-
公开(公告)号：CN114913343A
公开(公告)日：2022-08-16
申请号：CN202210674288.5
申请日：2022-06-14
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于通道自监督的在线知识蒸馏方法，包括：粗粒度特征提取步骤：将数据进行归一化处理后的输出结果output分别输入到两个网络模型中进行特征提取；自监督学习步骤：将经过粗粒度特征提取步骤后的特征图输入到样本多样性模块中进行特征转换操作，对数据输出不同的联合标签；在线动态蒸馏步骤：通过对两个网络模型分别设置一个动态系数对具有同样特征转换的分支之间进行相互学习，不断优化两个网络多样性模块的权重，并在损失函数值最小时输出输入样本的标签。本发明随着样本、网络和分支多样性的增强，样本数据量变大，人工标注标签任务繁琐，在知识蒸馏中加入自监督学习，使其不需要人工干预，可以降低成本和资源。
-
公开(公告)号：CN118644711A
公开(公告)日：2024-09-13
申请号：CN202410688383.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G16H30/00 , G06T7/00 , G06V10/80 , G16H50/20 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种适用于对肝内胆管癌分化程度进行预测的方法，通过引入了一种名为SiameseNet的双分支深度神经网络，采用多实例学习来减轻肿瘤异质性导致的性能下降。本发明所提出的方法通过交叉注意力机制整合来自两种不同模态的图像信息，最终实现高性能的预测网络，曲线下面积和受试者工作特征曲线用于评估模型性能。本发明所提出的网络在测试队列中的准确度为86.0％，曲线下面积为86.2％，敏感性为84.6％，特异性为86.7％。该模型可帮助医生及时评估患者肿瘤分化程度，制定个性化诊疗方案。
-
公开(公告)号：CN118644710A
公开(公告)日：2024-09-13
申请号：CN202410688376.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06T3/4038 , G06F17/11 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种应用深度学习预测肝内胆管细胞癌分化程度的方法，引入一个将细粒度图像分类方法与课程学习方法相结合的预测肝内胆管癌分化程度的框架，名为FGCNet模型；该模型通过细粒度图像分类方法有效识别CT图像上肝内胆管癌分化程度的细微差异，通过课程学习方法加快训练速度并增强模型泛化能力。本发明提供的模型在测试数据集上的准确度为80.49％，灵敏度为81.25％，特异性为80％，曲线下面积为78.25％；该模型可以无创地评估肝内胆管癌细胞的分化程度，从而成为帮助医生制定肝内胆管癌治疗策略的潜在工具。
-
公开(公告)号：CN114972791B
公开(公告)日：2025-04-25
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
Patent Agency Ranking
公开(公告)号：CN116091860A
公开(公告)日：2023-05-09
申请号：CN202211492454.6
申请日：2022-11-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/20 , G06V10/764 , G06V10/82 , G06T7/11 , G06T3/40
Abstract: 本发明涉及一种丰富数据模式的数据增强方法，包括：将每个样本图像框选一个与样本图像大小一样的图像框，将样本图像朝图像框某一个方向移动，且移动的距离小于移动方向上样本图像的长度；将移出图像框外的图像信息作为填充部分重新填充会完成图像移动步骤后图像框中的空白区域，与图像框内的图像信息构成跟原始样本图像大小相同的新样本图像，实现样本数据的增强。本发明通过简单有效地操作，产生新的训练样本，可以在已有的数据增强方法上无缝叠加，能在已有的数据增强方法产生的样本基础上，生成更多的新的训练样本，而更多的训练样本意味着训练数据集具有更为丰富的数据模式，从而提高网络模型的性能，以及网络模型的鲁棒性和泛化性。
-
公开(公告)号：CN114972791A
公开(公告)日：2022-08-30
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
公开(公告)号：CN114972790A
公开(公告)日：2022-08-30
申请号：CN202210625461.2
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质，涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本，将图像样本输入至图像分类模型，在图像分类模型中的任意一层卷积层中，从图像样本中提取出多张具有不同通道的特征图像。其中，不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签，以及该图像样本已标注的类型标签，计算得到图像分类模型的损失值，基于该损失值调整图像分类模型的参数。重复执行上述步骤，以使可以达到预期训练目标。如此，由于没有增加输入图像分类模型的图像样本的数量，使得每次模型训练耗费的时间更少。
-
公开(公告)号：CN114972790B
公开(公告)日：2024-12-20
申请号：CN202210625461.2
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质，涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本，将图像样本输入至图像分类模型，在图像分类模型中的任意一层卷积层中，从图像样本中提取出多张具有不同通道的特征图像。其中，不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签，以及该图像样本已标注的类型标签，计算得到图像分类模型的损失值，基于该损失值调整图像分类模型的参数。重复执行上述步骤，以使可以达到预期训练目标。如此，由于没有增加输入图像分类模型的图像样本的数量，使得每次模型训练耗费的时间更少。
-
公开(公告)号：CN115937592A
公开(公告)日：2023-04-07
申请号：CN202211599181.5
申请日：2022-12-12
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06V10/40 , G06V10/82 , G06N3/088 , G06V10/774 , G16H30/20 , G06N3/0455
Abstract: 本发明涉及一种基于潜层表征的主动学习样本标注方法，述样本标注方法包括：S1、特征提取步骤：通过自动编码器模拟从病理图像中提取潜层的表征；S2、判别步骤：将病理图像作为判别器D的输入，训练一个二分类模型，通过判别器D区分有标签和无标签的样本数据集，得到概率值；S3、样本标注步骤：设置样本选择策略ALHS，根据判别器的输出概率值分布通过样本选择策略ALHS选择未标注的样本进行标注，实现病理数据集的自动标注。本发明能够极大减轻病理学家标注数据集的沉重负担，能够缓解样本冗余问题，提高样本选择的质量；能够极大地节省样本标注成本；通用性强，能适用于类不平衡和噪声样本的场合。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.025 seconds)
