-
公开(公告)号：CN117975039A
公开(公告)日：2024-05-03
申请号：CN202410169442.2
申请日：2024-02-06
Applicant: 西北工业大学
IPC: G06V10/44 , G06V10/10 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种图像处理方法、系统、装置及介质，属于神经网络技术领域，包括：获取待处理的图像；构建用于处理图像的神经网络，神经网络包括多个引入注意力机制的处理模块；引入注意力机制的处理模块用于将输入处理模块的原始特征F在通道维度分成K组特征后；对于每组特征Fk，找出相对应的注意力模块分别处理K组特征得到K个中间张量；将K个中间张量拼接得到最终的特征#imgabs0#将待处理的图像输入用于处理图像的神经网络中，神经网络根据多个引入注意力机制的处理模块输出的特征#imgabs1#输出处理后的图像；该方法能够提升图像处理任务的效果。
-
公开(公告)号：CN116843610A
公开(公告)日：2023-10-03
申请号：CN202310299627.0
申请日：2023-03-25
Applicant: 西北工业大学
IPC: G06T7/00 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/25 , G06V10/82 , G06V10/77 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深浅特征融合的胸片异物检测方法，涉及异物检测技术领域，包括以下步骤：获取胸部X射线图像；将胸部X射线图像输入至基于深浅特征融合的胸片异物检测模型，得到分类结果；通过分类结果对异物进行检测。本发明提出了一种基于深浅特征融合的胸片异物检测方法，提出了一种新的胸部X射线异物检测模型，它同时使用了放射组学特征和深度学习模型学习的特征。通过放射组学特征来弥补小训练数据集上学习到的深度特征，从而提高了在胸部X射线图像中识别和定位多个复杂异物的能力。由于使用了Norm‑Grad方法，可以仅使用图像级别的注释来训练定位异物。
-
公开(公告)号：CN116704184A
公开(公告)日：2023-09-05
申请号：CN202310596653.X
申请日：2023-05-25
Applicant: 西北工业大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种基于DeepU‑Net模型的左心房及疤痕分割方法。包括：步骤1：对训练左心房分割模型的训练数据和训练左心房疤痕分割模型的训练数据进行增强；步骤2：训练左心房分割模型；步骤3：准备左心房疤痕分割模型数据；步骤4：训练左心房疤痕分割模型；步骤5：左心房疤痕测试和后处理。本发明采用加权损失函数和基于距离的正则化项进行约束，可对左心房疤痕实现更精确的分割。本发明采用两阶段的分割方法，一方面减少了左心房疤痕分割受复杂背景的影像，另一方面训练得到的左心房模型也可为其他需要对左心房进行观察的医学诊断场景提供便利。本发明可以更有效地处理数据域偏移的问题。
-
公开(公告)号：CN114677537A
公开(公告)日：2022-06-28
申请号：CN202210212191.2
申请日：2022-03-06
Applicant: 西北工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/26 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/00
Abstract: 本发明提供了一种基于多序列磁共振影像的胶质瘤分级分类方法。首先，通过正投影、拼接融合和随机翻转等对胶质瘤样本序列磁共振影像进行预处理，得到模型训练数据集；然后，利用数据集对构建的多视图分级分类网络模型进行训练；最后，利用模型输出的级别概率对胶质瘤进行分类判定。本发明能够用于多序列磁共振影像数量较少且类别分布不均衡的胶质瘤分级分类处理。
-
公开(公告)号：CN114677383A
公开(公告)日：2022-06-28
申请号：CN202210218396.1
申请日：2022-03-03
Applicant: 西北工业大学
IPC: G06T7/11 , G06T7/136 , G06T7/155 , G06T7/187 , G06T7/62 , G06T7/00 , G06T5/30 , G06V10/25 , G06V10/26 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于多任务学习的肺结节检测分割方法。首先，对CT图像进行预处理，然后，对肺结节检测分割网络模型进行训练。本发明设计的肺结节检测分割网络模型包括特征提取、肺结节候选区域选取、肺结节假阳性去除和肺结节分割四个模块，采用多任务学习策略，引入分割任务辅助肺结节检测，克服了肺结节检测与分割任务中目标体积小、与周围组织对比度低且周围环境复杂的问题，模型复杂度小，且能够同时完成检测和分割两个任务。
-
Patent Agency Ranking
公开(公告)号：CN107180426B
公开(公告)日：2020-12-08
申请号：CN201710418313.2
申请日：2017-06-06
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于可迁移的多模型集成的计算机辅助肺结节分类装置，用于解决现有肺结节分类准确率差的技术问题。技术方案是训练三个预训练的深度卷积神经网络(Pre‑trained DCNN)，分别描述肺结节纹理的异质性、形状的异质性和全局特征，将深度卷积神经网络的结果进行加权平均，每个网络的权重通过误差反向传播机制自适应地进行学习，进而提高肺结节分类的准确率，其中Pre‑trained DCNN将深度卷积神经网络在大数据集上的好的图像表征能力迁移肺结节分类任务上，有效地改善了深度卷积神经网络在小的肺结节数据上训练性能。本发明克服了基于单种信息的分类准确率低的技术问题，准确率达93％。
-
公开(公告)号：CN111242910B
公开(公告)日：2020-09-22
申请号：CN202010015644.3
申请日：2020-01-07
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，首先从原始高光谱影像中选取一些背景像元，通过将这些背景像元构建成一个元素缺失的三阶张量，并通过张量分解技术重构张量中的缺失元素，得到一个对于当前地物背景描述的新三阶张量。通过对这个纯粹由背景重构的三阶张量与原始高光谱遥感影像之间进行区分，从而检测异常。
-
公开(公告)号：CN108491864B
公开(公告)日：2020-05-01
申请号：CN201810163343.8
申请日：2018-02-27
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法。首先，用K‑means算法对多组不同大小的图像块样本进行聚类处理；然后，设计一种新的针对不同尺寸且各类别数量呈非均匀分布样本聚类结果的评价指标，对不同尺寸样本聚类结果进行评价，根据评价结果确定自适应卷积核；最后，对自适应卷积核的卷积神经网络进行训练，并利用训练好的网络对高光谱图像进行分类。由于利用聚类处理和指标评价得到的自适应卷积核可以更加有效的表征数据信息，利用本发明方法可以得到更好的高光谱图像分类结果。
-
公开(公告)号：CN107203783A
公开(公告)日：2017-09-26
申请号：CN201710371308.0
申请日：2017-05-24
Applicant: 西北工业大学
CPC classification number: G06K9/6272 , G06N3/04
Abstract: 本发明公开了一种基于自适应卷积核卷积神经网络的遥感图像像素级分类方法，用于解决现有遥感图像像素级分类方法自适应性差的技术问题。技术方案是首先计算数据点的密度和距离值，然后自适应选取聚类中心为卷积核，最后将学习到的卷积核加入CNN对网络的softmax层进行训练，对训练好的网络进行遥感图像像素级分类。本发明将改进的基于快速寻找和找到密度峰值的聚类算法MCFSFDP，聚类得到自适应卷积核，代入基于预训练卷积核的CNN结构。相对基于K‑means聚类人工设定聚类类别预学习的卷积核的CNN结构相比，自适应学习到的卷积核能够有效表征数速记据信息特点并且提高了遥感图像像素级分类效果。
-
公开(公告)号：CN106874655A
公开(公告)日：2017-06-20
申请号：CN201710027490.8
申请日：2017-01-16
Applicant: 西北工业大学
IPC: G06F19/00
CPC classification number: G16H50/70
Abstract: 本发明涉及一种基于多标记学习和贝叶斯网络的中医症型分类预测方法，通过寻找到中医糖尿病6种症型之间的关系，发掘每个症型存在的隐形“成因”，并将这些“成因”与传统四诊信息结合起来，构造增广特征集来描述样本。最后通过特征选择算法和多标记分类算法来构造分类器，实现对中医临床糖尿病6种常见症型的分类预测。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.033 seconds)
