-
公开(公告)号：CN117153286A
公开(公告)日：2023-12-01
申请号：CN202310932566.7
申请日：2023-07-27
Applicant: 北京航空航天大学
Abstract: 本发明提出一种基于几何特征编码图注意力网络的分子性质预测方法，包括如下步骤：步骤一，根据待预测分子的二维和三维结构信息，构建分子以原子为节点的分子图Ga和以化学键连接的原子对为节点的分子图Gb；步骤二，通过对分子的二维和三维特征进行编码进而生成两种类型分子图的节点特征向量；步骤三，通过基于多头自注意力机制引导的图神经网络，对步骤二获得的分子图节点特征进行聚合更新；步骤四，对分子图Ga和Gb的三维结构的几何信息进行特征编码并进行融合；步骤五，对步骤四获得的分子图节点特征进行合并，使用全连接网络和图池化操作对分子图Ga和Gb的节点级特征向量进行全局聚合，从而生成分子图的图级特征，实现目标分子的性质预测。
-
公开(公告)号：CN116883425A
公开(公告)日：2023-10-13
申请号：CN202310770416.0
申请日：2023-06-28
Applicant: 北京航空航天大学
IPC: G06T7/11 , G06T7/136 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提出一种基于全局信息导引和隐式表达重整的鼻腔图像分割方法，该方法具体步骤如下：步骤一、利用大批量无标签头部CT影像数据，对多层级结构分割网络的编码器部分进行基于自编码器的自监督预训练；步骤二、构建基于隐式神经表达的全局编码分支，并利用重采样无标签数据对其进行预训练；步骤三、利用预训练编码器参数的优良初始化和全局编码分支的辅助，构建基于隐式神经表达的多层级鼻腔分割网络并完成鼻腔影像的分割。本发明成功解决现有技术在鼻腔影像分割的数据和方法方面所所面临的问题，实现了鼻腔精准分割，并且在鼻科临床领域具有广阔的应用前景。
-
公开(公告)号：CN116309813A
公开(公告)日：2023-06-23
申请号：CN202211499969.9
申请日：2022-11-28
Applicant: 北京航空航天大学
Abstract: 本发明提出一种固态激光雷达‑相机紧耦合位姿估计方法，步骤一：对相机相邻两帧图像进行尺度不变特征变换SIFT特征点检测和描述子提取；步骤二：将相邻两帧固态激光雷达的非重复扫描点云投影到对应图像帧上，得到深度图，进而变成三维匹配点；步骤三：对三维匹配点进行基于刚体变换的RANSAC算法，得到相邻相机位姿，并计算相邻固态激光雷达位姿；步骤四：对固态激光雷达点云计算曲率，并根据曲率划分平面点和边缘点分别构建点到面的迭代最近点算法ICP和点到线的ICP激光雷达因子；步骤五：对图像提取2D配准点构建基于对极几何的相机因子；步骤六：融合激光雷达优化因子和相机优化因子，并进行因子图优化，最终得到精细的固态激光雷达位姿估计。
-
公开(公告)号：CN116168044A
公开(公告)日：2023-05-26
申请号：CN202310196115.1
申请日：2023-03-03
Applicant: 北京航空航天大学
Abstract: 本发明提出一种利用大气传输及热惯性效应构造神经网络的红外盲道分割方法，该方法步骤如下：步骤一：基于热红外成像过程搭建神经网络。首先通过大气传输模块，增加图像大气传输信息，随后通过骨干网络对目标特征进行多尺度提取；同时，根据成像端热辐射计热惯性效应，通过热惯性模块，对目标原始信号值进行计算；最后，对得到的多尺度目标特征与原始信号值进行特征融合，将融合得到的特征送入解码器，得到全图像像素级别的概率预测图。步骤二：构造损失函数对网络进行训练。使用预测结果与像素级标签进行损失计算，以实现对网络参数的训练。用训练好的神经网络处理红外图像。在使用训练数据对构造的神经网络进行充分迭代训练之后，得到训练好的网络用于分割目标图像。
-
公开(公告)号：CN115388874A
公开(公告)日：2022-11-25
申请号：CN202210968287.1
申请日：2022-08-12
Applicant: 北京航空航天大学
Abstract: 本发明提出一种基于单目相机的圆形靶标位姿估计方法，包括：步骤一、靶标成像椭圆方程求解；步骤二、靶标法向量计算；步骤三、靶标中心三维坐标计算；步骤四、靶标法向量解耦；步骤五、靶标位姿优化。本发明给出了求解靶标位置和平面法向量的完备的解析形式，能够在单个毫秒内完成解算，具有高速高精度的特性，同时采用单目相机降低了测量对系统硬件设备的要求，提高了系统的灵活性和适应性。系统中采用合作靶标的方法，既能高鲁棒性地解决法向量解耦问题，也能提高靶平面法向量计算的精度，由于合作靶标配置方案在测量中很容易实现，也是实际测量中常用的测量策略，因此该方法在合作测量中具有广泛的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN115222748A
公开(公告)日：2022-10-21
申请号：CN202210808591.X
申请日：2022-07-11
Applicant: 北京航空航天大学
IPC: G06T7/11 , G06T7/30 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明为一种基于并联深度U形网络和概率密度图的多器官分割方法，步骤如下：步骤一：在大规模无标签影像数据集上对深度卷积实例分割网络编码器进行基于对比学习的自监督预训练；步骤二：基于器官概率密度图与预训练网络权重，利用多尺度并联深度U形实例分割网络对输入影像进行多器官初步分割；步骤三：利用多尺度自适应融合模块改善初步分割结果，得到对输入影像的精细多器官分割。本发明可充分利用传统有监督学习中难以利用的大规模无标签数据，同时针对多器官分割任务引入了概率密度图引导和多尺度自适应融合模块，保证了多器官分割结果的准确性和可靠性。本发明可以与临床诊断和放化疗计划制定等相关领域应用密切结合，具有广阔的市场前景与应用价值。
-
公开(公告)号：CN115063293A
公开(公告)日：2022-09-16
申请号：CN202210606345.6
申请日：2022-05-31
Applicant: 北京航空航天大学
Abstract: 本发明提出一种采用生成对抗网络的岩石显微图像超分辨率重建方法，具体步骤如下：步骤一：输入数据生成；分辨率提升分支的输入为三通道原始图像；聚焦平衡分支输入为聚焦注意力图；聚焦注意力图由原始图经过模糊核过滤与导向滤波两步骤计算获得；步骤二：双分支前向传播网络搭建；两分支中间结果通过双向有偏融合模块BBFM连接；模块基于MS‑CAM模块，充分考虑全局与局部信息，通过乘法、加法与拼接的灵活组合，辅以可训练的权重，实现双向有偏调控；步骤三：损失函数反向训练；在前向传播后计算生成对抗损失函数、均方误差损失函数、感知损失函数与聚焦约束损失函数，并通过随机梯度下降法进行反向传播，训练网络。
-
公开(公告)号：CN114970862A
公开(公告)日：2022-08-30
申请号：CN202210460006.1
申请日：2022-04-28
Applicant: 北京航空航天大学
Abstract: 本发明为一种基于多实例知识蒸馏模型的PDL1表达水平预测方法，步骤如下：步骤一：利用基于多实例学习的教师‑学生卷积神经网络模型对数字病理进行图像块级别PDL1表达水平预测；步骤二：构造加权蒸馏损失函数约束学生网络S优化过程，合理配置PDL1弱标签监督信息；步骤三：利用深度随机模型对全局聚合特征进行分类，实现数字病理图像级别PDL1表达水平预测。本发明可构建组织病理学图像形态学特征与PDL1分子表型间的关联，同时针对弱标签问题设计了一种结合多实例学习与知识蒸馏模型的特征提取框架，保证了PDL1表达水平预测结果的可靠性和稳定性。本发明可以与医疗系统和病理分析相关领域应用密切结合，具有广阔的市场前景与应用价值。
-
公开(公告)号：CN111967466B
公开(公告)日：2022-08-16
申请号：CN202010649348.9
申请日：2020-07-08
Applicant: 北京航空航天大学
IPC: G06V10/25 , G06V10/143 , G06V10/77 , G06V10/40 , G06K9/62
Abstract: 本发明公开一种利用多方向稀疏低秩分解的红外弱小目标检测方法，包括：步骤一：构建多方向性稀疏低秩模型的目标函数；步骤二：通过滑动窗口得到原图像的不同的局部区域，然后将每一个局部区域转化成一个列向量，若干列向量合并为一个全新的列图像；步骤三：对得到的列图像，使用改进的加速近端梯度法迭代求解目标函数最小值，将列图像分解为背景列图像和目标列图像两部分；步骤四：将得到的目标列图像通过算法计算恢复为目标图像，得到检测结果。本发明模型的假设符合红外弱小目标图像的特性，在提高检测精度、降低虚警率以及运行时间上有了较为明显的改善，具有广阔的实用前景。
-
公开(公告)号：CN114881206A
公开(公告)日：2022-08-09
申请号：CN202210421322.8
申请日：2022-04-21
Applicant: 北京航空航天大学
Abstract: 本发明公开一种通用神经网络蒸馏公式方法，步骤如下：1)输入数据数据增强，利用增强数据集训练基线网络模型；2)特征递归消除模块对训练好的模型针对输入特征进行重要性分析，丢掉不重要的特征，直到不能丢弃任意特征；3)特征递归解耦消除模块交替地对训练好的模型针对输入特征进行耦合性分析和重要性分析，不断对输入特征进行解耦和丢弃，直到不能解耦和丢弃任意特征；4)将k‑分支神经网络拆分成k个子问题，使用符号回归方法获得子问题符号模型。并将子问题符号模型进行Stacking集成得到整个问题的符号模型。本发明提出的神经网络公式转换器NNFC是第一个通用地、在无任何先验情况下将神经网络蒸馏成可解释公式方法，可以在物理、化学、材料、矿物、地质等自然科学甚至社会科学领域发挥重要作用。
-
-
-
-
-
-
-
-
-
Search Results
135
records
(took 0.044 seconds)
