本发明公开了一种基于深度卷积神经网络的椎间盘CT图像检测方法。本发明包括如下步骤：步骤1、椎间盘突出图像预处理：步骤2、基于多骨干网络的特征提取器构建方法：步骤3、区域建议网络中锚框的参数调优：步骤4、基于卷积神经网络的图像检测模型训练。本发明从数据预处理，深度卷积神经网络结构到参数优化都经过精心设计，建立了一套完整的椎间盘突出定位和分类系统。相较于传统的图像检测算法，该方法基于深度学习技术，通过简单的端到端学习方式避免了去噪、白平衡、特征提取、特征选择等容易出错的过程，减少了人工干预，将对椎间盘突出是否合并钙化这一判断任务自动化智能化，并在检测的准确率上有较大提升。
📄 202011076847X
📂 G06T7_00
👤 淮安昆博信息科技有限公司
📅 2020-10-10
一种面向卷积神经网络的自适应特征选择视频目标跟踪方法，包括以下步骤：1)多层CNN特征提取；2)训练相关滤波器；3)特征选择；4)目标跟踪过程如下：利用conv3-2，conv3-4，conv3-8，conv3-12，conv3-16五层的卷积特征作为目标特征观测，经过特征选择之后分别训练五个相关滤波器wk，k∈[1，5]，然后通过加权投票最终决定目标位置(x*,y*)，权重参数wk根据学习率ρ在线更新。本发明显著降低特征维度，并在不损失特征判别能力的情况下降低运算量。
📄 2017114348841
📂 G06T7_246
👤 浙江工业大学
📅 2017-12-26
一种基于多输入卷积神经网络的高分辨率掌纹识别的方法，包括如下步骤：1)对高分辨率掌纹ROI进行定义，包括中心ROI区域和边缘ROI区域(包括大鱼际ROI区域，小鱼际ROI区域，指间区ROI区域，简称ROI1,ROI2,ROI3)的裁剪。因此，一只手掌数据共可以裁剪出4块ROI区域图像，作为用于识别的数据；2)设计高分辨率掌纹识别的网络模型，用步骤1)裁剪的ROI样本,并对其进行数据增广以此生成更多的掌纹ROI数据来进行训练；3)运行多输入卷积神经网络模型并输出结果。本发明能够联合掌纹中心ROI区域和边缘ROI区域提取更全面的特征以达到更高的高分辨率掌纹识别率。
📄 2022101764430
📂 G06V40_12
👤 浙江工业大学
📅 2022-02-25
本发明提出了一种用于图像分类的具有镜像不变性的卷积神经网络，具体是一种在训练过程中将卷积神经网络的底层卷积层的部分特征图和对应的卷积核进行镜像翻转的方法。通过使用本发明的卷积神经网络对训练样本进行训练，可以使得训练得到的卷积神经网络模型具有镜像不变性，对于镜像对称的图像都能够得到较好的分类性能。
📄 2018109968247
📂 G06K9_62
👤 浙江工业大学
📅 2018-08-29
一种适用于戴口罩的人脸卷积神经网络特征表达学习和提取方法，收集标注口罩区域的人脸图像集，训练口罩分割语义模型Ms，其功能是为人脸图像的每个像素点标记口罩区域或非口罩区域标签；输入人脸图像I，用Ms对I进行语义分割得到I对应的语义矩阵S；根据语义矩阵S计算掩膜矩阵M；确定人脸卷积神经网络模型Mf；根据分类层f(I)结果与人脸ID计算损失函数的值，反向传播更新神经网络模型参数，迭代更新直至收敛。本发明对通用人脸识别器适应能力较强、数据成本较低。
📄 2020105039323
📂 G06V40_16
👤 浙江工业大学
📅 2020-06-05
基于残差学习的卷积神经网络医学CT图像去噪，具体步骤如下：步骤1)构建医学CT图像模型；步骤2)构建神经网络模型；步骤3)训练网络；步骤4)更新参数；步骤5)医学CT图像去噪，向构建好的网络模型中输入含噪声的医学CT图像，网络输出去除噪声后的医学CT图像。本发明具有以下优点：提出了结合深度学习中卷积神经网络方面的知识进行医学CT图像去噪；采用残差学习的方式来近似学习图像中的噪声，具有很好的针对性，同时提升神经网络的训练效率；采用卷积神经网络和残差学习的方法，能够更好的学习图像中的特征信息，在图像去噪的过程中保留更多的局部图像信息。同时图像去噪能力也得到提升。
📄 201910166558X
📂 G06T5_00
👤 浙江工业大学
📅 2019-03-06
本发明公开了一种基于双流卷积神经网络的镜面高光检测和去除方法，将输入的原始带高光图像求取像素点在x方向和y方向上的梯度，提取得到第一高光特征映射图，将第一高光特征映射图经过第一卷积块注意力模块CBAM处理后，与预处理后的图像相减，输出第一级无高光图像；对第一高光特征映射图进行逐级降采样缩小尺寸，将降采样缩小尺寸后的各级高光特征映射图分别经过各级卷积块注意力模块CBAM处理后，与前一级输出的无高光图像相减，最终得到粗略无高光图像。然后通过高光提取模块，提取细化高光信息，进行高光细化去除，得到最终的无高光图像。本发明可以有效地解决镜面高光造成的图像信息退化问题，从而降低高光对目标检测等视觉任务的干扰。
📄 2022108548432
📂 G06T5_77
👤 浙江工业大学
📅 2022-07-18
一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，所述方法包括以下步骤：步骤1.基于随机掩盖来构建多个具有差异性的不同训练集；步骤2.卷积神经网络模型的构建及使用Focal loss作为模型的惩罚函数；步骤3.卷积神经网络模型的集成及二次集成。通过构建多个具有差异的训练集A、B、C等以及使用Resnet的50层卷积神经网络进行训练，最后根据模型的投票结果先进行一次集成，然后在一次集成的基础上再进行二次集成，旨在提高黑色素瘤自动识别分类的性能。
📄 2018107085456
📂 G06K9_00
👤 浙江工业大学
📅 2018-07-02
基于密集网络的多任务卷积神经网络的顾客行为分析方法，首先对数据进行清洗，分为训练测试集并对dataloader进行相应编写；然后构建Dense_Block模块和Transition_layer模块，基于这两种模块构建密集网络的多任务卷积神经网络；对训练图片进行数据增强、标准化，先用大的学习率预训练模型，再用小的学习率和权重衰减微调模型。最终实现用密集网络多任务卷积神经网络对顾客的行为进行有效、迅速的识别。本发明使用单个神经网络完成对商场店铺中的顾客行为分析，提升店铺自身能力；本发明使用密集网络的卷积神经网络，对顾客的多个属性进行同时分析，提升使用效率。
📄 201811317143X
📂 G06Q30_02
👤 浙江工业大学
📅 2018-11-07
一种基于卷积神经网络的DNA绑定残基预测方法，首先，根据输入残基数为L的待进行DNA绑定残基预测的蛋白质序列信息，分别使用HHblits、PSIPRED、SANN和I‑LBR程序获取特征矩阵PSFM、PSS、PSA和ILBR；然后，将以上四个矩阵组合为一个特征矩阵F并将其转化为特征张量；其次，我们将蛋白质序列处理成残基样本；再次，搭建卷积神经网络，利用已知绑定残基的蛋白质序列构建数据集并训练所搭建的网络；最后，将待进行预测的蛋白质序列的残基样本输入到训练的模型中，根据模型输出概率是否大于判定阈值threshold，进而判断对应的残基是否为DNA绑定残基。本发明计算代价小、预测精度高。
📄 2020109183145
📂 G16B20_00
👤 浙江工业大学
📅 2020-09-03
本发明公开了一种基于卷积神经网络的车标定位与识别方法。它本发明使用计算机视觉技术，通过车标粗定位方法、车标精定位方法与基于卷积神经网络的车标分类，实现了车标定位与识别。本发明解决了车标识别问题，同时拥有较好的准确率与效率，改善了以车牌辨车的传统工作模式，能更加准确的确定唯一的车辆，为车牌套牌的查处、违章逃逸等违法行为提供可靠证据，更好地实现智能化的交通管理。
📄 2017107527423
📂 G06K9_32
👤 浙江工业大学
📅 2017-08-28
本发明公开了一种基于卷积神经网络的城市人流小目标检测方法，对带有标注了人像小目标检测框的图像训练数据集进行Mosaic数据增强和MixUp数据增强，将增强后图像训练数据集调整为输入图片大小，输入到骨干网络中获取骨干网络四种大小的特征图，将四种大小的特征图输入到特征融合网络BIAFPN中进行特征处理，将融合后的特征图分别传入各自对应的预测头，分别进行分类分支与回归分支的卷积后沿通道部分进行连接，再将连接得到的特征图拉伸为一维，然后将拉伸后的特征图进行连接，得到最终的特征图，计算损失并进行反向传播更新网络参数，完成网络的训练。本发明引入浅层细粒度特征，再采用特征融合网络来检测目标，能够有效提高城市人像小目标检测的精度。
📄 2022105743880
📂 G06V40_10
👤 浙江工业大学
📅 2022-05-24
柿子坊 · 知识产权运营
柿子坊知识产权运营平台