专利交易市场

本发明涉及一种基于边界引导注意力的编解码器医学图像分割系统及方法，属于医学图像处理技术领域。本发明包括编码器、解码器、特征增强模块和边界引导注意力模块。医学图像输入编码器中得到不同尺度的特征，并输出至解码器；解码器根据特征完成医学图像分割；在编码器的不同尺度特征输出之后还连接有特征增强模块，用于增强编码器的语义特征，组合不同感受野的语义信息，编码器的特征输出经过特征增强模块后再进入解码器；边界引导注意力模块设置在解码器中相邻的decoder模块之间，用于强化医学图像的边界信息。本发明在泛化能力和鲁棒性上表现优秀，获得的医学图像分割结果边界清晰，小目标明显。

本发明提供了一种基于分离‑挤压‑瓶颈‑联合编解码器的息肉图像分割技术，以下步骤：步骤1:对于给定的的息肉图像#imgabs0#，从基于res2net()主干网中提取五个层级的特征；将特征#imgabs1#分为低层特征和高层特征；步骤2:使用带有分离‑挤压‑瓶颈‑联合编码器对不同层级进行编码；步骤3:在编码阶段，使用编码器对不同层级特征进行融合;步骤4:在细化阶段，使用分离‑挤压‑瓶颈‑联合块编码器提取的信息对初始预测图逐级地细化特征；步骤5:在整个网络的训练中，采用交叉熵损失函数和交并比损失函数来指导网络的学习;应用本技术方案可实现从不同的角度挖掘几何上下文信息，同时计算通道相关关系，增强特征的表征能力，以解决息肉分割问题。

一种基于深度神经网络的图像编解码器的训练方法，所述训练方法包括以下步骤：第一步、空间解耦：用于解除编解码器和生成模型的耦合，并解除隐变量编码与重建模块的耦合；第二步，时间分治：在训练编解码器的不同阶段优化不同的损失函数并使用不同的学习速率来提高训练的速度与稳定性。本发明提供了一种有效避免多个误差函数相互干扰的基于深度神经网络的图像编解码器的训练方法。

本发明公开了一种基于多时间步金字塔编解码器的目标跟踪方法。本发明方法首先对含有模板帧的视频帧序列通过编码器获取时序编码特征，并对时序编码特征进行卷积与池化操作获得时序卷积核；然后构建全局卷积模块获得帧序列的长短期特征，并将时序编码特征与长短期特征输入构建的多尺度特征生成模型以捕获多尺度特征；最后通过分类支路与回归支路获得目标中心点及其所在区域信息，并据此获得最终的目标边界框。本发明方法利用多时间步编码器并行地快速处理连续的多个视频帧，通过全卷积模块刻画视频帧间的长短期时序关系，并充分融合不同尺度下的目标特征，能够有效捕捉跨度时间长、尺度变化大的目标，提高了目标跟踪的准确率和效率。

本发明公开了一种音视频通话的处理方法，包括实时采集通话过程中的音视频数据；将所述音视频数据输入到语音转换模块，所述语音转换模块根据预设音转字参数实时识别所述音视频数据，以得到音转字消息；将所述音转字消息发送到消息处理模块，所述消息处理模块通过预设缓存排序策略将所述音转字消息按通话正常顺序进行排序；将已排序的音转字消息进行展示。本发明所述处理方法满足了用户在不同音视频通话、线上会议场景下对发言人的内容进行自定义展示处理，不仅方便用户理解，还提高了各方在沟通上的效率。本发明还公开了一种音视频通话的处理系统、编解码器及存储装置。

本发明公开了基于时空传播层次编解码器的视频预测方法。本发明方法首先对给定的原始视频进行采样获得帧序列并输入至低层视觉记忆编码器，得到低层视觉编码特征和低层记忆状态特征；然后分别利用时空传播模块从低层视觉编码表示中提取时空编码特征，以及通过高层语义编码器提取高层语义特征；再将得到的低层视觉编码特征、低层记忆状态特征和高层语义编码特征通过层次特征解码器进行信息融合，输出预测视频帧。本发明方法不仅能够将低层视觉记忆特征和高层语义特征相融合，并通过时空传播模块使得低层视觉信息沿时序方向传播，还能利用视频首帧的先验知识一定程度上解决视频帧模糊问题，从整体上提高预测视频帧的清晰度和视觉质量。

本发明公开了面向无人驾驶的前背景编解码器网络目标提取方法。本发明方法使用前景网络与背景网络分别学习视频内的前景目标特征与背景环境特征，利用视频帧前一时间步预测的目标掩膜扩张与侵蚀来缩小当前时间步输入视频帧的目标区域，并考虑了模板帧即首帧真实目标信息的非局部模块可以获得时序上的长期依赖关系。本发明充分结合目标空间信息与环境中包含的上下文信息获得更加准确的目标位置预测信息，使模型能够快速关注视频存在的可能目标区域而减少时间开销，避免了过度依赖短期时序关系造成目标位置预测的错误累加问题，从而准确地提取像素级别的目标位置，为无人驾驶车辆提供精确的目标区域方位，增加驾驶的安全性能。

本发明公开了一种基于多尺度特征和编解码器模型的街景图像语义分割方法，包括以下步骤：原始图像输入深度卷积神经网络提取初始特征图；将初始特征图输入第一多尺度空间金字塔池化模块输出第一特征图；第一特征图输入第二多尺度空间金字塔池化模块输出第二特征图；第二特征图通过然后利用上采样操作和跳跃连接还原为原始图像大小得到最终的预测图；所述第一多尺度空间金字塔池化模块和第二多尺度空间金字塔池化模块输出特征图由通过1×1卷积、通过四个扩张率不同的atrous卷积以及通过平均池化操作提取的六种尺度的特征图级联后输出。本发明方法能够提高语义分割结果的精度，对目标边界的像素进行更准确的分类。