-
公开(公告)号：CN119649152A
公开(公告)日：2025-03-18
申请号：CN202411890615.6
申请日：2024-12-20
Applicant: 中南大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06V10/774 , G06N3/0464 , G06V10/74
Abstract: 本发明公开了一种基于注意力机制的小样本医学图像分类方法，包括获取现有的医学图像数据并预处理得到数据集；基于原型网络和注意力机制构建医学图像分类初始模型并进行训练、优化和验证得到医学图像分类模型；采用得到的医学图像分类模型进行实际的小样本医学图像的分类。本发明还公开了一种包括了所述基于注意力机制的小样本医学图像分类方法的成像方法。本发明通过数据预处理过程来实现小样本医学图像数据的增强，并基于原型网络和注意力机制构建医学图像分类模型并训练，因此本发明不仅能够实现小样本医学图像的分类和成像，而且可靠性更高，精确性更好。
-
公开(公告)号：CN118967348A
公开(公告)日：2024-11-15
申请号：CN202411145069.3
申请日：2024-08-20
Applicant: 中南大学
IPC: G06Q50/00 , G06F17/16 , G06F18/214 , G06N3/08 , G06F16/9536 , G06F16/904
Abstract: 本发明公开了一种基于聚合矩阵的多层社交网络可视化方法，包括以下步骤：获取社交信息数据集；根据得到的社交信息数据集，构建多层社交网络；根据得到的多层社交网络，计算获取向量颜色映射方案；根据得到的多层社交网络，随机生成节点初始排序，并使用启发式算法迭代优化求解，得到最终节点排序；根据得到的向量颜色映射方案与最终节点排序，构建聚合矩阵可视化图，完成多层社交网络可视化。本发明还公开了一种实现所述基于聚合矩阵的多层社交网络可视化方法的系统。本发明方法解决了现有方法不支持探索分析多层社交网络下不同维度组合下的矩阵可视化的问题，通过启发式算法优化节点排序，减少了信息损失，得到了更好的可视化效果。
-
公开(公告)号：CN113362465B
公开(公告)日：2022-07-15
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：CN113792859B
公开(公告)日：2022-06-17
申请号：CN202111069850.3
申请日：2021-09-13
Applicant: 中南大学
IPC: G06N3/04 , G06N3/08 , G06K9/62 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种无监督形状对应方法，包括获取训练数据和测试数据，生成数据集；对数据集进行预处理；采用特征提取网络对预处理后的数据集进行特征提取；采用针对泛函数的谱流形小波约束优化，得到形状对应的概率密度矩阵，生成初始形状对应模型；提出作用于形状对应网络的无监督损失函数；生成最终形状对应模型；将初始三维形状发送到最终形状对应模型，生成带有初始三维形状特征信息的三维形状模型。本发明，精度高，速度快。并进一步提升了使用深度学习的形状对应算法的准确率，输出形状更加鲁棒。提出的无监督损失函数不需要网络额外的输入或者预先计算其他信息，大大提升了效率。
-
公开(公告)号：CN110910492A
公开(公告)日：2020-03-24
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。
-
Patent Agency Ranking
公开(公告)号：CN119418389A
公开(公告)日：2025-02-11
申请号：CN202411518799.3
申请日：2024-10-29
Applicant: 中南大学
IPC: G06V40/18 , G06V10/764 , G06V10/774 , G06V20/70 , G06V10/82
Abstract: 本发明公开了一种青光眼眼底图像分类方法，包括获取现有的青光眼眼底图像数据信息、进行分类标注和预处理得到训练数据集；基于ConvNeXt模型构建青光眼眼底图像分类初始模型并训练得到青光眼眼底图像分类模型；采用得到的青光眼眼底图像分类模型进行实际的青光眼眼底图像的分类。本发明还公开了一种包括所述青光眼眼底图像分类方法的成像方法。本发明通过ConvNeXt模型构建具有特征融合过程的青光眼眼底图像分类网络，因此本发明不仅能够实现青光眼眼底图像的分类，而且适用于单眼图像和双眼图像的分类，不仅可靠性高，精确性好，而且适用范围广，更为客观和科学。
-
公开(公告)号：CN118762145A
公开(公告)日：2024-10-11
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：CN118658008A
公开(公告)日：2024-09-17
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：CN118229721A
公开(公告)日：2024-06-21
申请号：CN202410320670.5
申请日：2024-03-20
Applicant: 中南大学
IPC: G06T7/162 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种针对腹部图像的多器官分割方法，包括获取现有的腹部图像并进行器官分割和标记；构建腹部图像的多器官分割初始模型；采用腹部图像训练对模型得到腹部图像的多器官分割模型；采用腹部图像的多器官分割模型进行实际的腹部图像的多器官分割。本发明还公开了一种包括所述针对腹部图像的多器官分割方法的成像方法。本发明基于KNN算法和图表示学习算法，充分发挥图表示学习的优势，不仅实现了腹部图像的多器官分割，而且可靠性更高，精确性更好。
-
公开(公告)号：CN113792859A
公开(公告)日：2021-12-14
申请号：CN202111069850.3
申请日：2021-09-13
Applicant: 中南大学
Abstract: 本发明公开了一种无监督形状对应方法，包括获取训练数据和测试数据，生成数据集；对数据集进行预处理；采用特征提取网络对预处理后的数据集进行特征提取；采用针对泛函数的谱流形小波约束优化，得到形状对应的概率密度矩阵，生成初始形状对应模型；提出作用于形状对应网络的无监督损失函数；生成最终形状对应模型；将初始三维形状发送到最终形状对应模型，生成带有初始三维形状特征信息的三维形状模型。本发明，精度高，速度快。并进一步提升了使用深度学习的形状对应算法的准确率，输出形状更加鲁棒。提出的无监督损失函数不需要网络额外的输入或者预先计算其他信息，大大提升了效率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.02 seconds)
