【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及基于深度学习的图像识别系统及其方法。
技术介绍
1、图像识别技术自20世纪90年代起步，经历了从基于边缘与纹理的传统计算机视觉算法向统计学习方法再到深度学习模型的演进，特别是在深度神经网络出现后，卷积神经网络、区域建议网络系列、yolo和transformer等架构推动了目标检测和图像理解的快速发展，广泛应用于自动驾驶、视频监控、智能制造等场景，如今，随着算法精度不断提升，研究趋势逐渐转向低延迟识别、边缘设备部署以及复杂动态环境下的识别鲁棒性增强。
2、现有深度学习图像识别方法通过学习静态帧中的空间特征，已能够实现较高的识别精度，但对于医疗影像，如腹腔镜微创手术影像，其通常由内窥摄像头采集并记录，用于术中辅助识别、术后行为分析及临床教学等目的，受限于手术时长较长、影像存储压力大、人工标注成本高以及远程传输带宽限制等因素，这类影像在采集或处理过程中常被设置为较低帧率，甚至在公开研究数据集中以1fps形式提供，与高帧率视频相比，低帧率视频中相邻帧之间时间间隔较大，导致手术器械在前后帧之间可能发生显...
【技术保护点】
1.基于深度学习的图像识别方法，应用于低帧率医疗影像中的器械识别，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述确定所述第一目标在所述第二图像帧中目标丢失前还包括：
3.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，判断所述匹配度是否超过预设匹配阈值前还包括：
4.根据权利要求3所述的基于深度学习的图像识别方法，其特征在于，所述判断所述平均清晰度后还包括：
5.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述在所述第一图像帧中根据所述第一纹理数据定位
【技术特征摘要】
1.基于深度学习的图像识别方法，应用于低帧率医疗影像中的器械识别，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述确定所述第一目标在所述第二图像帧中目标丢失前还包括：
3.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，判断所述匹配度是否超过预设匹配阈值前还包括：
4.根据权利要求3所述的基于深度学习的图像识别方法，其特征在于，所述判断所述平均清晰度后还包括：
5.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述在所述第一图像帧中根据所述第一纹理数据定位第一目标包括：
6.根据权利要求5所述的基于深度学习的图像识别方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。