-
公开(公告)号：CN110443775B
公开(公告)日：2022-12-16
申请号：CN201910534050.0
申请日：2019-06-20
Applicant: 吉林大学
Abstract: 本发明属于多聚焦图像融合技术领域，具体涉及基于卷积神经网络的离散小波变换域多聚焦图像融合方法；该方法包括以下步骤：首先，使用离散小波变换将每个源图像分解为一个低频子带和多个高频子带；第二，将它们输入到不同的卷积神经网络中，以便获得不同的权重图；第三，通过执行一系列处理后重新定义决策图；第四，根据它们的决策图，将频率子带分别融合；最后，通过逆DWT获得融合图像；是一种能够将多聚焦图像融合在一起，获得“全焦点”图像的融合方法，解决了多聚焦图像融合的问题，其融合效果优于传统融合方法，适应性更强，可以高效率的融合多聚焦图像。
-
公开(公告)号：CN115187571A
公开(公告)日：2022-10-14
申请号：CN202210893407.6
申请日：2022-07-27
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于奖励函数引入先验知识的医学图像分割方法，包括如下步骤：获取公开的医学CT图像数据集；基于图像数据集，设计并得到奖励函数；在奖励函数中引入图像数据集中的CT图像的前景‑背景比引入，得到改进的奖励函数；在改进的奖励函数中引入先验知识实例的近似难度，得到最终的奖励函数；使用最终的奖励函数替换强化学习网络中的奖励函数，并进行强化网络训练，最后通过分割网络输出最终的分割结果图。本发明采用将外部先验知识引入到奖励函数的设计，使其朝着有益的方向极大地影响了模型学习的过程，图像中每个像素不仅考虑自身的状态，同时会考虑其它相邻像素的状态，并在约束方向上更新策略，分割结果与真实病变相似。
-
公开(公告)号：CN115115895A
公开(公告)日：2022-09-27
申请号：CN202210896302.6
申请日：2022-07-28
Applicant: 吉林大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08 , G06V10/22 , G06V10/26 , G06V10/40
Abstract: 本发明提供了一种基于注意力机制的爆炸性手机X光图像分类方法，包括：获取所述爆炸性手机X光图像的数据集；构建分类模型，其中所述分类模型包括位置信息注意力模块和残差网络，所述位置信息注意力模块用于对所述爆炸性手机X光图像进行信息自适应聚合和重建；改进损失函数，基于改进后的所述损失函数对所述分类模型进行训练，通过训练后的所述分类模型对所述数据集中的图像进行特征提取，获取分类结果。本发明采用位置信息注意力模块引入到残差网络的设计，以及基于样本成本系数的损失函数指导网络学习，使分类模型具有强大的细节特征属性提取能力，能够准确分类带有爆炸物的手机。
-
公开(公告)号：CN111582365B
公开(公告)日：2022-07-22
申请号：CN202010374804.3
申请日：2020-05-06
Applicant: 吉林大学
Abstract: 本发明属于机器学习分类技术领域，具体涉及一种基于样本难度的垃圾邮件分类方法；能够提高垃圾邮件分类的准确性和稳定性，本发明根据邮件样本的难度信息为每个邮件样本制定统一的误分类损失函数，然后根据最小化总体误分类损失的原则提出一种更可靠和稳定的分类器算法，并将该算法应用在垃圾邮件分类中；本发明方法更加注重对简单样本的正确分类，这符合认知规律，即在误分率大致相当的情况下，该分类方法在分类难度值越小的邮件样本上误分率越低，这使得该分类方法的可信度高，更加可靠、稳定，适用性更强。
-
公开(公告)号：CN111582365A
公开(公告)日：2020-08-25
申请号：CN202010374804.3
申请日：2020-05-06
Applicant: 吉林大学
Abstract: 本发明属于机器学习分类技术领域，具体涉及一种基于样本难度的垃圾邮件分类方法；能够提高垃圾邮件分类的准确性和稳定性，本发明根据邮件样本的难度信息为每个邮件样本制定统一的误分类损失函数，然后根据最小化总体误分类损失的原则提出一种更可靠和稳定的分类器算法，并将该算法应用在垃圾邮件分类中；本发明方法更加注重对简单样本的正确分类，这符合认知规律，即在误分率大致相当的情况下，该分类方法在分类难度值越小的邮件样本上误分率越低，这使得该分类方法的可信度高，更加可靠、稳定，适用性更强。
-
Patent Agency Ranking
公开(公告)号：CN113902758B
公开(公告)日：2024-05-24
申请号：CN202111195866.9
申请日：2021-10-14
Applicant: 吉林大学
IPC: G06T7/11 , G06T7/90 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 本发明提出一种基于双路径胶囊网络的脑部MR图像分割方法，该方法包括：第一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；第二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；第三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；第四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。本发明所述方法通过基于区域注意的半监督学习策略解决医学图像标注样本数据相对较少的问题，并采用级联架构描述相邻像素间的标签依赖关系，提高图像分割的准确度。实验结果表明，所述基于双路径胶囊网络的脑部MR图像分割方法能够有效处理脑部MR图像，并获得较好的分割结果。
-
公开(公告)号：CN114549384A
公开(公告)日：2022-05-27
申请号：CN202210172710.7
申请日：2022-02-24
Applicant: 吉林大学
Abstract: 本发明公开一种基于多尺度字典和递归滤波器的图像融合方法，包括步骤一、获取源图像，步骤二、字典训练及稀疏特征的计算，步骤三、基于自适应递归滤波器扩展得到像素级聚焦度量，步骤四、决策图的生成，步骤五、根据决策图及融合规则融合源图像；本发明采用多尺度稀疏特征作为数据驱动的块级聚焦度量，然后将其扩展到像素级，对时间成本和设备要求降低，能有效消除边界歧义，直接用于生成决策图而无需后处理。同时，还考虑了源图像之间的尺度差异和相关性，以构建稳健的聚焦度量，像素级聚焦度量克服了块级和手工聚焦度量的局限性，鲁棒性更强。
-
公开(公告)号：CN109272010B
公开(公告)日：2021-06-29
申请号：CN201810839303.0
申请日：2018-07-27
Applicant: 吉林大学
IPC: G06K9/62
Abstract: 本发明提出一种基于卷积神经网络的多尺度遥感图像融合算法，该方法包括：第一，借助卷积神经网络的性质，构建一个符合遥感图像融合特性的多尺度卷积神经网络融合模型，其输入为待融合图像，输出为融合图像；第二，构建一个合适的训练数据集，在该训练集上成功训练提出的融合模型；第三，将遥感全色图像Pan图像转换为模型需要的待融合图像；第四，将转化后的近似Pan图像和多光谱图像MS输入训练好的融合模型，得到最终的融合图像。本发明所述方法从大量数据中学习一个自适应的多尺度融合函数，其由统计学习而来，不是人为设计，更加合理。实验结果表明，所述基于卷积神经网络的多尺度融合方法能够较好地处理不同卫星、不同波段的遥感图像。
-
公开(公告)号：CN110443775A
公开(公告)日：2019-11-12
申请号：CN201910534050.0
申请日：2019-06-20
Applicant: 吉林大学
Abstract: 本发明属于多聚焦图像融合技术领域，具体涉及基于卷积神经网络的离散小波变换域多聚焦图像融合方法；该方法包括以下步骤：首先，使用离散小波变换将每个源图像分解为一个低频子带和多个高频子带；第二，将它们输入到不同的卷积神经网络中，以便获得不同的权重图；第三，通过执行一系列处理后重新定义决策图；第四，根据它们的决策图，将频率子带分别融合；最后，通过逆DWT获得融合图像；是一种能够将多聚焦图像融合在一起，获得“全焦点”图像的融合方法，解决了多聚焦图像融合的问题，其融合效果优于传统融合方法，适应性更强，可以高效率的融合多聚焦图像。
-
公开(公告)号：CN109272010A
公开(公告)日：2019-01-25
申请号：CN201810839303.0
申请日：2018-07-27
Applicant: 吉林大学
IPC: G06K9/62
Abstract: 本发明提出一种基于卷积神经网络的多尺度遥感图像融合算法，该方法包括：第一，借助卷积神经网络的性质，构建一个符合遥感图像融合特性的多尺度卷积神经网络融合模型，其输入为待融合图像，输出为融合图像；第二，构建一个合适的训练数据集，在该训练集上成功训练提出的融合模型；第三，将遥感全色图像Pan图像转换为模型需要的待融合图像；第四，将转化后的近似Pan图像和多光谱图像MS输入训练好的融合模型，得到最终的融合图像。本发明所述方法从大量数据中学习一个自适应的多尺度融合函数，其由统计学习而来，不是人为设计，更加合理。实验结果表明，所述基于卷积神经网络的多尺度融合方法能够较好地处理不同卫星、不同波段的遥感图像。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.023 seconds)
