-
公开(公告)号：CN112309550A
公开(公告)日：2021-02-02
申请号：CN202011252130.6
申请日：2020-11-11
Applicant: 复旦大学
Abstract: 本发明提供了一种多维医疗影像数据存储管理系统，用于根据用户的外部请求对多个患者的多维医疗影像数据进行处理得到疾病名称不同的复数个分类数据从而能为用户提供可用的训练数据包，其特征在于，包括：多维医疗影像数据存储模块、画面存储模块、API接入模块、路由模块、数据接口模块以及显示模块。其中，数据接口模块包括数据标准化部以及数据获取部，数据标准化部包括数据清洗单元、数据标准化单元以及数据持久化单元。数据清洗单元对多维医疗影像数据清洗，数据标准化单元进行脱敏操作以及提取标准化字段信息，数据持久化单元进行持久化入库得到分类数据，数据获取部对分类数据进行打包处理得到训练数据包。
-
公开(公告)号：CN111901562A
公开(公告)日：2020-11-06
申请号：CN202010696441.5
申请日：2020-07-20
Applicant: 复旦大学
IPC: H04N7/18 , G08B13/196
Abstract: 本发明提供一种面向校园的音视频智能监控系统，在该音视频智能监控系统中，因为通过监控服务器的车辆识别部对所有目标车辆进行识别得到目标车辆识别结果，轨迹记录部又根据目标车辆识别结果对目标车辆不同时间下对应的位置信息按照目标车辆被采集终端抓拍到时间先后顺序一一记录，形成车辆轨迹信息，服务侧通信部将记录的所有车辆轨迹信息发送到监控终端显示，安保人员通过查看车辆轨迹，从而实时掌握车辆行驶动态，不需要安保人员对车辆进行人工跟踪，节省人力和时间，有利于安保人员及时预防校园安全事故以及对已发生的校园安全事故采取相应的补救措施，将损失和伤害降到最低。
-
公开(公告)号：CN110991444A
公开(公告)日：2020-04-10
申请号：CN201911133792.9
申请日：2019-11-19
Applicant: 复旦大学
Abstract: 本发明提供一种面向复杂场景的车牌识别方法，用于对复杂场景下的待测图像进行车牌识别从而识别出车牌的字符识别结果，其特征在于，包括：步骤S1，对待测图像进行预处理得到预处理图像集；步骤S2，搭建YOLOv3车牌检测模型；步骤S3，训练车牌检测训练集对YOLOv3车牌检测模型；步骤S4，搭建端到端的车牌识别卷积神经模型；步骤S5，训练端到端的车牌识别卷积神经模型；步骤S6，将预处理图像集输入训练完成的YOLOv3目标检测模型进行车牌目标检测从而得到车牌位置；步骤S7，依次根据车牌位置对相应的待测图像进行处理从而得到车牌图像集；步骤S8，将车牌图像集输入训练完成的端到端的车牌识别卷积神经模型得到车牌的字符识别结果。
-
公开(公告)号：CN110852383A
公开(公告)日：2020-02-28
申请号：CN201911100964.2
申请日：2019-11-12
Applicant: 复旦大学
Abstract: 本发明提供一种基于注意力机制深度学习网络的目标检测方法，其特征在于，通过含有注意力机制模块的目标检测模型对待检测图像进行特征图提取并从中检测出目标的位置和类别，注意力机制模块包括：至少一个注意力模块M1，用于根据特征图生成相同大小注意力权重矩阵并作用于该特征图；至少一个注意力感受野模块M2，用于对特征图进行特征提取；以及至少一个注意力特征融合模块M3，用于对网络不同层次的特征进行融合。该目标检测方法在具有高检测准确率的基础上还保证了高检测速度，同时模型的结构简洁且计算量小。
-
公开(公告)号：CN110288508A
公开(公告)日：2019-09-27
申请号：CN201910561585.7
申请日：2019-06-26
Applicant: 复旦大学
IPC: G06T1/20
Abstract: 本发明提供一种面向均匀分布的超高分辨率图像局部稀疏加速处理方法，用于进行局部采样的加速处理从而显著增加对超高分辨率图像的处理速度，其特征在于，包括如下步骤：步骤S1，通过对超高分辨率图像Fgl进行全局处理，得到全局适用的处理参数Wgl；步骤S2，将超高分辨率图像Fgl均匀切分为N份，对图像信息进行局部稀疏采样得到局部采样图Flo；步骤S3，将处理参数Wgl应用于局部采样图Flo，进行图像处理得到局部采样图Flo的局部处理结果Rlo；步骤S4，将局部处理结果Rlo与切分个数N进行协同推理，得到全局处理结果Rgl。
-
Patent Agency Ranking
公开(公告)号：CN108846016A
公开(公告)日：2018-11-20
申请号：CN201810422499.3
申请日：2018-05-05
Applicant: 复旦大学
Abstract: 本发明属于文本搜索引擎技术领域，具体为一种面向中文分词的搜索算法。本发明算法主要分为两个阶段：离线构建索引阶段和在线查找阶段。在离线构建索引阶段，首先提取所有原始字符串集合的后缀串集合，然后由后缀串集合生成改进的后缀树；在在线查找阶段，首先根据基于后缀树的索引模型得到关键词的查询结果，然后量化关键词和查询结果的匹配程度，最后将查询结果按匹配程序由高到低排序后返回。本发明通过一种改进的基于后缀树的索引结构来平衡索引构建时间和占用空间，使用本发明的索引结构的搜索效率远高于对结果集暴力计算匹配度并排序的效率。
-
公开(公告)号：CN108596143A
公开(公告)日：2018-09-28
申请号：CN201810435661.5
申请日：2018-05-03
Applicant: 复旦大学
Abstract: 为提供一种既能够完成大规模的人脸识别，又能够减小计算量从而降低硬件需求、减少训练所需时间的人脸识别方法及装置，本发明提供了一种基于残差量化卷积神经网络的人脸识别方法，包括如下步骤：步骤S1，构建卷积神经网络模型并进行训练；步骤S2，对目标图像进行预处理并对待判定图像进行预处理；步骤S3，将预处理待判定图像及预处理目标图像依次输入特征提取模型，得到待判定特征向量以及目标特征向量；步骤S4，根据目标特征向量以及待判定向量判定一致的人脸图像，其中，步骤S1包括将预定层设定为量化层并对量化层参数进行整数位量化来近似该量化层的参数矩阵的步骤。本发明还提供了基于残差量化卷积神经网络的人脸识别装置。
-
公开(公告)号：CN105184812B
公开(公告)日：2018-08-24
申请号：CN201510428029.4
申请日：2015-07-21
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理及模式识别技术领域，具体为一种基于目标跟踪的行人徘徊检测算法。本发明分为三个阶段，在目标提取阶段，通过Vibe背景差分的方法提取图像中的运动目标，具有较高的时间性能和召回率；在目标跟踪阶段，对提取出的运动目标计算颜色直方图特征，然后利用粒子滤波算法对连续帧进行跟踪以获取目标运动轨迹，在实际场景中拥有较高的鲁棒性和实时性；最后在徘徊判定阶段，使用目标运动轨迹的几何特征进行徘徊判定。本发明具有高实时性和高易实施性，可满足教室、车间、车站、广场等不同场景的检测要求。
-
公开(公告)号：CN103577833A
公开(公告)日：2014-02-12
申请号：CN201210271736.3
申请日：2012-08-01
Applicant: 复旦大学
Abstract: 本发明属于数字图像处理及模式识别技术领域，具体涉及一种基于运动模板的异常闯入检测方法。本发明方法包括：在监控视频中选定感兴趣区域和异常物体尺寸参数，并对差图像进行二值化以去掉超时影响，更新历史图像；然后计算运动历史图像的梯度方向，并将整个运动分割为独立的运动部分，最后计算选择区域的全局运动方向，从而获得运动目标的运动方向。本发明利用运动目标相邻两帧之间在画面上存在的交集，不用外推和相关分析以及轨迹后处理就可以清晰的显示出目标的轨迹、速度与方向。比现有技术的跟踪方法，具有更高的实时性和更好的鲁棒性，较好解决了由于光照变化，摄像头抖动等造成的检测和跟踪异常。
-
公开(公告)号：CN103324956A
公开(公告)日：2013-09-25
申请号：CN201310238940.X
申请日：2013-06-17
Applicant: 复旦大学
IPC: G06K9/66
Abstract: 本发明属于视频处理技术领域，具体为一种基于分布式视频检测的座位统计方法。本发明包括样本库和特征库的建立、分布式视频检测、样本库纠正三个部分。其中，样本库和特征库的建立是实现视频检测设备虚拟化的前提，它将视频中关键帧抽取传递到缓冲池，让检测设备能稳定有序的获取关键帧并进行处理；分布式视频检测是动态地分配任务给多台检测设备组成的计算集群，优化资源配置，进行最大效率的计算处理，检测完成后，通过座位空间域和关键帧时间域的两层融合实时获得检测结果；样本库纠正采用缓冲队列形式，将置信度较低的结果传递给人工判定，添加到样本库，从而有效地提高了二次检测准确率。本发明对于座位统计管理具有很高的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.032 seconds)
