-
公开(公告)号：CN114662302B
公开(公告)日：2024-11-19
申请号：CN202210250081.5
申请日：2022-03-14
Applicant: 清华大学
Abstract: 本申请提供一种基于闭环网络的三维重力反演方法，方法包括：搭建正演网络以及反演网络，反演网络与正演网络组成闭环结构；通过正演网络以及反演网络进行闭环自监督学习，得到重力反演结果。该方法采用闭环学习方法，借助参数已知、解空间唯一的正演过程实现反演过程的自监督学习。同时使用来自专家知识或观测数据的先验知识约束反演过程。与现有基于深度学习的重力反演算法相比，本实施例的方法具有不依赖训练数据、无过拟合风险的有益效果。
-
公开(公告)号：CN114998168B
公开(公告)日：2024-07-23
申请号：CN202210544832.4
申请日：2022-05-19
Applicant: 清华大学
Abstract: 本申请提供一种超声图像样本生成方法及设备。该方法包括：获取目标对象的目标掩膜图像和待标记超声图像，使用目标对象的目标掩膜图像对待标记超声图像进行目标对象标记，获得超声图像样本。本申请的方法，通过获取目标对象的目标掩膜图像和待标记超声图像，并利用目标对象的目标掩膜图像对待标记超声图像进行目标对象标记，获得有分割标签的超声图像样本。本发明生成的有分割标签的超声图像样本，为后续进行预训练深度学习模型提供了可靠有效的预训练样本，相较于直接训练深度学习模型，先经过预训练，再进行训练深度学习模型，其最终得到的超声图像网络分割图像性能得到了提升。
-
公开(公告)号：CN113842134B
公开(公告)日：2024-04-12
申请号：CN202111321860.1
申请日：2021-11-09
Applicant: 清华大学
IPC: A61B5/055 , A61B5/00 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于双路人工神经网络的双序列加速核磁成像优化方法，使用核磁成像设备收集T1FLIR和T2FSE两个序列的核磁数据人脑部核磁数据，构建数据集；构建双路的级联网络结构，每一路分支共包含了4级子网络，每一级子网络的输入为上一级两个子网络的输出，每个子网络包含一个核心的U型网络，并且添加了一致性约束。网络训练时联合优化网络参数和K空间采样的方式，实现双序列图像的采样方式优化和双序列图像的同时重构。本发明方法对网络参数和K空间采样方式进行联合优化，通过不同序列图像采样信息的互补，实现了更高质量的图像重构，相比以往的加速核磁共振成像方法，较大程度的提高了加速核磁共振成像的图像重建质量和加速倍数。
-
公开(公告)号：CN117218077A
公开(公告)日：2023-12-12
申请号：CN202311154333.5
申请日：2023-09-07
Applicant: 清华大学
IPC: G06T7/00 , G06T7/10 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供了一有标签超声样本图像的生成方法、装置、设备及介质，该方法中，通过获取预先训练得到的扩散模型以及辅助分割网络；获取目标掩膜图像，并基于目标掩膜图像以及辅助分割网络确定引导条件；基于引导条件，通过扩散模型生成与目标掩膜图像对应的目标样本图像；目标掩膜图像用于表征所述目标样本图像包含的目标对象。这样，可以基于辅助分割网络以及目标掩膜图像作为引导条件，可以为扩散模型提供有方向的指导，以提高扩散模型的去噪效果，进而基于扩散模型生成的目标样本图像的样本质量得到相应的提升，同时降低获取目标样本图像的难度以及获取成本。
-
公开(公告)号：CN112381723B
公开(公告)日：2023-06-30
申请号：CN202010997199.5
申请日：2020-09-21
Applicant: 清华大学
IPC: G06T5/00 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种单幅图像去烟雾的方法，该方法基于烟雾形成的物理模型，利用轻量高效的神经网络设计了基本的编码器(Encoder)网络，再将编码网络输出的隐空间特征应用解码器(Decoder)网络解码，得到物理模型中传输介质参数，同时还将隐空间特征输入到了估计大气光照的回归器中，得到大气光照参数。将上一步得到的传输介质参数再输入到设计的金字塔网络中，进而估计出更加准确的传输介质参数。最后将所估计出的传输介质参数和大气光照参数代入到烟雾退化的物理公式中，得到去烟/雾的图像。
-
Patent Agency Ranking
公开(公告)号：CN116224265A
公开(公告)日：2023-06-06
申请号：CN202211641636.5
申请日：2022-12-20
Applicant: 清华大学
Abstract: 本申请提供一种探地雷达数据反演方法、装置、计算机设备及存储介质，包括：接收探地雷达数据；调用预置的一阶段网络模型对所述探地雷达数据进行反演运算，得到第一介电常数模型；调用预置的二阶段网络模型对所述探地雷达数据和所述第一介电常数模型进行反演运算，得到第二介电常数模型。本申请确保了第一介电常数模型的精准度，并修改第一介电常数模型中的错误的结构特征，并得到更加准确的第二介电常数模型的技术效果，及极大的提高了探地雷达数据反演的运算效率，降低了计算资源的耗费。
-
公开(公告)号：CN113436109B
公开(公告)日：2022-10-14
申请号：CN202110774364.5
申请日：2021-07-08
Applicant: 清华大学
Abstract: 本发明公开了属于医学超声成像技术领域的一种基于深度学习的超快高质量的平面波超声成像方法。首先采集多人不同部位的合成孔径超声的三维通道数据，并利用此三维通道数据生成平面波的二维通道数据；接着采用相应的波束形成技术处理上述两种通道数据，得到成对的合成孔径和平面波的超声RF数据，建立用于深度网络训练的数据集；然后利用前面建立的成对数据集中的平面波RF数据作为网络的输入，合成孔径RF数据作为网络的输出标签，训练后得到深度网络模型；最后将实际采集的平面波RF数据输入训练好的深度网络模型，输出其对应的合成孔径RF数据的估计。本发明不仅保持了平面波超声具有的超快成像的速度优势，还提高了成像质量。
-
公开(公告)号：CN111461988B
公开(公告)日：2022-09-23
申请号：CN202010253987.3
申请日：2020-04-02
Applicant: 清华大学
Abstract: 本发明公开了一种基于多任务学习的地震速度模型超分辨率技术，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。
-
公开(公告)号：CN114662302A
公开(公告)日：2022-06-24
申请号：CN202210250081.5
申请日：2022-03-14
Applicant: 清华大学
Abstract: 本申请提供一种基于闭环网络的三维重力反演方法，方法包括：搭建正演网络以及反演网络，反演网络与正演网络组成闭环结构；通过正演网络以及反演网络进行闭环自监督学习，得到重力反演结果。该方法采用闭环学习方法，借助参数已知、解空间唯一的正演过程实现反演过程的自监督学习。同时使用来自专家知识或观测数据的先验知识约束反演过程。与现有基于深度学习的重力反演算法相比，本实施例的方法具有不依赖训练数据、无过拟合风险的有益效果。
-
公开(公告)号：CN112381723A
公开(公告)日：2021-02-19
申请号：CN202010997199.5
申请日：2020-09-21
Applicant: 清华大学
Abstract: 本发明公开了一种单幅图像去烟雾的方法，该方法基于烟雾形成的物理模型，利用轻量高效的神经网络设计了基本的编码器(Encoder)网络，再将编码网络输出的隐空间特征应用解码器(Decoder)网络解码，得到物理模型中传输介质参数，同时还将隐空间特征输入到了估计大气光照的回归器中，得到大气光照参数。将上一步得到的传输介质参数再输入到设计的金字塔网络中，进而估计出更加准确的传输介质参数。最后将所估计出的传输介质参数和大气光照参数代入到烟雾退化的物理公式中，得到去烟/雾的图像。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.025 seconds)
