收藏本站
我的资料
  购物车 (0)  
亲,您的购物车空空的哟~
去购物车结算
   
查看手机网站
其他帐号登录: 注册 登录
北京元亨信科技有限责任公司

咨询热线

010-51994498

追求品质,追求卓越

THE PURSUIT OF EXCELLENCE

商城分类
  • 语音识别
  • 语意识别
  • 人脸识别
    识别仪
    摄像头
    门禁
  • 图像识别
    摄像头
    存储管理
  • AI算法产品
  • 智能机器人成品
  • 智能设备
  • 综合
  • 智慧工厂
  • 智慧城市
  • 激光扫描
  • 移动推广
  • 大数据
    数据库
    服务器
    云计算
    云存储

计算机视觉中人脸识别技术基于医学图像的应用

来源:搜狐网址:http://www.sohu.com/a/113723929_257845 
文章附图

智能的Gface5人脸识别算法随着技术不断的发展以及应用展开了更进一步的深度学习。而我们关注到图像识别技术在医学领域正蓬勃发展,例如细胞分类中就会采用相关的识别技术:

一、 时序细胞图像的跟踪

该项目的目标为对显微视频中的细胞进行自动标记并追踪记录其在视频中每一帧的位置与形态的变化。现有方法可以分为三大类,动态轮廓模型,统计滤波器与构建细胞特征函数。我们提出的方法为在对显微视频每一帧做图像分割识别细胞区域后再通过构建的细胞特征函数对相邻帧中的相同细胞进行识别跟踪。系统流程图可见Figure 1。

Figure 1细胞追踪系统流程图

该细胞追踪系统可以识别视频中各类的细胞活动,其中包括细胞分裂,细胞合并,细胞消失与出现等。同时,在保证较高追踪精度(98%)的情况下,该系统的处理速度明显快于其他传统方法。通过该追踪系统,我们可以快速追踪时序显微图像中细胞的运动轨迹并记录细胞的形态等相应信息的变化。Figure 2展示了细胞追踪的结果。系统对细胞进行了标号并用不同颜色的线段记录了细胞的运(a) (b)

Figure 2细胞追踪结果

二、 细胞分类细胞分类为显微图像研究领域的另一热点问题。

虽有很多经典方法与理论已被用于解决细胞分类问题,但分类精度仍有提升空间。在此,我们运用深度卷积网络技术对细胞样本进行分类。实验结果表明深度卷积网路能较好的解决细胞样本分类问题。

Figure 5展示细胞图像通过全卷积网络得到的结果。Figure 5 (a)为Nucleolar细胞样本。全卷积网络对图像中每个像素点进行预测。Figure 5 (b)不同颜色代表了不同细胞类别(黄色代表Nucleolar,蓝色代表Nuclear membrane)。

(a) (b)

Figure 5细胞样本分类结果

算法平均准确率
ICPR2014第一名89.93%
我们的算法93.99%


会员登录
登录
其他帐号登录:
我的资料
我的收藏
购物车
0
留言
回到顶部