-
公开(公告)号：CN118351016A
公开(公告)日：2024-07-16
申请号：CN202410570782.6
申请日：2024-05-09
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T5/70 , G06T5/60 , G06T7/00 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/092
Abstract: 本发明涉及一种生成对抗网络梯度自适应低剂量CT去噪方法，属于图像处理领域，包括：利用编码器将低剂量CT图像映射到高维工具，得到低剂量图像的隐藏层表示和去噪结果；将RGA‑GAN模型中生成器的第四层残差块的输出作为图像的隐层特征输入到智能体网络中，得到强化学习的策略，基于策略在每次迭代中选择最合适的对抗损失用于更新RGA‑GAN模型，为模型选择最佳优化方向；于损失函数和强化学习的策略不断更新RGA‑GAN模型的生成器和判别器，每次更新后，更新强化学习的奖励，再对智能体网络进行更新。本发明能够根据样本特征选择适当的对抗损失和损失函数，以实现更精确的目标导向和最优控制。
-
公开(公告)号：CN116843661A
公开(公告)日：2023-10-03
申请号：CN202310839302.7
申请日：2023-07-10
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/00 , G06T7/10 , G06N3/0455 , G06N3/096
Abstract: 本发明公开了一种肺炎医学图像分割方法，该方法包括S1：对收集的肺炎数据集进行预处理；S2：预训练标准概率模型；S3：预训练编解码模块；将需要分割的肺炎医学数据集输入到预训练后的标准概率模型中，得到加了噪声的标注图像；S5：将得到加了噪声的标注图像送入训练后的编解码模块，得到变换结果；S6：将变换结果经过编解码模块的编码层下采样，经过两个编码层后，得到隐层特征，并将隐层特征还原到原图尺寸，得到分割图像，通过标准概率模型，神经网络可以很好地学习带有噪声的病灶特征，并将其与输入图像特征融合，本申请构建了一个编解码器模块，让神经网络学习分割新冠病灶区域的能力，优化了损失函数，使模型更容易收敛。
-
公开(公告)号：CN114913343A
公开(公告)日：2022-08-16
申请号：CN202210674288.5
申请日：2022-06-14
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于通道自监督的在线知识蒸馏方法，包括：粗粒度特征提取步骤：将数据进行归一化处理后的输出结果output分别输入到两个网络模型中进行特征提取；自监督学习步骤：将经过粗粒度特征提取步骤后的特征图输入到样本多样性模块中进行特征转换操作，对数据输出不同的联合标签；在线动态蒸馏步骤：通过对两个网络模型分别设置一个动态系数对具有同样特征转换的分支之间进行相互学习，不断优化两个网络多样性模块的权重，并在损失函数值最小时输出输入样本的标签。本发明随着样本、网络和分支多样性的增强，样本数据量变大，人工标注标签任务繁琐，在知识蒸馏中加入自监督学习，使其不需要人工干预，可以降低成本和资源。
-
公开(公告)号：CN118736461A
公开(公告)日：2024-10-01
申请号：CN202410817051.7
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/40 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/092 , G06N3/096 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于Vision‑Transformer和强化学习的PTFE乳液石蜡分离自动检测方法及装置，该方法包括：从不同视角采集图像并进行预处理，构建训练集和测试集；基于Vision‑Transformer和强化学习构建用于PTFE乳液石蜡分离检测的PatchRLNet模型；使用训练集对PatchRLNet模型进行迭代训练，基于交叉熵损失函数调整模型参数，以获取训练好的PatchRLNet模型；将测试集中的图像输入至训练好的PatchRLNet模型中，得到预测的图像类别。本发明能够自动化且智能化的进行PTFE乳液石蜡分离检测，有效提高了检测的准确性，减轻了工作人员的操作负担。
-
公开(公告)号：CN118657791A
公开(公告)日：2024-09-17
申请号：CN202410967844.7
申请日：2024-07-18
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明涉及一种基于深度学习的疾病图像分割方法，包括：模型编码器的Stem部分对输入图像进行处理，在Stem后串联四个Mixed Layer，四个Mixed Layer依次对图像进行处理，且每个Mixed Layer将处理后的数据输入到下一个Mixed Layer；模型解码器通过五个Decoder Block串联组成，每个Decoder Block通过一个双线性上采样层和两个卷积层组成，前四个Decoder Block在通道维度连接来自跳跃连接的编码器潜层细节特征，并通过最后一个Decoder Block输出最终分割结果。本发明兼顾低计算成本、提取CT数据z轴特征的能力以及优越的分割性能。
-
Patent Agency Ranking
公开(公告)号：CN118644711A
公开(公告)日：2024-09-13
申请号：CN202410688383.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G16H30/00 , G06T7/00 , G06V10/80 , G16H50/20 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种适用于对肝内胆管癌分化程度进行预测的方法，通过引入了一种名为SiameseNet的双分支深度神经网络，采用多实例学习来减轻肿瘤异质性导致的性能下降。本发明所提出的方法通过交叉注意力机制整合来自两种不同模态的图像信息，最终实现高性能的预测网络，曲线下面积和受试者工作特征曲线用于评估模型性能。本发明所提出的网络在测试队列中的准确度为86.0％，曲线下面积为86.2％，敏感性为84.6％，特异性为86.7％。该模型可帮助医生及时评估患者肿瘤分化程度，制定个性化诊疗方案。
-
公开(公告)号：CN118644710A
公开(公告)日：2024-09-13
申请号：CN202410688376.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06T3/4038 , G06F17/11 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种应用深度学习预测肝内胆管细胞癌分化程度的方法，引入一个将细粒度图像分类方法与课程学习方法相结合的预测肝内胆管癌分化程度的框架，名为FGCNet模型；该模型通过细粒度图像分类方法有效识别CT图像上肝内胆管癌分化程度的细微差异，通过课程学习方法加快训练速度并增强模型泛化能力。本发明提供的模型在测试数据集上的准确度为80.49％，灵敏度为81.25％，特异性为80％，曲线下面积为78.25％；该模型可以无创地评估肝内胆管癌细胞的分化程度，从而成为帮助医生制定肝内胆管癌治疗策略的潜在工具。
-
公开(公告)号：CN116798628A
公开(公告)日：2023-09-22
申请号：CN202310794200.8
申请日：2023-06-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H50/30 , G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了基于深度学习方法的ICC病理分化程度预测方法，涉及计算机技术领域，包括S1获取训练数据集；S2训练数据集导入ResNet‑50网络，训练优化获得病理分化程度预测模型；S3获取待预测患者的待预测数据集；S5病理分化程度预测模型对待预测数据集进行预测分析，得到分析结果；S6根据所有的分析结果输出预测结果；通过对患者的CT图像进行分析，得到最后的预测结果作为预测患者的病理分化程度，区别于传统的组织学活检当时，本方法无需侵入患者身体，避免给患者带来生理上的痛苦，而且本方法可以获取病灶情况的时效性强，以便于指导术前治疗方案的制定，选择最佳的治疗方案，以达到最好的治疗效果；亦可以用于患者的预后，了解治疗的效果。
-
公开(公告)号：CN116680456A
公开(公告)日：2023-09-01
申请号：CN202310719597.4
申请日：2023-06-16
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/9032 , G06F16/901 , G06F16/9035 , G06N3/048 , G06N3/047 , G06N3/0985
Abstract: 本发明公开了基于图神经网络会话推荐系统的用户偏好预测方法，涉及人工智能技术领域，包括：S1获取训练数据集；S2、预处理训练数据集得会话序列；S3构建偏好预测模型；S4会话序列导入到偏好预测模型，并训练优化；S5获取待预测的用户数据，预处理得待预测的会话序列；S6、待预测的会话序列导入优化的偏好预测模型得预测结果；在构建会话图时给每个物品节点添加自环并将边的关系，增加邻接矩阵的信息，解决矩阵稀疏问题，采用多通道图神经网络来提取会话的局部兴趣特征，高效利用会话图中的信息，然后引入多层自注意力网络来提取会话的全局兴趣特征，通过会话实现精准有效的偏好预测。
-
公开(公告)号：CN119323803B
公开(公告)日：2025-04-01
申请号：CN202411874279.6
申请日：2024-12-19
Applicant: 衢州海易科技有限公司 , 电子科技大学长三角研究院(衢州) , 衢州学院 , 衢州市公安局交通警察支队
Inventor： 吴磊 , 程凯 , 单文煜 , 陈鹏 , 周小龙 , 黄忠京 , 刘明 , 曹曙烽 , 夏云霓 , 陈坚武 , 岑沛丰 , 詹虎山 , 柴凌勇 , 李俊 , 李曦 , 何东飞 , 刘念伯 , 曾晟珂 , 李秀华
IPC: G06V40/10 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于深度学习面向车路协同的行人检索方法，属于行人重识别技术领域，包括以下步骤：建立训练集；在ReID模型中设置一个无监督鉴别器网络结构；S3：使用训练集通过预热学习对ReID模型进行预设数量回合的迭代训练；完成预设数量回合的训练后，部署训练好的ReID模型；将待识别图像输入训练完成的ReID模型中，根据自适应阈值n，选取前n%的结果，判定为目标人物，得到检测结果，本申请在ReID模型中引入了无监督鉴别器网络结构，不仅提高了特征的代表性和区分能力，还显著提升了行人识别的准确率，本申请还设置了行人阈值n的判定，保证了检索的高效性和精准性。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.105 seconds)
