-
公开(公告)号：CN119251250B
公开(公告)日：2025-03-25
申请号：CN202411780066.7
申请日：2024-12-05
Applicant: 华侨大学
IPC: G06T7/194 , G06T7/00 , G06N3/0455 , G06V10/44 , G06V10/80
Abstract: 本发明涉及图像处理技术领域，公开了基于Transformer的宫颈癌病理图像癌变组织的分割方法及系统，方法包括：采集宫颈癌病理图像并进行标注，获得宫颈癌病理图像数据集；使用DeepLabV3+作为主干网络构建宫颈癌病理图像分割网络，其中，在编码器中添加多特征Transformer单元以提取不同尺度的语义信息，且减少全局注意力计算中的冗余性；使用宫颈癌病理图像数据集对所述宫颈癌病理图像分割网络进行训练；使用训练好的宫颈癌病理图像分割网络对宫颈癌病理图像中的肿瘤和背景部分进行分割。本发明在分割宫颈癌病理图像时具有较高的准确率和较快的运行速度。
-
公开(公告)号：CN119251050A
公开(公告)日：2025-01-03
申请号：CN202411283089.7
申请日：2024-09-13
Applicant: 华侨大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06F17/16
Abstract: 本发明公开了一种基于混合池化Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：构建基于混合池化Transformer的轻量级图像超分辨率模型并训练，得到经训练的轻量级图像超分辨率模型；获取待重建的低分辨率图像和尺度因子并输入到经训练的轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一卷积层的输出特征，第一卷积层的输出特征经过若干个基于混合池化的Transformer模块后，得到最后一个基于混合池化的Transformer模块的输出特征，最后一个基于混合池化的Transformer模块的输出特征与第一卷积层的输出特征相加后依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像。本发明解决了现有Transformer方法计算复杂度过高的问题。
-
公开(公告)号：CN119169386A
公开(公告)日：2024-12-20
申请号：CN202411339028.8
申请日：2024-09-25
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/771 , G06V10/774 , G06V10/766
Abstract: 本发明公开了一种基于显著性特征的多标记图像分类方法、装置及可读介质，包括：基于特征选择矩阵、特征空间矩阵和伪标记矩阵构造回归框架，结合牵引矩阵、非负标记稀疏矩阵、标记空间矩阵和伪标记矩阵构建拟合模型，通过伪标记矩阵构造标记相关性模型；构建特征选择矩阵的核范数模型，以构建目标函数，对目标函数进行求解，得到最终优化的特征选择矩阵；基于最终优化的特征选择矩阵确定图像特征子集，基于图像特征子集对图像分类模型进行训练，得到经训练的图像分类模型；将图像中与图像特征子集相对应的特征输入到经训练的图像分类模型中，得到图像分类结果，从而学习类别标记之间的相关性，减轻低密度标记对特征选择的影响。
-
公开(公告)号：CN117912015A
公开(公告)日：2024-04-19
申请号：CN202410070932.7
申请日：2024-01-18
Applicant: 华侨大学
IPC: G06V20/70 , G06V10/22 , G06V10/762 , G06V10/764 , G06V10/771
Abstract: 本发明公开了一种利用局部判别模型和标记相关性选择多标记图像数据方法及装置，包括：基于每张图像数据及其邻近的图像数据构造邻近局部团，并定义邻近局部团的类间离散矩阵和局部离散矩阵以及聚类分配矩阵，以定义得到每张图像数据的局部判别模型以及多标记图像数据对应的局部判别模型；将标记空间和特征空间之间的关系投影到特征选择矩阵中，得到损失模型，将特征选择矩阵和聚类分配矩阵之间的关系投影到标记相关矩阵中，得到相关性模型，并在特征选择矩阵上施加l2,1范数，得到特征选择模型，构建目标函数，采用交替迭代优化算法对目标函数进行求解，得到最终的特征选择矩阵，基于最终的特征选择矩阵确定特征子集，以提高多标记图像数据的分类性能。
-
公开(公告)号：CN119722671B
公开(公告)日：2025-05-13
申请号：CN202510221167.9
申请日：2025-02-27
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/26 , G06V10/72 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明涉及图像处理技术领域，公开了一种两阶段生成对抗网络引导的宫颈癌病理图像分析方法，包括如下步骤：采集宫颈癌的真实病理图像并打上真实标签；基于两阶段生成对抗网络构建宫颈癌病理数据生成网络，包括病理图像生成网络和病理图像标签生成网络；宫颈癌病理数据生成网络接收宫颈癌的真实病理图像并打上真实标签，输出生成病理图像及对应的生成标签，用于联合训练下游分割网络；使用训练好的下游分割网络对宫颈癌病理图像进行分割，识别其中的癌变组织、实性组织和背景部分。本发明通过生成病理图像数据，提高宫颈癌病理图像分析的效率和准确率。
-
Patent Agency Ranking
公开(公告)号：CN119251250A
公开(公告)日：2025-01-03
申请号：CN202411780066.7
申请日：2024-12-05
Applicant: 华侨大学
IPC: G06T7/194 , G06T7/00 , G06N3/0455 , G06V10/44 , G06V10/80
Abstract: 本发明涉及图像处理技术领域，公开了基于Transformer的宫颈癌病理图像癌变组织的分割方法及系统，方法包括：采集宫颈癌病理图像并进行标注，获得宫颈癌病理图像数据集；使用DeepLabV3+作为主干网络构建宫颈癌病理图像分割网络，其中，在编码器中添加多特征Transformer单元以提取不同尺度的语义信息，且减少全局注意力计算中的冗余性；使用宫颈癌病理图像数据集对所述宫颈癌病理图像分割网络进行训练；使用训练好的宫颈癌病理图像分割网络对宫颈癌病理图像中的肿瘤和背景部分进行分割。本发明在分割宫颈癌病理图像时具有较高的准确率和较快的运行速度。
-
公开(公告)号：CN119149982A
公开(公告)日：2024-12-17
申请号：CN202411658867.6
申请日：2024-11-20
Applicant: 华侨大学
IPC: G06F18/211 , G06F16/35
Abstract: 本发明涉及一种标记松弛的多主题文本数据特征选择方法，涉及自然语言处理技术领域，方法包括：给定由特征空间和标记空间组成的多主题文本数据；使用非负标记松弛矩阵获得松弛后的标记空间；构建特征选择矩阵并进行分解得到结构化子空间和因子矩阵，挖掘特征之间和标记之间的结构化关系；构造损失函数并施加范数约束，对特征选择矩阵进行范数稀疏正则化，基于此构建总目标函数；再通过迭代求解总目标函数，获得最终特征选择矩阵；最后，利用最终特征选择矩阵选择特征以表征原始文本数据。本发明通过标记松弛、结构化子空间分解、稀疏正则化等技术手段，显著提高了多主题文本数据特征选择的准确性、解释性、泛化能力和计算效率。
-
公开(公告)号：CN119722671A
公开(公告)日：2025-03-28
申请号：CN202510221167.9
申请日：2025-02-27
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/26 , G06V10/72 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明涉及图像处理技术领域，公开了一种两阶段生成对抗网络引导的宫颈癌病理图像分析方法，包括如下步骤：采集宫颈癌的真实病理图像并打上真实标签；基于两阶段生成对抗网络构建宫颈癌病理数据生成网络，包括病理图像生成网络和病理图像标签生成网络；宫颈癌病理数据生成网络接收宫颈癌的真实病理图像并打上真实标签，输出生成病理图像及对应的生成标签，用于联合训练下游分割网络；使用训练好的下游分割网络对宫颈癌病理图像进行分割，识别其中的癌变组织、实性组织和背景部分。本发明通过生成病理图像数据，提高宫颈癌病理图像分析的效率和准确率。
-
公开(公告)号：CN119274010B
公开(公告)日：2025-02-18
申请号：CN202411786389.7
申请日：2024-12-06
Applicant: 华侨大学
IPC: G06V10/771 , G06V10/77 , G06V10/776
Abstract: 本发明涉及图像处理技术领域，公开了一种利用数据重构的多标记图像数据特征选择方法及系统，方法包括以下步骤：提取多标记图像的特征空间和标记空间；采用低秩表示对特征空间进行重构，得到重构的特征空间；通过方向牵引矩阵对标记空间进行转换，得到重构的标记空间；将重构的特征空间投影到重构的标记空间以产生特征选择矩阵，对特征选择矩阵的稀疏正则化施加L2,1范数约束以获得目标函数；通过求解目标函数获得特征选择矩阵，得到最优特征子集。本发明利用低秩表示的动态特征关系图重构特征空间，引入方向牵引矩阵扰动原始二元标签空间重构标签空间，制定了多标记图像数据特征选择的目标函数，并引入了一种有效的优化策略来处理该函数。
-
公开(公告)号：CN119339089A
公开(公告)日：2025-01-21
申请号：CN202411874627.X
申请日：2024-12-19
Applicant: 华侨大学
Abstract: 本发明涉及图像处理技术领域，公开了一种宫颈癌多类别组织病理图像的辅助分析方法及系统，方法包括：获得病理图像数据集；构建宫颈癌多类别组织病理图像分割网络，其中包括多类别注意力单元，所述多类别注意力单元包括多通道灰度注意力模块、多类别膨胀挤压注意力模块和多类别空间注意力模块；使用病理图像数据集对宫颈癌多类别组织病理图像分割网络进行训练，训练好后对病理图像中宫颈癌的癌变区域、实性区域和背景部分进行分割，对分割结果通过自动分级方法得到图像的FIGO分级。本发明在分割宫颈癌多类别组织病理图像的不同类别时，具有较高的准确率和较快的运行速度。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.064 seconds)
