-
公开(公告)号：CN118887416B
公开(公告)日：2024-12-10
申请号：CN202411394057.4
申请日：2024-10-08
Applicant: 中南大学
IPC: G06V10/40 , G06N3/0464 , G06N3/08 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种三维点云数据的特征提取方法，包括获取已知的三维点云数据集并预处理；在三维点云数据集的最小包围盒的顶点处设置源电荷并构建三维点云数据集中各个点的探针点电荷；计算三维点云数据集中各个点的点几何库仑力；将点几何库仑力与对应的三维坐标合并得到训练数据集，并对深度学习网络进行训练得到特征提取网络；采用特征提取网络完成目标三维点云数据的特征提取。本发明还公开了一种包括所述三维点云数据的特征提取方法的分类分割方法，以及实现所述三维点云数据的特征提取方法的系统。本发明具有低维和显式的特征，对真实数据具有更强的鲁棒性，不仅能够实现三维点云数据的特征提取，而且可靠性更高，精确性更好，适用性更好。
-
公开(公告)号：CN118658008B
公开(公告)日：2024-11-19
申请号：CN202411125379.9
申请日：2024-08-16
Applicant: 中南大学
IPC: G06V10/764 , G06N3/0455 , G06N3/0464 , G06V10/40 , G06V10/82
Abstract: 本申请涉及疾病图像处理技术领域，提供了一种甲病图像处理系统。该甲病图像处理系统包括：数据增强模块进行数据增强，得到第一子图像和第二子图像；特征提取模块用于利用特征提取模型得到标记令牌、第一子图像特征、第二子图像特征；第一分类模块利用第一分类模型得到第一图像类别概率分布，利用第二分类模型得到第二图像类别概率分布；第一构建模块构建分类损失函数；第二构建模块构建平衡混合代理损失函数；最终损失函数构建模块构建最终损失函数，并对特征提取模型、第一分类模型、第二分类模型进行优化；第二分类模块利用优化后的模型确定待预测甲病图像的图像类别。本申请的甲病图像处理系统能够提高甲病图像分类的准确性。
-
公开(公告)号：CN118116604A
公开(公告)日：2024-05-31
申请号：CN202410235844.8
申请日：2024-03-01
Applicant: 中南大学
Abstract: 本发明公开了一种基于电子病历融合的ICU患者早期预测方法，包括获取现有的ICU患者的电子病历数据并分类预处理；构建ICU患者早期预测初始模型并训练得到训练后的ICU患者早期预测模型；采用ICU患者早期预测模型进行实际的ICU患者的早期预测。本发明还公开了一种实现所述基于电子病历融合的ICU患者早期预测方法的系统。本发明基于注意力机制构建预测模型，并实现对电子病历中的不规则性进行多模态融合，因此本发明不仅能够完成ICU患者的早期预测，而且可靠性更高，精确性更好。
-
公开(公告)号：CN118762145B
公开(公告)日：2024-11-22
申请号：CN202411253719.6
申请日：2024-09-09
Applicant: 中南大学
Abstract: 本发明公开了一种扫掠面高精度重建方法，包括获取目标扫掠面的数据信息并得到三角网格模型；计算三角网格曲面的曲率并得到初始路径；根据初始路径拟合得到轮廓曲线；根据轮廓曲线逆向计算修正跟踪路径有序点集，修正跟踪路径有序点集的直线段和圆弧段并拟合得到路径曲线；根据轮廓曲线和路径曲线完成最终的扫掠面的重建。本发明还公开了一种包括所述扫掠面高精度重建方法的管道零件曲面重建方法。本发明通过高斯映射逼近扫掠横截面，通过逆向计算对跟踪路径进行修正，有效避免了跟踪路径的离散误差，同时结合约束以提高路径精度；因此本发明不仅能够实现自动的扫掠面的高精度重建，而且可靠性更高，精确性更好。
-
公开(公告)号：CN118887416A
公开(公告)日：2024-11-01
申请号：CN202411394057.4
申请日：2024-10-08
Applicant: 中南大学
IPC: G06V10/40 , G06N3/0464 , G06N3/08 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种三维点云数据的特征提取方法，包括获取已知的三维点云数据集并预处理；在三维点云数据集的最小包围盒的顶点处设置源电荷并构建三维点云数据集中各个点的探针点电荷；计算三维点云数据集中各个点的点几何库仑力；将点几何库仑力与对应的三维坐标合并得到训练数据集，并对深度学习网络进行训练得到特征提取网络；采用特征提取网络完成目标三维点云数据的特征提取。本发明还公开了一种包括所述三维点云数据的特征提取方法的分类分割方法，以及实现所述三维点云数据的特征提取方法的系统。本发明具有低维和显式的特征，对真实数据具有更强的鲁棒性，不仅能够实现三维点云数据的特征提取，而且可靠性更高，精确性更好，适用性更好。
-
Patent Agency Ranking
公开(公告)号：CN113362465A
公开(公告)日：2021-09-07
申请号：CN202110627208.6
申请日：2021-06-04
Applicant: 中南大学
Abstract: 本发明公开了一种非刚性三维形状逐点对应方法，包括获取待对应的三维网格；计算三维网格的拉普拉斯矩阵；计算拉普拉斯矩阵的广义特征值分解得到对应的特征向量和特征值；选择紧框架小波滤波器并生成对应的滤波器；迭代优化函数映射和逐点映射矩阵得到待对应的三维网格之间的逐点对应。本发明还公开了包括所述非刚性三维形状逐点对应方法的人体心脏运动仿真方法。本发明使用多尺度小波的保值作为约束，约束更加简单、紧凑和有效，而且迭代收敛速度更快，鲁棒性更高；同时，本发明方法的对应效果更好，而且计算效率更高。
-
公开(公告)号：CN110910492B
公开(公告)日：2021-02-02
申请号：CN201911204811.2
申请日：2019-11-29
Applicant: 中南大学
Abstract: 本发明公开了一种非刚性三维模型之间点点匹配的方法，该方法包括以下步骤：先建立各向异性谱流形小波描述符；再以建立的描述符作为模型点的描述符约束，采用模型上各点的热核关系作为点对关系约束，建立目标函数，实现模型点间的最优匹配。本发明先在前期建立各向异性谱流形小波描述符，再采用热核关系作为点对关系约束。相较于现有方法而言，各向异性谱流形小波描述符具有等距变形不变性、能区分模型的内蕴对称性、具有高分辨能力和定位能力、计算效率高，结构紧凑的优势；热核关系作为点对关系约束比其他采用测地距离的方法计算效率和稳定性更优越；从而保证本方法计算明确，结果鲁棒，匹配准确。
-
公开(公告)号：CN119672079A
公开(公告)日：2025-03-21
申请号：CN202411833080.9
申请日：2024-12-13
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度学习的肝脏术前到术中的点云配准方法，包括以下步骤：获取现有真实三维肝脏模型数据；对现有真实三维肝脏模型数据进行预处理，得到术前肝脏完整点云和术中肝脏部分点云，以对应的术前肝脏完整点云和术中肝脏部分点云作为样本，获取样本数据集；基于双分支网络框架，构建初始肝脏点云配准模型；使用样本数据集对初始肝脏点云配准模型进行训练，得到肝脏点云配准模型；使用肝脏点云配准模型，进行实际的肝脏点云配准。本发明方法不仅在配准精度上有了极大提升，还提高了配准的速度，使其具有实时性，相比现有方法具有配准精度高，配准速度快的优点。
-
公开(公告)号：CN118749988A
公开(公告)日：2024-10-11
申请号：CN202410752600.7
申请日：2024-06-12
Applicant: 中南大学
IPC: A61B5/318 , A61B5/346 , A61B5/00 , A61B5/352 , G06F18/2433 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种多导联心电图异常检测方法，包括获取现有的心电图数据并构建训练数据集；基于多头注意力和多层感知机构建多导联心电图异常检测初始模型并训练得到多导联心电图异常检测模型；将待检测的心电图数据输入多导联心电图异常检测模型，完成待检测的心电图的异常检测。本发明还公开了一种包括所述多导联心电图异常检测方法的成像方法。本发明基于多头注意力和多层感知机，设计了多导联心电图异常检测模型，并针对性的进行训练；因此本发明不仅能够完成多导联心电图的异常检测和成像，而且具有可解释性，可靠性更高，精确性更好。
-
公开(公告)号：CN118657996A
公开(公告)日：2024-09-17
申请号：CN202410802495.3
申请日：2024-06-20
Applicant: 中南大学
IPC: G06V10/764 , G06V10/82 , G06V10/20 , G06V10/774 , G06V10/74 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/088 , G06N3/0985 , G06V10/80
Abstract: 本发明公开了一种基于无监督元学习的小样本医学图像分类方法，包括以下步骤：获取医学图像数据；对医学图像数据进行采样，并对采样得到的样本进行数据增强，再进行图像处理，得到具有伪标签的训练数据集，将训练数据集分为训练集和验证集；基于原型网络基本框架，构建初始医学图像分类模型；采用训练集，对初始医学图像分类模型进行训练，得到训练集数据分类模型；采用验证集，对训练集数据分类模型进行调整，得到医学图像分类模型；使用医学图像分类模型，进行实际的医学图像分类。本发明方法不仅克服了医学图像数据量少且分布不均匀的问题，而且不需要对样本进行标记，相比现有方法具有成本低，分类正确率高的优点。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.018 seconds)
