“叶昕辰”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果27个，建议您升级VIP下载更多相关专利

[发明专利]一种基于属性及注意力引导的小样本图像分类方法-CN202310722970.1在审
发明人： 叶昕辰;李慧;李豪杰;王智慧;徐睿 -专利权人：大连理工大学
申请日： 2023-06-19 - 公布日： 2023-09-19 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于属性及注意力引导的小样本图像分类方法，在小样本数据条件和度量学习方法的基础上构建网络框架，包括四个部分：自注意力网络、互注意力网络、自适应融合网络和属性预测网络。其中，自注意力网络用于提取图像特征；互注意力网络捕捉图像间的区域相关性，自适应融合网络将视觉特征与属性信息相融合，实现校正图像特征嵌入；属性预测网络借助属性信息以弱监督的方式定位属性特征并进行预测。通过注意力机制的运用和属性信息的辅助，协同生成了更具判别性的特征，得到了更具泛化性的模型，最终提升了图像分类的精度。本方法程序简单，易于实现；系统容易构建，用深度神经网络即可端到端的完成小样本条件下的图像分类。
一种基于属性注意力引导样本图像分类方法

[发明专利]一种联合可见光相机和红外相机的深度估计方法-CN202310197043.2在审
发明人：陈圣伦;张宏;叶昕辰;王智慧;李豪杰 -专利权人：大连理工大学
申请日： 2023-03-03 - 公布日： 2023-08-08 - 主分类号： G06T7/50 文献下载
摘要：本发明属于计算机视觉深度估计技术领域，提出一种联合可见光相机和红外相机的深度估计方法。以轻量级的CCF基本模块、CRF基本模块为基础构建神经网络VINet。CCF基本模块加强了在特征编码阶段两种模态特征之间的信息交流，CRF基本模块探索各模态特征的特性，并在融合时选择性的强调了更加相关的特征。两者都具有轻量级与跨模态交叉的特点，因而适合部署到联合可见光相机和红外相机的深度估计中，在保证速度的同时也能达到很高的精度，为联合可见光相机和红外相机的深度估计任务提供了一种新的解决方案。
一种联合可见光相机红外深度估计方法

[发明专利]一种基于卷积神经网络的立体视觉无监督深度估计方法-CN202010541511.X有效
发明人： 叶昕辰;吕佳龙;徐睿;樊鑫 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2022-11-18 - 主分类号： G06T7/593 文献下载
摘要：本发明公开了一种基于卷积神经网络的立体视觉无监督深度估计方法，属于图像处理和计算机视觉领域。本发明旨在克服现有技术的不足，提供了一种新的无监督深度估计方法，设计了一个基于卷积神经网络进行高质量深度估计的框架，该框架包括立体视觉编码器‑解码器主干网络和判别器网络，并引入双重注意力机制有效获取特征，构建深度感知损失函数训练框架，以获得高质量的深度信息。系统容易构建；程序框架易于实现，算法运行速度快。本方法利用无监督方法来估计深度信息，避免了有监督方法中真实数据难以获取的问题。
一种基于卷积神经网络立体视觉监督深度估计方法

[发明专利]一种基于上下文注意力机制的单目无监督深度估计方法-CN202010541514.3有效
发明人： 叶昕辰;徐睿;樊鑫;张明亮 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2022-11-18 - 主分类号： G06T7/55 文献下载
摘要：本发明公开了一种基于上下文注意力机制的单目无监督深度估计方法，属于图像处理和计算机视觉领域。本发明采用基于混合几何增强损失函数和上下文注意力机制的深度估计方法，采用基于卷积神经网络的深度估计子网络、边缘子网络和相机姿位估计子网络得到高质量的深度图。系统容易构建，使用卷积神经网络即以端到端的方式从单目视频得到对应的高质量深度图；程序框架易于实现；本方法利用无监督方法来求解深度信息，避免了有监督方法中真实数据难以获取的问题，算法运行速度快。本方法利用单目视频即单目图片序列求解深度信息，避免了使用立体图片对解决单目图片深度信息时立体图片对难以获取的问题。
一种基于上下文注意力机制目无监督深度估计方法

[发明专利]基于深度神经网络的多信息渐进融合的深度超分辨率方法-CN202010541526.6有效
发明人： 叶昕辰;徐睿;孙宝利;王智慧;李豪杰 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2022-11-18 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了基深度神经网络的多信息渐进融合的深度超分辨率方法，属于图像处理领域。该方法提出了一个多路网络结构分别提取了深度特征信息与彩色信息，并且将多种信息有效地融合并且充分利用。彩色图像及其对应的深度图在同一场景的光度和几何表征都具有很强的结构相似性，使用彩色图像辅助深度图像的恢复，更好的预测深度图上模糊的边界。本发明程序简单，易于实现，能够获得高质量的高分辨率的深度图像，有效地解决了深度图细微结构和小尺度目标区域难以精确地恢复的问题，得到的深度图清晰，目标边界锋利。
基于深度神经网络信息渐进融合分辨率方法

[发明专利]基于深度神经网络单目水下图像深度估计和颜色矫正方法-CN202010541535.5有效
发明人： 叶昕辰;黄宏威;徐睿;樊鑫 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2022-11-18 - 主分类号： G06T7/50 文献下载
摘要：本发明公开了基于深度神经网络单目水下图像深度估计和颜色矫正方法，属于图像处理和计算机视觉领域。该框架包括两个部分：风格转化子网络和任务子网络，其中，风格转化子网络基于生成对抗网络构建，用于将水下图像的表观信息迁移到陆上图像，获取丰富有且有效的合成标注数据，而任务子网络用压栈式网络结构将水下图像深度估计和颜色矫正两任务联合起来，进行协同学习来提高各自的精度，并通过域适应的策略缩小合成水下图像和真实水下图像之间的差距，提高网络对真实水下图像的处理能力。本方法程序简单，易于实现；系统容易构建，用深度神经网络即可端到端的从单张真实水下图像得到对应的高质量的深度图和实现矫正颜色的水下图像。
基于深度神经网络水下图像估计颜色矫正方法

[发明专利]一种基于深度神经网络的小样本红外图像分类方法-CN202210936433.2在审
发明人： 叶昕辰;刘可;李豪杰;王智慧;孙铮 -专利权人：大连理工大学
申请日： 2022-08-05 - 公布日： 2022-10-18 - 主分类号： G06V20/00 文献下载
摘要：本发明公开了一种基于深度神经网络的小样本红外图像分类方法，属于计算机视觉和图像分类领域。该方法能使在可见光数据上(源域上)事先训练的深层网络模型，迁移应用到红外图像上(目标域上)识别上。在目标域图片数量很少的前提下，利用图像的视觉特征和其属性特征相结合，并运用对比学习的方法，对深层网络模型中的特征提取器部分进行微调，使目标域上的红外图像识别保持较高的性能。此方法不仅能节省开发的人力和时间成本，而且易于实现并具有较高的实用性。
一种基于深度神经网络样本红外图像分类方法

[发明专利]面向多种CT肺部纹理识别的非监督保内容域适应方法-CN202010541959.1有效
发明人：徐睿;叶昕辰;丛臻 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2022-09-30 - 主分类号： G06T7/41 文献下载
摘要：本发明公开了一种面向多种CT肺部纹理识别的非监督保内容域适应方法，属于图像处理和计算机视觉领域。该方法能使在一种CT数据上(源域上)事先训练的肺部纹理识别的深层网络模型，在应用到另一种CT图像上(目标域上)时，在仅获得目标域的CT图像并无需人工标注典型肺部阴影的前提下，运用对抗学习机制和特殊设计的内容一致性网络模块，就可以对深层网络模型进行微调，使目标域上的肺部纹理识别保持较高性能。此方法不仅能节省开发的人力和时间成本，而且易于实现并具有较高的实用性。
面向多种 ct 肺部纹理识别监督内容适应方法

[发明专利]一种基于鲁棒软标签的深度适应网络的构建方法-CN202111628171.5在审
发明人：王梓懿;王智慧;李豪杰;叶昕辰 -专利权人：大连理工大学
申请日： 2021-12-28 - 公布日： 2022-04-19 - 主分类号： G06N3/04 文献下载
摘要：本发明属于计算机视觉领域，提供了一种基于鲁棒软标签的深度适应网络的构建方法。本方法通过最大化预测概率矩阵的核范数，在滤除噪声概率的同时保留重要的概率，从而产生一种新的标签形式，然后将新的标签形式以概率加权的方式重新表述标签诱导损失，如CMMD、类内距离和类间距离。本发明证明了经过核范数约束的鲁棒软标签相比于传统的硬标签和软标签拥有更可靠的表征能力，以概率加权的方式重新表述标签诱导损失也被证明是可解释性和合理性更强的损失函数建模，从而解决了传统硬标签和软标签在建模标签相关损失时偏差过大的问题。
一种基于鲁棒软标签深度适应网络构建方法

[发明专利]一种基于无监督自适应网络的水下双目深度估计方法-CN202111589965.5在审
发明人： 叶昕辰;原雅芝;仲维;徐睿;樊鑫 -专利权人：大连理工大学
申请日： 2021-12-23 - 公布日： 2022-04-08 - 主分类号： G06T7/593 文献下载
摘要：本发明公开一种基于无监督自适应网络的水下双目深度估计方法，属于图像处理与计算机立体视觉领域。本发明包括表观层的风格自适应子模块与语义层的特征自适应子模块。首先，本发明利用风格自适应子模块生成水下仿真数据，缓解水下真实环境标签数据匮乏的问题；同时将特征自适应子模块应用于深度估计骨干网络的训练，以克服仿真数据与真实水下数据之间域差异过大，无法直接迁移陆地场景深度估计模型的困难。通过将本发明所提出的自适应模块集成到现有的深度估计网络中，能够实现从水下数据的表观层到语义层的逐步自适应效果，进而从真实水下立体图像中推断高精度视差图。实验结果表明，与其他水下深度估计方法相比，本发明所提方法具有更好的性能。
一种基于监督自适应网络水下双目深度估计方法

[发明专利]基于知识蒸馏的肺部疾病病灶无监督分割方法-CN202111285920.9在审
发明人：徐睿;王宇凤;叶昕辰 -专利权人：大连理工大学
申请日： 2021-11-02 - 公布日： 2022-01-07 - 主分类号： G06T7/11 文献下载
摘要：本发明公开一种基于知识蒸馏的肺部疾病病灶无监督分割方法，属于医学图像处理和计算机视觉领域。本发明首先通过构建和训练一个自编码器来获得具有丰富CT图像语义知识的预训练教师网络，然后从预训练教师网络中仅蒸馏正常CT图像的知识来训练一个与教师网络具有相同架构的学生网络，最终利用教师和学生网络对含病灶图像所提特征的差异进行病灶分割。同时，除传统的像素级蒸馏，该方法还设计了考虑像素间关系的亲和力级蒸馏，以便充分蒸馏有效知识。实验证明，本发明在不同数据集上均能有效提高病灶分割精度。本发明方法易于构建，仅依靠正常数据即可得到未标注的肺部疾病病灶分割结果，且泛化性和运行效率都较为可观。
基于知识蒸馏肺部疾病病灶监督分割方法

[发明专利]一种基于孪生反馈网络的低剂量CT重建方法-CN202010541512.4在审
发明人： 叶昕辰;徐禹尧;徐睿;樊鑫 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2020-10-02 - 主分类号： G06T11/00 文献下载
摘要：本发明为一种基于孪生反馈网络的低剂量CT重建方法，属于医学图像处理和计算机视觉领域。该方法首先以低剂量CT图像作为输入，通过孪生反馈网络的重建支路得到初步的重建结果，先验支路得到边界图，通过细节保护损失不断优化网络参数，得到最终的重建结果。方法程序简单，易于实现，可以以端到端的方式得到高分辨率的重建结果；本发明设计的细节保护损失函数可以从局部和全局两个方面全面实现CT图像细节保护。
一种基于孪生反馈网络剂量 ct 重建方法

[发明专利]一种语义和多尺度融合网络的眼底图像血管分割方法-CN202010541936.0在审
发明人：徐睿;叶昕辰;姜桂良;刘恬恬 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2020-10-02 - 主分类号： G06T7/11 文献下载
摘要：本发明公开一种语义和多尺度融合网络的眼底图像血管的分割方法，属于医学图像处理和计算机视觉领域。该方法设计了语义融合模块和多尺度融合模块，并利用这两种模块构建了结构独特的语义和多尺度融合网络，用于分割视网膜图像的眼底血管。语义融合模块通过更好的融合高维语义信息来提升毛细血管的分割精度，多尺度融合模块利用多尺度信息的融合来解决血管尺度变化大的问题。实验证明本发明的方法能有效提高视网膜眼底血管分割的精度。此外，本发明提出的网络结构清晰，容易构建，易于实现。
一种语义尺度融合网络眼底图像血管分割方法

[发明专利]一种结合多尺度注意力的深层网络肺部纹理识别方法-CN202010541939.4在审
发明人：徐睿;叶昕辰;丛臻 -专利权人：大连理工大学
申请日： 2020-06-15 - 公布日： 2020-10-02 - 主分类号： G06T7/41 文献下载
摘要：本发明公开了一种结合多尺度注意力的深层网络肺部纹理识别方法，属于图像处理和计算机视觉领域。为了能准确识别肺部计算机断层扫描(Computed Tomography，CT)图像中弥漫性肺疾患的典型纹理，通过设计独特的注意力机制模块和多尺度特征融合模块，构建了一种结合多尺度和注意力的深层卷积神经网络，实现了弥漫性肺疾患典型纹理的高精度自动识别。此外，所提出的网络结构清晰，容易构建，易于实现。
一种结合尺度注意力深层网络肺部纹理识别方法

[发明专利]一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法-CN201810206846.9有效
发明人：徐睿;叶昕辰;丛臻 -专利权人：大连理工大学
申请日： 2018-03-14 - 公布日： 2020-06-16 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法，属于医学图像处理和计算机视觉领域。以217个肺部三维计算机断层扫描(CT)图像为源数据，经过预处理得到若干组数据集合，其中每组数据包含一个CT图像小块、相应的几何信息图像小块和一个类别标签。构建双通道残差网络框架，分别以CT图像小块和相应的几何信息小块为各个通道的输入，通过双通道残差网络分别学习肺部纹理的表观信息和几何信息，并将其有效融合，从而得到较高的识别率。此外，所提出的网络结构清晰，容易构建，易于实现。
一种基于深度神经网络提取表观几何特征肺部纹理识别方法

1
2
下一页»
尾页
共 27 条