专利交易市场

一种基于三维全卷积神经网络的OCT内外指纹提取方法，包括如下步骤：1)对每幅指纹OCT图像中的角质层区域位置和乳头层区域位置进行手工标注，得到与OCT图像对应的标注图片，进行ROI提取和数据增强，构成标注数据集；2)构建三维全卷积神经网络模型，设定训练参数和损失函数，使用标注好的数据集训练模型；3)通过训练好的全卷积神经网络模型预测未标注的OCT图像的角质层、乳头层；4)根据所有OCT图像的角质层和乳头层，按照相对深度以及OCT图像空间顺序，经过拼接，分别得到OCT指纹的外指纹和内指纹。本发明通过三维全卷积神经网络来学习提取OCT图像的角质层和乳头层特征，从而生成准确的内外指纹。

一种基于全卷积神经网络的指纹汗孔提取方法，包括如下步骤：第一步：获取高清指纹图像，并对每幅指纹图像中的汗孔位置和脊线位置进行标注，对标注好的指纹图像进行数据增广，构成标注数据集；第二步：构建全卷积神经网络模型，设定初始参数和损失函数，使用标注好的数据集训练全卷积神经网络模型，得到训练好的全卷积神经网络模型；第三步：通过训练好的全卷积神经网络模型来预测测试指纹图片汗孔和脊线的初步区域概率；第四步：利用汗孔的特性从初步汗孔区域中去除伪汗孔区域，得到真正的汗孔区域及中心坐标。本发明通过全卷积神经网络来学习提取形态大小各异的汗孔特征，从而提高汗孔提取的正确率。

本发明公开了一种基于全卷积神经网络FCN的单目图像深度估计方法，包括步骤：获取训练图像数据；将训练图像数据输入全卷积神经网络FCN，池化层依次输出得到特征图像；及从最后一个池化层开始将其输出特征图像进行放大处理，获得与其前一池化层输出特征图像尺寸一致的特征图像并将二者的特征图像融合；从后向前依次对每个池化层的输出特征图像融合以获得最终预测深度图像；且训练中利用随机梯度下降法SGD对全卷积神经网络FCN中的参数训练；获取需要预测深度的RGB图像输入训练后的全卷积神经网络FCN，获得对应的预测深度图像。本发明可以改善卷积过程中输出图像分辨率较低的问题，且采用全卷积网络的形式，去除了全连接层，有效减少了网络的参数量。

本发明提出一种基于全卷积神经网络的室外照片太阳位置估计方法，包括如下步骤：步骤1：Webcam数据集准备及预处理；步骤2：设计全卷积神经网络和损失函数；步骤3：采用准备的数据集训练神经网络；步骤4：对神经网络进行优化，包括进行压缩网络、剪枝和量化；步骤5：利用优化后的神经网络根据输入的图像估计太阳位置。本发明使用带有标签数据的Webcam数据集对该模型进行训练，实验证明结果比其他基于深度学习的方法具有更少的参数量和更高的准确度。为解决参数冗余、占存储空间大和运算耗时等问题。本发明采用剪枝-量化方式对网络结构进行压缩，在保证准确度不下降的情况下，将网络压缩到原模型的1/11，同时降低时间成本。所以本发明具有很大的应用潜能。