-
公开(公告)号：CN119942107A
公开(公告)日：2025-05-06
申请号：CN202411949885.X
申请日：2024-12-27
Applicant: 海南大学
IPC: G06V10/26 , G06V10/22 , G06V10/30 , G06V10/36 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明公开了基于深度学习的脑肿瘤自动分割方法，首先特征增强，然后补丁嵌入与位置嵌入，使用Vision Transformer编码器捕捉远程依赖关系和全局上下文信息，从而提升模型对复杂结构的理解能力；通过集成多个Transformer层的跳跃连接，结合U‑Net架构，保留多尺度特征以进行细致解码；最后解码阶段改进，从而确保分割结果的准确性和细节。本发明还公开了基于深度学习的脑肿瘤自动分割系统。本发明能够有效处理脑部MRI图像，解决了现有分割技术在复杂肿瘤形态、噪声干扰和多尺度特征提取方面的不足，具有更高的分割精度和鲁棒性。
-
公开(公告)号：CN118540141A
公开(公告)日：2024-08-23
申请号：CN202410753436.1
申请日：2024-06-12
Applicant: 海南大学
IPC: H04L9/40 , H04L41/06 , H04L41/16 , G06N3/045 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开服务器入侵预警方法，具体为：步骤1：实时抓取网上所有服务器入侵与网络攻击数据并进行存储；步骤2：将抓取的数据进行处理；步骤3：训练LSTM‑CNN实时预警模型；步骤4：获取服务器的请求数据；步骤5：将获取的请求数据输入最新实时预警模型进行识别，并和分解数据进行模式、序列和特征轮廓对比，当发生入侵请求时，进入步骤7，否则进入步骤6；步骤6：检测服务器出现不带超级管理员标识的删除用户操作、删除文件、创建用户新文件、连续请求次数操作和删除日记操作；步骤7：发出报警并发信息通知服务器管理员。该方法解决了传统的IDS警告不精准的技术问题。还公开了服务器入侵预警系统。
-
公开(公告)号：CN117974803A
公开(公告)日：2024-05-03
申请号：CN202410062086.4
申请日：2024-01-16
Applicant: 海南大学
IPC: G06T7/80 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种多传感器融合标定的方法及相关装置。该方法包括如下步骤：获取多传感器数据并进行预处理，所述多传感器数据来源于不同类型的传感器分别采集同一场景的数据；将多种传感器数据输入预设的CNN‑DNN组合模型中进行训练，获得训练结果，将训练结果输入到损失函数中进行损失计算，得到与真实地面值的损失值，基于损失值利用反向传播算法对模型进行参数调优，直至达到迭代次数或损失值满足预测要求，输出训练好的CNN‑DNN组合模型；将待融合的多传感器数据输入至训练好的CNN‑DNN组合模型中，进行多传感器数据的实时标定。本发明可以有效地融合和处理多种传感器数据，实现端到端学习，并提取高级特征以完成标定任务。
-
公开(公告)号：CN115617871A
公开(公告)日：2023-01-17
申请号：CN202211284548.4
申请日：2022-10-17
Applicant: 海南大学
IPC: G06F16/2458 , G06F16/215 , G06F17/10 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种臭氧浓度预测方法、装置、设备及可读存储介质，应用于臭氧检测领域，包括：获取历史臭氧序列数据，并利用变分模态分解对历史臭氧序列数据进行分解，得到多个模态分量；计算历史臭氧序列数据与多个模态分量之和的差值，得到剩余残差项；利用模态分解算法对剩余残差项进行分解，得到多个本质模态分量；利用神经网络对每个本质模态分量进行预测，得到每个本质模态分量对应的预测结果，并将所有的预测结果相加，得到残差项最终预测结果；计算多个模态分量和残差项最终预测结果的和，得到臭氧浓度预测结果。本发明在臭氧浓度预测的过程中，除了使用模态分量信息之外，还利用剩余残差项二次分解信息，使得对臭氧浓度的预测更加准确。
-
公开(公告)号：CN116645381B
公开(公告)日：2024-11-08
申请号：CN202310758898.8
申请日：2023-06-26
Applicant: 海南大学
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本发明属于医学图像分割领域，具体涉及一种脑肿瘤MRI图像分割方法、系统、电子设备及存储介质。所述方法包括以下步骤：S1获取原始数据集，并对原始数据集进行预处理；S2将与处理后的数据输入到混合U‑Net模型中进行处理，得到分类结果；所述混合U‑Net模型是基于U‑Net模型和CNN模型构建的。本发明实现在MRI图像中的脑肿瘤分割，解决U‑Net网络结构存在的细粒度特征提取能力不足、模型参数量较大，以及原始数据集预处理效果不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN117809184A
公开(公告)日：2024-04-02
申请号：CN202311845052.4
申请日：2023-12-29
Applicant: 海南大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/42
Abstract: 本发明公开了基于MSSARN框架的高光谱图像分类模型，具体包括：光谱注意力模型，用于识别光谱特征；邻域卷积模块，用于空间特征的提取；跟随块模块，用于增强特征提取的功能；残差网络模块，残差连接允许梯度直接流过网络的多个层，有助于保持在深层网络中信息的有效传递；本发明还公开了基于MSSARN框架的高光谱图像分类方法，MSSARN在多个高光谱数据集上的分类准确率显著优于其他现有算法，展现了其作为高光谱图像分类的有效和高效解决方案的潜力。这表明该研究在高光谱图像处理领域取得了重要进展。
-
公开(公告)号：CN117808919A
公开(公告)日：2024-04-02
申请号：CN202311850488.2
申请日：2023-12-29
Applicant: 海南大学
IPC: G06T11/00 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了基于深度学习的生成对抗网络进行MRI欠采样重建方法，采用DLGAN架构，DLGAN架构包括GAN1模块和GAN2模块，每个模块都包含一个内部的生成器DLGAN_GB和鉴别器DLGAN_DB，用于从K空间数据中恢复图像；DLGAN架构，用于恢复脑部和膝盖MRI数据集；提出的DLGAN表现出有效地估计缺失数据和除去MRI数据集中伪影的能力；DLGAN架构使用GAN模块从膝盖和脑MRI数据集的欠采样输入数据生成MR图像；DLGAN模型表现出比现有模型更有前途的改进，并且给出了更好的结果。
-
公开(公告)号：CN116842444A
公开(公告)日：2023-10-03
申请号：CN202310797469.1
申请日：2023-07-03
Applicant: 海南大学
IPC: G06F18/241 , G06F18/21 , G06F18/10 , G06N3/0442
Abstract: 本发明提供一种基于EEMD‑CEEMDAN结合LSTM的混合时间序列数据预测方法，包括下述步骤：获取原始时间序列数据，并对所述原始时间序列数据进行预处理；对经预处理之后的时间序列数据进行信号分解，得到IMF模态分量；将得到的IMF模态分量输入到LSTM预测模型中得到最终的预测结果。本发明提出的预测模型通过EEMD‑CEEMDAN结合LSTM模型进一步改进提升时间序列数据预测准确度；提出了多步骤的信号分解方式，通过使用EEMD和CEEMDAN分别分解目标序列数据和数据集中其他各成分序列数据，提高了信号分解的效率。
-
公开(公告)号：CN115797140A
公开(公告)日：2023-03-14
申请号：CN202211655401.1
申请日：2022-12-22
Applicant: 海南大学
Abstract: 本申请公开了一种基于PCT和3D‑DCT的三维医学体数据鲁棒水印方法，包括：对三维医学体数据进行切片，对各切片进行PCT变换，获得一维特征行向量；将各切片的一维特征行向量整合成三维特征矩阵；对三维特征矩阵进行3D‑DCT变换，得到变换系数矩阵；根据变换系数矩阵，获得三维医学体数据的视觉特征向量；将三维医学体数据的视觉特征向量和加密水印逐位进行异或运算，以将水印信息嵌入到三维医学体数据中。这样基于PCT矩和3D‑DCT变换得到反映医学数据特点的视觉特征向量，可以实现数字水印的抗几何攻击和常规攻击，满足医学领域中对医学数据质量的严格要求，具有很强的鲁棒性和不可见性，能保护医学体数据的数据安全。
-
公开(公告)号：CN120047816A
公开(公告)日：2025-05-27
申请号：CN202411967702.7
申请日：2024-12-30
Applicant: 海南大学
IPC: G06V20/10 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了基于改进多尺度注意力和Transformer网络的高光谱图像精确分类方法，首先动态空间注意单元空间信息提取；然后多核融合注意模块多尺度特征提取；最后交叉注意Swin Transformer模块提升信息融合；具体的，将多尺度注意力处理后的特征输入LayerNorm；然后引入多头注意力机制，让网络能够处理不同尺度的特征；引入多头交叉注意力，让网络让好的融合不同尺度特征，在多头注意力机制后加入MLP，用于整合提取特征；本发明解决了现有技术中存在的多头自注意力机制可能导致特征冗余和信息过度分散的问题。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.02 seconds)
