买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜山东师范大学申请的专利基于深度监督的密度回归细胞计数方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114549410B 。

龙图腾网通过国家知识产权局官网在2025-06-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210044331.X，技术领域涉及：G06T7/00；该发明授权基于深度监督的密度回归细胞计数方法及系统是由郑元杰;丁媛媛;王晓辰;刘弘设计研发完成，并于2022-01-14向国家知识产权局提交的专利申请。

本基于深度监督的密度回归细胞计数方法及系统在说明书摘要公布了：本发明提供了一种基于深度监督的密度回归细胞计数方法及系统，包括：获取待处理的细胞图像；根据所述细胞图像和预设的密度回归细胞计数模型，得到细胞图像中的细胞数；其中，所述密度回归细胞计数模型为使用非相邻层方式连接多尺度特征的卷积神经网络；本发明使用非相邻层的快捷连接来连接多尺度特征的卷积神经网络，在这种级联的网络架构中，由沿着下采样路径的所有层提取的多尺度图像特征可以被集成到沿着上采样路径的层的输入中，以进一步提高模型性能；此外，通过深度监督学习策略，为设计的神经网络的中间层提供直接监督来增强它们的训练，从而提高了细胞计数工作精度。

本发明授权基于深度监督的密度回归细胞计数方法及系统在权利要求书中公布了：1.基于深度监督的密度回归细胞计数方法，其特征在于，包括： 获取待处理的细胞图像； 根据所述细胞图像和预设的密度回归细胞计数模型，得到细胞图像中的细胞数； 其中，所述密度回归细胞计数模型为使用非相邻层方式连接多尺度特征的卷积神经网络；所述卷积神经网络中包括用于处理提取低维特征的多个第一网络区块、用于提取高度代表性特征的第二网络区块、与多个第一网络区块级联后用于恢复细胞图像分辨率的多个第三网络区块，以及根据恢复分辨率的图像获得密度图的第四网络区块；所述第三网络区块设置为上采样；还包括为中间层提供直接监督的深度监督模块； 第一网络区块设置为3个，为神经网络中的前三个块，所述第一网络区块包括卷积、激活和池化功能；第一网络区块中的每个池化层通过仅输出要素图中每个下采样区域的最大值，对输入要素图执行下采样操作，卷积层与一组可学习的核关联，并用于从其前一层的输出中提取局部特征，每个块中的激活层用来增加网络的非线性特性，不影响卷积层的感受野，将前一层的负响应设置为零，保持正响应不变，所述第二网络区块设置为1个，为神经网络中的第四块，所述第二网络区块包括卷积和激活功能，第三网络区块设置为3块，位于神经网络中第5到第7块，所述第三网络区块包括上采样、卷积和激活功能；所述第四网络区块包括卷积和激活功能； 使用3个辅助卷积神经网络为学习主框架网络的中间层提供直接监督，将低维特征图输入到具有卷积、激活功能的网络区块，并将第一特征图的信息输入辅助卷积网络的第一辅助网络区块中；将特征图输入到三个具有上采样、卷积和激活功能的辅助网络区块，在第一辅助网络区生成第二特征图，将信息输入辅助卷积网络的第二辅助网络区块中，在第二辅助网络区块生成第三特征图，将信息输入辅助卷积网络的第三辅助网络区块中，每个辅助神经网络包含两个由卷积层和ReLU层组成的网络块，分别根据每个输入特征图估计低分辨率密度图，估计密度图和相关地面实况之间的差异被用来支持主干网络模型训练；其中，X为给定的二维显微图像； 将密度回归函数中的定义为；其中，表示前4个块中的可训练参数，表示第5个块中的参数，表示第6个块中的参数，表示最后两个块中的参数；将定义为每个辅助神经网络输出的低分辨率密度图； 和通过组合损失函数的最小化被联合训练，损失函数公式如下： 其中，表示密度图和相应的真实注释密度图之间的误差；表示测量由第个辅助卷积神经网络估计的低分辨率密度图和相应的低分辨率真实注释密度图之间的误差，表示第个辅助卷积神经网络中的参数向量；参数控制第个辅助神经网络的监督强度；参数控制损失惩罚的强度以减少过拟合；其中损失定义为差值平方的和，上式中表示为： 计算主干神经网络生成的估计密度图和真实注释密度图之间的误差，将其表示为损失函数和定义为： 其中，表示训练数据关于训练图像的全尺寸真实注释密度图；表示为由生成的低分辨率真实注释密度图；简化为。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东师范大学，其通讯地址为：250014 山东省济南市历下区文化东路88号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。