLOv10的小目标检测模型优化方法和检测方法，涉及计算机图像处理技术领域。优化方法包括：以YOLOv10模型为基础模型，使用基于动态上采样器和时频域特征提取模块的多尺度融合结构作为改进的YOLOv10模型的颈部网络；且在YOLOv10模型的检测头部分增加小物体检测头，得到改进的YOLOv10模型。本发明通过对YOLOv10模型的特征融合和检测头的改进，增强模型在处理自然图像数据时的鲁棒性和表示能力，减少了计算负荷，结合增加的小物体检测头，提升了模型对中小目标物体的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN118134763A
公开(公告)日：2024-06-04
申请号：CN202410291106.5
申请日：2024-03-14
Applicant: 重庆邮电大学
IPC: G06T3/4053 , G06T3/4076 , G06V10/40 , G06V10/44 , G06N3/045 , G06N3/048 , G06N3/0464 , G06V10/77 , G06N3/08
Abstract: 本发明公开了一种超分辨率图像重建方法及装置，涉及图像处理技术领域。方案包括：S1，通过浅层特征提取模块提取原始图像的浅层特征；S2，通过深层特征提取模块对浅层特征进行处理，得到深层特征；S3，通过卷积层对深层特征进行卷积处理，得到卷积特征；S4,卷积特征施加通道注意力机制和空间注意力机制，得到重建的超分辨率图像。本发明将空间注意力机制与通道注意力机制融合，提取更深层次的特征信息以获取高分辨率图像，从而提升模型的处理图片质量的性能，仅增加少量的运算成本即大幅提高重建质量，解决了现有超分辨率网络结构复杂、计算和模型训练成本高的问题。
-
公开(公告)号：CN116071589A
公开(公告)日：2023-05-05
申请号：CN202310076261.0
申请日：2023-01-18
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于深度学习的内窥镜烟雾图像分类方法，属于图像处理领域，包括以下步骤：S1：挑选腹腔镜图像，将其中一部分图像进行渲染得到有雾数据集，与未渲染的无雾数据集共同作为训练集和测试集，在训练集和测试集的无雾和有雾图像的比例为4:1；S2：在Poolformer网络基础上改进，将token mixer部分替换为类似ConvNext的多路分支结构作为训练网络，利用训练集进行训练；S3：在预测训练时将ConvNext Block转化成类似RepVgg的单路结构RepConvNext Block进行预测；S4：输入图像经过级联网络输出烟雾类别的概率值，通过概率值确认疑似烟雾图像类别。
-
公开(公告)号：CN113327258A
公开(公告)日：2021-08-31
申请号：CN202110801472.7
申请日：2021-07-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于深度学习的肺部CT图像识别方法，属于图像处理技术领域。该方法包括以下步骤：S1：获取原始肺部CT图像数据集；S2：使用改进的U‑Net网络对原始肺部CT图像数据集进分割，其中改进的U‑Net网络使用Focal Loss作为损失函数提高肺区分割能力；S3：使用分割后的肺部CT图像作为训练集和测试集，将训练集输入CCT网络进行训练；S4：将测试集输入至训练好的CCT网络，输出病症类别的概率值，通过概率值确认检测患者的肺部CT图像类别。本发明大大减少了训练所需的计算资源，同时提高了图像识别的精确度。
-
公开(公告)号：CN111481192A
公开(公告)日：2020-08-04
申请号：CN202010323589.4
申请日：2020-04-22
Applicant: 重庆邮电大学
IPC: A61B5/0456 , G06K9/62 , G06N3/04 , G06N3/08 , A61B5/00
Abstract: 本发明涉及一种基于改进U-Net的心电信号R波检测方法，属于心电信号技术领域该方法主要包括如下几个要点：1)对获取的心电数据进行预处理；2)将经过预处理的心电数据输入训练好的U-net网络模型中；3)获取U-net网络模型输出的心电信号分割数据；4)结合组平均聚类算法对分割结果进行优化，最终输出R波位置。与传统的R波检测方法相比，本发明引入深度学习中的分割网络，提高了在强噪声或波形异常环境下R波检测的正确率，该方法具有较好的定位灵敏度和鲁棒性。
-
公开(公告)号：CN118691967A
公开(公告)日：2024-09-24
申请号：CN202410728768.4
申请日：2024-06-06
Applicant: 重庆邮电大学
Abstract: 本发明公开了基于改进YOLOv8的遥感图像目标检测方法及系统，具体涉及计算机视觉技术领域，本技术方案要点为：改进的YOLOv8目标检测网络为将初始YOLOv8的Backbone和Neck中所有CONV卷积模块替换为下采样RFD模块，以及将初始YOLOv8的Head中所有CONV卷积模块替换为DDB模块；下采样RFD模块包括SRFD子模块和DRFD子模块，SRFD子模块替换Backbone中图像输入端的CONV卷积模块，Backbone和Neck中剩余的CONV卷积模块均采用DRFD子模块替换。通过替换为下采样RFD模块，能够通过各种下采样技术提取多个特征图，然后将多个特征图进行融合以生成一个更具有鲁棒性且包含互补特性的特征图；通过替换为DDB模块，通过组合不同尺度和复杂度的多样分支来丰富特征空间。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
