-
公开(公告)号：CN109034953B
公开(公告)日：2021-11-23
申请号：CN201810705430.1
申请日：2018-07-02
Applicant: 西南交通大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种电影推荐方法，属于推荐系统技术领域。首先认为相同类型的电影，在海报设计风格上具有相似的特点；因此需要获取电影相关的海报信息，在用变分自编码对这些电影海报进行特征提取，同时把提取的海报特征作为电影的潜在特征向量，根据电影的潜在特征向量使用余弦相似度计算电影之间的相似度，然后按照相似度进行排名，最后选取最相似的几部电影作为推荐结果推荐给用户。该方法具有复杂度低，且无传统协同过滤推荐法中的稀疏与冷启动等缺点。主要用于电影推荐。
-
公开(公告)号：CN113012045A
公开(公告)日：2021-06-22
申请号：CN202110203141.3
申请日：2021-02-23
Applicant: 西南交通大学
Abstract: 本发明公开了一种用于合成医学图像的生成对抗网络。生成器的拓扑结构为：具有8个层级，层级的等级为该层级学习的图像的分辨率的以2为底的对数；低等级层级学习的图像的分辨率加倍平滑过渡到高等级层级学习的图像的分辨率；卷积块的特征图为带有自注意力的特征图。判别器的拓扑结构与生成器相反，高等级层级学习的图像的分辨率折半平滑过渡到低等级层级学习的图像的分辨率；判别器的最低等级层级还包括批标准差；生成器和判别器使用WGAN‑GP的损失函数；使用标准正态分布初始化权重，在运行阶段放缩权重。相对于LapGAN和StackGAN等生成大分辨率的GAN网络，本发明训练过程中的大部分迭代都在低分辨率下完成，在保证合成图片质量的前提下大大加快了生成速度。
-
公开(公告)号：CN109034953A
公开(公告)日：2018-12-18
申请号：CN201810705430.1
申请日：2018-07-02
Applicant: 西南交通大学
CPC classification number: G06Q30/0631 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种电影推荐方法，属于推荐系统技术领域。首先认为相同类型的电影，在海报设计风格上具有相似的特点；因此需要获取电影相关的海报信息，在用变分自编码对这些电影海报进行特征提取，同时把提取的海报特征作为电影的潜在特征向量，根据电影的潜在特征向量使用余弦相似度计算电影之间的相似度，然后按照相似度进行排名，最后选取最相似的几部电影作为推荐结果推荐给用户。该方法具有复杂度低，且无传统协同过滤推荐法中的稀疏与冷启动等缺点。主要用于电影推荐。
-
公开(公告)号：CN119516277A
公开(公告)日：2025-02-25
申请号：CN202411674166.1
申请日：2024-11-21
Applicant: 西南交通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06T5/50
Abstract: 本申请提供了一种基于毛发去除网络的皮肤图像分类方法、装置与产品，涉及图像分类技术领域，方法包括：对第一皮肤图像数据集中的每张第一皮肤图像，进行毛发仿真，得到毛发仿真图像；利用毛发仿真图像，对毛发去除网络进行训练，得到初始毛发去除网络；利用第一皮肤图像数据集，对皮肤图像分类网络进行训练，得到初始皮肤图像分类网络；利用第二皮肤图像数据集，对初始毛发去除网络和初始皮肤图像分类网络进行训练，得到训练完成的毛发去除网络和皮肤图像分类网络；将待检测皮肤图像，输入训练完成的毛发去除网络，得到去除毛发后的处理后检测图像，将处理后检测图像输入训练完成的皮肤图像分类网络，得到待检测图像的皮肤分类结果。
-
公开(公告)号：CN119344669A
公开(公告)日：2025-01-24
申请号：CN202411395330.5
申请日：2024-10-08
Applicant: 西南交通大学
IPC: A61B5/00 , A61B5/318 , A61B5/352 , A61B5/369 , A61B5/372 , G06F18/25 , G06F18/10 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/09
Abstract: 本发明公开了一种基于多模态注意力的睡眠分期方法，属于睡眠分析技术领域，包括，获取原始心电数据和原始脑电数据并进行预处理，利用一维卷积神经网络对经预处理的心电数据进行处理，得到心电特征，利用多尺度特征提取模块对经预处理的脑电数据进行处理，得到脑电特征，利用多模态注意力融合模块进行心电特征和脑电特征的融合，并对融合结果进行计算分析，得到睡眠分期结果。本发明基于多模态注意力机制建立了睡眠分期模型，根据心电信号和脑电信号中的互补信息，得到准确且可靠的睡眠分期结果，通过注意力机制，能够自动学习到不同模态信号在不同睡眠阶段的特征重要性，实现更加精细和个性化的睡眠状态识别，具有实用性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN119272128A
公开(公告)日：2025-01-07
申请号：CN202411376649.3
申请日：2024-09-30
Applicant: 西南交通大学
IPC: G06F18/2411 , G06F18/2413 , G06F18/213 , G06F18/25 , G06F18/27 , G06N3/094
Abstract: 本申请涉及一种基于逆注意力和对抗训练的多模态医学数据分类方法。所述方法包括：获取多模态医学数据并进行预处理；采用k‑best算法对所述预处理后的多模态医学数据进行初步特征提取；采用注意力机制计算每个特征的逆注意力分数，基于所述逆注意力分数进行多模态特征融合，得到多模态特征数据；将所述多模态特征数据输入分类诊断模块和回归预测模块，进行对抗训练，输出多模态特征数据对应的分类回归结果。充分利用了多模态多任务条件下得到的特征，使各个不同的模态更好地进行结合，挖掘出了受试者年龄、教育程度等具有统计学意义数据潜在的特征，提高了阿尔茨海默症病理过程中的多模态医学数据分类问题的准确性、可靠性和可解释性。
-
公开(公告)号：CN118941833B
公开(公告)日：2024-12-06
申请号：CN202411423796.1
申请日：2024-10-12
Applicant: 西南交通大学
IPC: G06V10/762 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像处理技术领域，公开了一种基于层次特征记忆学习的皮肤病识别方法，包括以下步骤：步骤1：获取皮肤病图像数据，对数据进行预处理得到数据集；步骤2：构建基于层次特征记忆学习的识别模型；识别模型包括特征学习模块、特征存储模块、时间‑层次特征处理模块；步骤3：对识别模型进行训练，得到训练后的模型；将图像数据输入训练后的模型得到所需的识别结果；本发明方法对于图像特征能够精准的捕捉，在多个性能指标上均优于现有的分类方法。
-
公开(公告)号：CN115311135A
公开(公告)日：2022-11-08
申请号：CN202210729637.9
申请日：2022-06-24
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于3DCNN的各向同性MRI分辨率重建方法，具体包括基于3D插值的各项异性扫描融合、基于3D卷积神经网络的特征提取和图像重建、基于自适应通道串接的3D特征融合等三部分内容。本发明提出采用3DCNN来解决MR图像各向同性分辨率重建的同时，也关注其实际部署的兼容性，通过线性插值对三个正交的MR扫描进行融合，再用3D CNN执行推理。为了获得高分辨率的增强图像，我们还采用了宽激活和加权通道串接技术。大量实验表明，所提方法能够实现优异的各向同性分辨率重建。由于简单的正交扫描融合策略，所提方法能够在保证重建精度的条件下执行快速推理和重建，因此更利于实际部署和应用。
-
公开(公告)号：CN113269774A
公开(公告)日：2021-08-17
申请号：CN202110643153.8
申请日：2021-06-09
Applicant: 西南交通大学
Abstract: 本发明公开了一种MRI图像的帕金森病分类及标注病灶区域的方法，包括步骤：构造MRI图像的帕金森病分类模型；构造帕金森病病灶标注模型；使用MRI图像的帕金森病分类模型，对待测MRI图像进行分类；对分类确定为帕金森病MRI图像或者帕金森病潜伏期MRI图像，使用帕金森病病灶标注模型标注出病灶区域。其中，构造MRI图像的帕金森病分类模型，包括构造分类模块和将训练集输入分类模块，并通过反向传播更新网络参数，得到MRI图像分类模型的步骤。本发明的有益效果在于：使用先分类后标注的方法，在提高分类模型准确率的基础上使得对病灶区域的定位更加准确和有效，同时避免了不必要的训练，大大提高了训练效率，使得模型鲁棒性更强。
-
公开(公告)号：CN119273943A
公开(公告)日：2025-01-07
申请号：CN202411299012.9
申请日：2024-09-18
Applicant: 西南交通大学
IPC: G06V10/72 , G06V10/762 , G06V10/776 , G06V10/764 , G06V10/82 , G06N3/0464 , G06F18/25
Abstract: 本发明公开了一种大模型驱动的多模态语义增强域泛化方法，包括：S1、数据集获取及数据域划分；S2、将数据集输入至MiniCPM模型中，提取图像的语义信息；S3、通过GLM4‑0520模型进行语义扩增，组合后得到详细语义描述；S4、将详细语义描述利用StableDiffusion模型生成对应的图像；S5、构造卷积神经网络，结合KMeans算法对图像进行聚类筛选处理；S6、将筛选得到的图像与数据集进行合并，得到合并数据集并输入至骨干网络Resnet‑50中进行训练；S7、将测试域数据输入到S6训练好的模型中，测试模型性能。本发明引入多种模型，提升了不同领域数据上的泛化能力和准确性。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.081 seconds)
