基于卷积神经网络的CT图像目标检测方法、装置及设备.pdf
一吃****福乾
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于卷积神经网络的CT图像目标检测方法、装置及设备.pdf
本发明涉及一种基于卷积神经网络的CT图像目标检测方法、装置及设备,属于图像目标检测技术领域,基于卷积神经网络的CT图像目标检测方法、装置及设备通过获取目标患者的CT图像;将CT图像输入至预设CT图像目标检测模型中,得到CT图像中的目标区域及目标区域的类别。通过预先设置CT图像目标检测模型,在CT图像目标检测模型中设置注意力机制模块,对特征图中的不同通道分配不同的权重,提取特征图中的有用新型,提升CT图像的目标检测成功率。
基于卷积神经网络的SAR图像海洋目标分类检测方法.pdf
本发明公开了一种基于卷积神经网络的SAR图像海洋目标分类检测方法,包括以下几个步骤:步骤一:将含有海洋目标的SAR单视复图像转换为进行功率图像转换并量化;步骤二:将量化后的功率图像进行分割,加注样本类别的标签后构建训练集建立数据集;步骤三:对训练集数据集去均值处理;步骤四:建立卷积神经网络模型;步骤五:使用训练集训练卷积神经网络模型;步骤六:将待分类切片输入卷积神经网络模型,得到分类检测结果。本发明具有可靠性强、泛化能力强、计算复杂度低,实用性强、应用范围广等特点。
基于图像增强和卷积神经网络的布草检测方法、装置.pdf
本发明公开了一种基于图像增强和卷积神经网络的布草检测方法,包括以下步骤,S1:提供一种布草检测装置,对连续输送的布草进行灯光照射,并对照射区域进行连续拍摄;S2:采集每一张布草的图像信息;S3:利用两个卷积神经网络模型对图像信息进行瑕疵检测;S4:将两个卷积神经网络模型的检测结果进行对比,识别出不合格布草、合格布草和目检布草;S5:对目检布草进行人工目检。本发明能够实现连续化检测,提高了检测效率,另一方面,不会发生漏检的情况,同时采用卷积神经网络模型进行机器学习检测,检测的准确率较高,从而提高了检测精度和
基于深度卷积神经网络的图像轮廓检测方法.pdf
本发明涉及一种基于深度卷积神经网络的图像轮廓检测方法。本轮廓检测方法的步骤为:1)数据提取和处理;2)训练深度卷积神经网络特征提取器;3)训练结构森林轮廓检测器;4)提取测试图像特征;5)检测测试图像轮廓。本发明的轮廓检测方法基于深度学习和模式识别技术,可实现快速精准的轮廓检测。
基于卷积神经网络的目标检测方法.pdf
本发明公开了一种基于卷积神经网络的目标检测方法,主要解决现有目标检测方法网络复杂、速度不快和对小目标检测效果差的问题。本发明的具体步骤如下:(1)构建积神经网络;(2)生成目标检测训练集;(3)训练卷积神经网络;(4)对待检测目标进行检测。本发明构建了一个由特征提取模块、特征增强模块、识别和定位模块组成的卷积神经网络,克服了现有目标检测方法中大目标检测效果好、小目标检测效果差并且速度慢的问题,使得本发明不仅能够实时识别大目标,也能实时识别小目标。