-
公开(公告)号：CN1186744C
公开(公告)日：2005-01-26
申请号：CN02125949.6
申请日：2002-08-06
Applicant: 北京理工大学
IPC: G06K9/72
Abstract: 本发明涉及基于结构模型的汉字识别方法，属于模式识别、人工智能和中文信息处理领域。本发明采用笔段和笔划两种基元分别建立两种描述汉字结构的数学模型：笔段中心点模型和笔划关系矩阵模型，并建立了笔段中心点识别法和笔划关系矩阵识别法。将笔段中心点识别法和笔划矩阵识别法相结合，用笔段中心点识别法进行汉字识别粗分类，用笔划矩阵识别法进行汉字识别细分类，形成一套完整的汉字识别方法。该方法以统一的机制处理印刷体汉字识别和手写体汉字识别，既可用于脱机识别，也可用于联机识别，识别正确率高，性能稳定。
-
公开(公告)号：CN1474351A
公开(公告)日：2004-02-11
申请号：CN02125949.6
申请日：2002-08-06
Applicant: 北京理工大学
IPC: G06K9/72
Abstract: 本发明涉及基于结构模型的汉字识别方法，属于模式识别、人工智能和中文信息处理领域。本发明采用笔段和笔划两种基元分别建立两种描述汉字结构的数学模型：笔段中心点模型和笔划关系矩阵模型，并建立了笔段中心点识别法和笔划关系矩阵识别法。将笔段中心点识别法和笔划矩阵识别法相结合，用笔段中心点识别法进行汉字识别粗分类，用笔划矩阵识别法进行汉字识别细分类，形成一套完整的汉字识别方法。该方法以统一的机制处理印刷体汉字识别和手写体汉字识别，既可用于脱机识别，也可用于联机识别，识别正确率高，性能稳定。
-
公开(公告)号：CN110570425B
公开(公告)日：2023-09-08
申请号：CN201910994341.8
申请日：2019-10-18
Applicant: 北京理工大学 , 中国医学科学院肿瘤医院
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于深度强化学习算法的肺结节分析方法及装置，所述方法包括构造肺结节分析模型；然后获得待分析图像；将待分析图像数据输入至分析模型中的识别模块，识别模块根据预设征象分类模型给出肺结节的分类结果；根据分类结果确定待分析图像数据的分析结果并输出。本发明实施例所提供的肺结节分析方法通过深度强化学习原理进行肺结节的分析，提高了肺结节分析结果的准确性。
-
公开(公告)号：CN110930337B
公开(公告)日：2022-05-31
申请号：CN201911203259.5
申请日：2019-11-29
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于深度学习的医学影像增强方法，属于图像增强技术领域。利用U‑Net网络作为图像增强方法的网络结构，在网络的训练目标中加入能够使网络对选定的感兴趣区域进行增强的软差异对比度损失，并且给网络提供具有医生标注的医学图像数据按照软差异对比度损失这个训练目标对网络进行训练，从而使得U‑Net网络能够对输入的医学图像进行重建并对选定的感兴趣区域进行检测与图像增强。本发明提出的方法与基于直方图均衡的方法相比，能够更加稳定准确地找到感兴趣的标注区域位置并进行增强；与基于形态学的方法相比，对关注区域的增强效果更加清晰明显，实现快速、准确、可靠的医学影像区域增强的功能。
-
公开(公告)号：CN114386592A
公开(公告)日：2022-04-22
申请号：CN202111532636.7
申请日：2021-12-15
Applicant: 北京理工大学
IPC: G06N3/08 , G06K9/62 , G06N3/04 , G06V10/764
Abstract: 本发明提出了基于结构化自然梯度优化的深度神经网络图像识别方法，属于基于机器学习和神经网络技术的图像识别领域。本方法提出了一种结构化自然梯度下降法SNGD，通过附加一种规范化层，以重新结构化图像识别的深度网络的方式，对全局Fisher矩阵的相关计算进行了分解，最终转换成使用传统GD进行优化而能达到NGD的效果。同时，提出了一种新的局部Fisher层及其实现方案。局部Fisher层通过引入的二阶信息，考虑了图像识别网络中的参数在不同位置的不同属性，对识别模型参数变换加入了约束，可使梯度更新能稳定快速地进行。采用本方法，图像识别网络训练有更快的收敛速度，所训模型也有更优的识别性能。
-
Patent Agency Ranking
公开(公告)号：CN110930337A
公开(公告)日：2020-03-27
申请号：CN201911203259.5
申请日：2019-11-29
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于深度学习的医学影像增强方法，属于图像增强技术领域。利用U-Net网络作为图像增强方法的网络结构，在网络的训练目标中加入能够使网络对选定的感兴趣区域进行增强的软差异对比度损失，并且给网络提供具有医生标注的医学图像数据按照软差异对比度损失这个训练目标对网络进行训练，从而使得U-Net网络能够对输入的医学图像进行重建并对选定的感兴趣区域进行检测与图像增强。本发明提出的方法与基于直方图均衡的方法相比，能够更加稳定准确地找到感兴趣的标注区域位置并进行增强；与基于形态学的方法相比，对关注区域的增强效果更加清晰明显，实现快速、准确、可靠的医学影像区域增强的功能。
-
公开(公告)号：CN104063876B
公开(公告)日：2017-02-01
申请号：CN201410331356.3
申请日：2014-07-11
Applicant: 北京理工大学
IPC: G06T7/00
Abstract: 本发明涉及一种交互式图像分割方法，属于计算机应用技术中的数字图像处理技术领域。该方法包括：1)用户通过交互对图像中的目标物体进行圈定；2)利用交互信息选择初始训练数据，并通过学习得到对圈定框内像素点进行分类的分类器；3)利用分类器，构建图像对应的权值图，然后采用最短路径的优化方法计算各像素节点到每个虚拟节点的最短路径，最后以最小带价值为准则，将圈定框内的像素点分为前景或者背景，实现图像分割；4)方法中分类器的学习和最短路径的优化过程是交替迭代进行的，停止条件为分割结果达到稳定或者算法达到预设的最大迭代次数。实验结果表明，通过使用本发明的方法可以获得具有较高分割准确率的分割结果。
-
公开(公告)号：CN103823843A
公开(公告)日：2014-05-28
申请号：CN201410035056.0
申请日：2014-01-24
Applicant: 北京理工大学
IPC: G06F17/30
CPC classification number: G06F17/30598
Abstract: 本发明涉及一种高斯混合模型树及其递增聚类方法，属于计算机应用技术中的聚类技术领域。该方法包括两部分：1、一种新的聚类结构——高斯混合模型树（聚类树）；2、在（1）的基础上，提出基于高斯混合模型树的递增聚类方法；其中，递增聚类方法包括数据插入、更新聚类树、数据删除和聚类结果确定。这四个技术环节的关系为：对于每一个新数据，都需要插入到现有的高斯混合模型树，再根据插入的结果更新聚类树；随着新数据的插入，检查已经插入到聚类树的数据是否需要删除，如果需要删除，则删除数据；当所有数据读取完成之后，确定聚类结果。本发明的方法在聚类的准确率、执行效率和稳定性方面都可以获得较好的效果。
-
公开(公告)号：CN116310593A
公开(公告)日：2023-06-23
申请号：CN202310455204.3
申请日：2023-04-25
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于多超球体空间划分的单类别图像识别方法，属于图像识别与机器学习技术领域。首先将样本通过特征提取网络映射至一个潜在空间，再根据训练样本与测试样本在空间中的相似度，并对测试图像样本进行分类识别。通过引入阈值半径的方式来判断测试样本距离其最近邻训练样本是否足够接近。目标类别在特征空间中的表示为多个超球体区域所叠加形成的空间，以阈值作为每个超球体的半径，若一个测试样本的特征在该多超球体所形成的空间范围内，则将其预测为正样本；否则将其预测为负样本。本方法对于测试图像样本的预测准确率明显提升，对于测试图像样本中的正样本与负样本的预测更加平衡。
-
公开(公告)号：CN112420170B
公开(公告)日：2022-12-09
申请号：CN202011457683.5
申请日：2020-12-10
Applicant: 北京理工大学
Abstract: 本发明涉及一种提高计算机辅助诊断系统图片分类准确度的方法，属于计算机视觉技术领域。本方法基于深度学习的融合医学图像特征和临床特征，首先对系统影像数据和临床数据进行预处理。然后，将系统的临床数据Ci经过卷积层和最大池化操作，得到高维特征向量。将影像信息经过残差块进行特征提取。将最后得到的影像特征图调整为一维向量，并与临床特征向量进行拼接，得到一个新的更大的特征向量。将该特征向量通过一层全连接层和Softmax函数，最终得到各个分类结果的概率。本发明方法，与现有的计算机辅助诊断系统图片分类方法相比，可使计算机辅助诊断系统在各种实际应用场景下获得快速、高可靠的图片分类。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.022 seconds)
