基于丰富上下文网络的视杯视盘分割方法及成像方法

    公开(公告)号:CN112884788B

    公开(公告)日:2022-05-10

    申请号:CN202110251870.6

    申请日:2021-03-08

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于丰富上下文网络的视杯视盘分割方法,包括获取现有的彩色眼底图像数据并处理得到训练数据集;构建视杯视盘分割原始模型并训练得到视杯视盘分割模型;采用视杯视盘分割模型对目标彩色眼底图像进行分割得到最终的视杯视盘分割结果。本发明还公开了一种采用所述基于丰富上下文网络的视杯视盘分割方法的成像方法。本发明提出了一种基于卷积神经网络、并能够获取充足上下文信息的分割结构进行视盘视杯分割;因此本发明方法能够提高视盘视杯的分割性能,解决视杯边缘分割不够平滑的问题,而且精确度高、可靠性好且分割效果较好。

    基于丰富上下文网络的视杯视盘分割方法及成像方法

    公开(公告)号:CN112884788A

    公开(公告)日:2021-06-01

    申请号:CN202110251870.6

    申请日:2021-03-08

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于丰富上下文网络的视杯视盘分割方法,包括获取现有的彩色眼底图像数据并处理得到训练数据集;构建视杯视盘分割原始模型并训练得到视杯视盘分割模型;采用视杯视盘分割模型对目标彩色眼底图像进行分割得到最终的视杯视盘分割结果。本发明还公开了一种采用所述基于丰富上下文网络的视杯视盘分割方法的成像方法。本发明提出了一种基于卷积神经网络、并能够获取充足上下文信息的分割结构进行视盘视杯分割;因此本发明方法能够提高视盘视杯的分割性能,解决视杯边缘分割不够平滑的问题,而且精确度高、可靠性好且分割效果较好。

    一种考虑时延约束的社会网络初始关键节点选取方法

    公开(公告)号:CN105138667B

    公开(公告)日:2018-05-18

    申请号:CN201510562450.4

    申请日:2015-09-07

    Applicant: 中南大学

    Abstract: 一种考虑时延约束的社会网络初始关键节点选取方法。本发明首先结合见面概率和激活概率将网络中用户之间的影响力量化表示为信用分配过程结束后积累在节点上的信用值大小。通过对网络结构和用户行为记录的学习,将尝试见面并激活其他用户而产生的传播阻碍作用转化为传播增量路径度量,并结合时延约束条件限定性地分配信用。最后使用贪心思想递归选取边际收益最大的节点组成初始关键节点集合。本发明构建了一种新的社会网络初始关键节点选取方法,结合概率事件和时延约束条件,改进了以往仅基于节点度值评价节点影响力规则的弊端,提高了选取过程的执行效率,并更加真实有效地模拟和预测网络中行为的传播过程。

    一种考虑适应度的在线社会网络拓扑生成方法

    公开(公告)号:CN104579787B

    公开(公告)日:2018-02-27

    申请号:CN201510027620.9

    申请日:2015-01-20

    Applicant: 中南大学

    Abstract: 本发明提出了一种考虑节点适应度的在线社会网络拓扑生成方法,属于计算机技术领域。本方法初始设定在为完全图的在线社会网络中,对于每个新加入的节点,根据基于节点适应度和点权的双重评估择优连接机制,从当前网络中选取若干节点与该新节点连接,新节点的加入会导致网络中部分节点的点权和适应度发生动态演化。节点的点权大小可以代表该节点在网络中的“地位”,而适应度则可以用来评估该节点的“吸引力”。本发明方法构建了一种新的在线社会网络演化评估条件,弱化了以往仅基于节点点权或度大小的演化规则的弊端,可以更真实地模拟并预测网络的演化过程。

    一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法

    公开(公告)号:CN106780073A

    公开(公告)日:2017-05-31

    申请号:CN201710019177.X

    申请日:2017-01-11

    Applicant: 中南大学

    CPC classification number: G06Q50/01

    Abstract: 本发明公开了一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法,使用带有分类标签的评价数据集,构建情感单词训练模型扩展已有的情感词典,分别对社会网络节点进行行为倾向分析和情感倾向分析,作为节点影响力的评判依据,构建综合考虑用户行为和情感的影响力传播模型BSIS,并结合贪心算法求解最大影响力边际收益节点加入到初始节点集合中。本发明综合考虑用户行为倾向和情感倾向,更加有效、准确、真实地挖掘影响力最大化初始节点。

    一种在线社会网络中影响力最大化初始节点选取方法

    公开(公告)号:CN106355506A

    公开(公告)日:2017-01-25

    申请号:CN201610671518.7

    申请日:2016-08-15

    Applicant: 中南大学

    Abstract: 本发明公开了一种在线社会网络中影响力最大化初始节点选取方法,根据用户的行为日志,得到用户对于他的邻居用户基于行为时间延迟的直接影响力;结合社会网络中所有异构节点的点特征和不同个体之间的边特征,构建用户节点特征向量并计算向量之间的相似度,以此作为社会网络中用户节点之间的潜在影响力的评判依据。最后求解最大边际收益节点作为影响力最大化初始关键节点。本发明综合考虑用户行为记录和社会网络复杂的异构节点的关联关系,能有效地选取影响力最大化初始关键节点,并更加真实地反映影响力传播效果。

    一种基于Spark的大数据混合模型的移动推荐方法

    公开(公告)号:CN106056427A

    公开(公告)日:2016-10-26

    申请号:CN201610352855.X

    申请日:2016-05-25

    Applicant: 中南大学

    CPC classification number: G06Q30/0631 G06K9/6256 G06K9/6292

    Abstract: 本发明提出了一种基于Spark的大数据混合模型的商品移动推荐方法。该方法包括4个步骤:首先获取用户在移动端的商品购买数据;第二,从数据库中提取用户历史数据导入到HDFS上,提取特征如用户的行为特征、品牌特征、用户个人消费特征、交叉特征等;第三,将在Spark平台上采用RDD算子对混合模型进行封装,将模型接口嵌入大数据平台内供调用;第四,调用混合模型接口提取特征数据,设置模型的训练参数,训练混合模型。使用测试数据集对模型进行评估,优化模型达到最优,保存训练后的混合模型,并进行相关推荐。该方法能在数据量增大、数据稀疏性加大情况下,有效提高推荐效率。

    单视角图像相机标定方法及系统

    公开(公告)号:CN118552626A

    公开(公告)日:2024-08-27

    申请号:CN202411002916.0

    申请日:2024-07-25

    Applicant: 中南大学

    Abstract: 本发明公开了一种单视角图像相机标定方法,包括获取现有的图像数据集;基于图像的几何特征提取图像对应的特征向量并构建训练数据集;构建包括编码器网络和解码器网络的单视角图像相机标定初步模型并训练得到单视角图像相机标定模型;采用单视角图像相机标定模型完成目标单视角图像相机的参数标定。本发明还公开了一种实现所述单视角图像相机标定方法的系统。本发明能够在不预设标志物的场景中获得更精准的标定结果,而且可靠性更高,精确性更好,实用性更好。

    基于半监督的宫颈肿瘤磁共振图像分割方法及成像方法

    公开(公告)号:CN117934490A

    公开(公告)日:2024-04-26

    申请号:CN202410099354.X

    申请日:2024-01-24

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于半监督的宫颈肿瘤磁共振图像分割方法,包括获取宫颈肿瘤磁共振图像,并通过标记处理,构建带标签图像数据集和无标签图像数据集;构建基于半监督的磁共振图像宫颈肿瘤分割初步模型;随机选择若干张图像,通过弱增广获得弱增广图像,通过图像自适应增广处理获得强增广图像;计算总损失函数;通过梯度下降算法进行反向传播,更新初步模型的参数;重复上述步骤,构建最终的基于半监督的磁共振图像宫颈肿瘤分割模型;采用最终分割模型,针对实际磁共振图像,完成宫颈肿瘤的分割;本发明还提供一种包括所述基于半监督的宫颈肿瘤磁共振图像分割方法的成像方法;本发明方法的精确性提高、可靠性增强、分割效果提升、鲁棒性加强。

    基于少样本学习的OCTA血管分割方法及成像方法

    公开(公告)号:CN116664602A

    公开(公告)日:2023-08-29

    申请号:CN202310919310.2

    申请日:2023-07-26

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于少样本学习的OCTA血管分割方法,包括获取现有的OCTA血管图像并部分标注;随机抽取图像并数据增强;构建OCTA血管分割原始模型;采用增强后的数据图像训练模型;采用得到的模型进行实际的血管分割。本发明还提供了一种包括所述基于少样本学习的OCTA血管分割方法的成像方法。本发明采用构建的OCTA血管分割模型进行像素级分割预测,并基于不同的输入图像构建不同的损失函数对模型进行训练,从而完成基于少样本学习的OCTA血管分割;因此本发明能够在少样本的情况下完成OCTA图像的血管分割,而且可靠性更高,精确性更好,效率更高。

Patent Agency Ranking