-
公开(公告)号：CN119049584A
公开(公告)日：2024-11-29
申请号：CN202410975578.2
申请日：2024-07-19
Abstract: 本发明提供基于PSO‑Elman神经网络的絮凝辅助固化磷石膏中可溶性磷、氟的优化条件预测方法，将磷石膏样品加水搅拌后过滤得到磷石膏滤液用于后续测定；分别对固化剂投加量，投加固化剂后的搅拌时间，投加固化剂后的搅拌速率，絮凝剂投加量，投加絮凝剂后的搅拌时间,投加絮凝剂后的搅拌速率，进行单因素实验并记录可溶磷、氟的去除率作为条件数据样本集；利用粒子群算法优化神经网络。使用粒子群优化算法PSO对Elman的参数进行寻优，提高Elman神经网络的预测精度；平均绝对相对偏差AARD，均方根误差RMSE和决定系数对#imgabs0#去除率进行评估；该方法利用Elman神经网络的动态特性和粒子群优化算法的全局搜索能力，实现对絮凝辅助固化磷石膏中可溶性磷、氟最佳处理条件的预测和优化。
-
公开(公告)号：CN112598635B
公开(公告)日：2024-03-12
申请号：CN202011501459.1
申请日：2020-12-18
Applicant: 武汉大学
IPC: G06V10/22 , G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于对称点生成的点云3D目标检测方法。本发明首先对原始点云进行过滤并体素化检测空间，生成初始体素特征输入到对称点生成模块，通过其编解码结构获得高层语义特征并经过分类头和回归头进行前景点分割以及对称点预测，将预测的前景点对应的对称点集与非空体素中心点集组成增强点云作为区域提案网络的输入，通过其骨干网络进一步提取俯视图特征，并作为检测头的输入，检测头最终输出待检测物体的3D框。本发明利用检测对象的对称性，生成对称点，从根本上缓解了点云中物体结构缺失的问题，能够改善回归效果并提高检测精度，同时支持将RPN替换成其他基于体素的检测方法，使得原来检测效果较差的检测器也能产生具有竞争力的检测结果。
-
公开(公告)号：CN109360226B
公开(公告)日：2021-09-24
申请号：CN201811210852.8
申请日：2018-10-17
Applicant: 武汉大学
Abstract: 本发明提出了一种基于时间序列多特征融合的多目标跟踪方法。本发明方法根据多目标检测算法得到跟踪目标的类别以及候选框；使用卷积网络以及相关滤波器计算移动预测中心点并筛选候选框；计算外观相似性分数；计算运动相似性分数；计算交互特征相似性分数；进行筛选后候选框在当前帧图像的跟踪框的转换，更新跟踪目标的特征信息；计算未匹配到候选框的跟踪目标的移动预测中心点以及筛选候选框；对于已存在的跟踪目标进行关联未匹配的候选框，构建新跟踪目标；采用交并比计算各个跟踪目标间的重叠度；将多帧图像中连续处于丢失态的跟踪目标认定为已经消失的目标。与现有技术相比，本发明提高了跟踪精度。
-
公开(公告)号：CN109893118A
公开(公告)日：2019-06-18
申请号：CN201910164534.0
申请日：2019-03-05
Applicant: 武汉大学
IPC: A61B5/0402
Abstract: 本发明提出了一种基于深度学习的心电信号分类诊断方法。本发明利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。本发明能够在频域上分析和凸显信号的特征，实现心电信号对多种心脏疾病的初步诊断，提高诊断的准确率。
-
公开(公告)号：CN109360226A
公开(公告)日：2019-02-19
申请号：CN201811210852.8
申请日：2018-10-17
Applicant: 武汉大学
Abstract: 本发明提出了一种基于时间序列多特征融合的多目标跟踪方法。本发明方法根据多目标检测算法得到跟踪目标的类别以及候选框；使用卷积网络以及相关滤波器计算移动预测中心点并筛选候选框；计算外观相似性分数；计算运动相似性分数；计算交互特征相似性分数；进行筛选后候选框在当前帧图像的跟踪框的转换，更新跟踪目标的特征信息；计算未匹配到候选框的跟踪目标的移动预测中心点以及筛选候选框；对于已存在的跟踪目标进行关联未匹配的候选框，构建新跟踪目标；采用交并比计算各个跟踪目标间的重叠度；将多帧图像中连续处于丢失态的跟踪目标认定为已经消失的目标。与现有技术相比，本发明提高了跟踪精度。
-
Patent Agency Ranking
公开(公告)号：CN108876737A
公开(公告)日：2018-11-23
申请号：CN201810583825.9
申请日：2018-06-06
Applicant: 武汉大学
Abstract: 本发明提出了一种联合残差学习和结构相似度的图像去噪方法。本发明选择BSD数据库中多张高清图像分别构建训练数据集和测试数据集；通过对训练数据集中的高清图像进行中心裁剪得到裁剪后训练数据集，将裁剪后训练数据集进行预处理得到预处理后训练数据集，分别对预处理后训练数据集和测试数据集添加一定强度的高斯噪声，得到含噪训练数据集以及含噪测试数据集；设计深度卷积神经网络，通过设计L2范数和SSIM联合的损失函数最小化来训练深度卷积神经网络，通过含噪测试数据集与根据深度卷积神经网络获得噪声残差图像之间的计算得到清晰图像数据集。本发明优点在于，去噪效果更符合人眼视觉感知。
-
公开(公告)号：CN114821254A
公开(公告)日：2022-07-29
申请号：CN202210271737.1
申请日：2022-03-18
Applicant: 武汉大学
IPC: G06V10/80 , G06V10/77 , G06V10/774 , G06V10/764 , G06N20/00 , G16H50/80
Abstract: 本发明提供了一种基于深度学习的新冠肺炎重症检测模型的构建方法及系统，该方法构建的模型包括：多视角医学图像前处理模块、多视角医学图像互注意力模块、多视角医学图像后处理模块和多模态医学数据融合模块。多视角医学图像前处理模块用于提取多视角医学图像特征；多视角医学图像互注意力模块用于提取多视角特征之间的潜在相互关系，生成每个视角各自的混合表征；多视角医学图像后处理模块进一步提取混合表征的特征；多模态医学数据融合模块用于基于仿射变换，将医学图像特征与医学文本数据进行结合。四个模块联合进行训练，实现对新冠肺炎重症的检测。该模型可以有效应用于临床检测，解决了当前基于深度学习算法的医学数据视角模态单一的问题。
-
公开(公告)号：CN108876735B
公开(公告)日：2021-11-02
申请号：CN201810556645.1
申请日：2018-06-01
Applicant: 武汉大学
Abstract: 本发明提出了一种基于深度残差网络的真实图像盲去噪方法。通过图像数据集选取RGB空间清晰图像集，通过空间变换构建RGB空间图像组集；通过多个相机拍摄多个场景下的图像，针对每个相机每个场景下真实清晰图像和真实含噪图像构建真实图像组构建真实图像组集；随机选取RGB空间图像组集中多组RGB空间图像组与真实图像组集中多组真实图像组构建图像训练集通过预处理得到预处理后图像训练集，将RGB空间图像组集中剩余的RGB空间图像组与真实图像组集中剩余的真实图像组构建图像测试集；通过预处理后图像训练集作为输入构建图像去噪残差卷积神经网络，结合残差学习和批归一化策略训练神经网络并对图像测试集去噪。本发明的优点为收敛速度快，去噪效果好。
-
公开(公告)号：CN112288709A
公开(公告)日：2021-01-29
申请号：CN202011169810.1
申请日：2020-10-28
Applicant: 武汉大学
Abstract: 本发明公开了一种基于点云的三维目标检测方法，该方法首先裁剪出有效的点云空间，将其划分为均匀的体素后进行特征提取，再使用三维稀疏卷积层将空间下采样八倍，并通过维度整合将稀疏的三维数据转化为二维俯视图，最后使用分裂‑聚合特征金字塔网络作为区域建议网络的骨干网络，实现对物体的精细检测。其中分裂‑聚合特征金字塔网络包含两个分支，粗糙分支提取多尺度俯视图特征用于检测不同尺寸的物体，并利用丰富的上下文信息来减少背景点和噪声点造成的误检，精细分支对粗糙分支的多尺度特征进一步细化，并完成多尺度特征图的交叉融合，实现了高质量的俯视图边界框回归和高精度的三维目标检测。
-
公开(公告)号：CN110020721B
公开(公告)日：2020-12-18
申请号：CN201910281117.4
申请日：2019-04-09
Applicant: 武汉大学
Abstract: 本发明公开了一种于FPGA硬件平台上对深度学习神经网络网络参数进行压缩的方法，具体涉及霍夫曼编码，并结合FPGA硬件资源特点对参数进行量化压缩，这种压缩方式能将原来的参数压缩20％‑30％，从而减小了参数所需的存储空间并加快神经网络前向推理速度，使得在小型化设备实现利用神经网络进行实时性目标检测成为可能。本发明的步骤为：一、根据参数的数据分布对全精度参数进行重新编码并得到一套数据位数为8bit的码表；二、将分布最多的数据用4bit数据索引来表示，其余分布数据用8bit数据索引表示；三、使用布尔数组来做数据索引的索引；四、检测布尔数组为1的时候通过移位得到分布最高的数据的索引；五、利用4bit或者8bit索引去码表中查找对应真实值。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.019 seconds)
