公开(公告)号：CN110648317A

公开(公告)日：2020-01-03

申请号：CN201910881871.1

申请日：2019-09-18

Applicant: 上海交通大学

Inventor： 王延峰 ,  彭诗奇 ,  张娅 ,  赵晖 ,  顾一峰 ,  李跃华 ,  姚光宇

IPC: G06T7/00 ,  G06K9/62 ,  G16H30/20

Abstract: 本发明提供了一种适用于脊柱转移肿瘤骨质的质量分类方法及系统，所述方法包括：从DICOM文件中获取病人的CT图像数据，根据阈值提取的方法裁剪出脊椎椎体的区域；将骨质质量分类任务建模为成骨分类子任务和溶骨分类子任务，并使用多层感知机将两个子任务的结果进行合并；对于每一张横截面的CT图像，使用多任务学习的方式，同时学习骨质质量分类任务和后外侧受损情况分类任务，并共享不同任务的特征图；使用自步学习的方式，让模型优先学习容易的样本，再逐渐学习较为困难的样本。本发明通过同时学习多个相关的任务并特征共享，以及使用从易到难的自步学习方法，实现了对脊柱转移肿瘤骨质质量的精确分类。

公开(公告)号：CN110135579A

公开(公告)日：2019-08-16

申请号：CN201910276847.5

申请日：2019-04-08

Applicant: 上海交通大学

Inventor： 张娅 ,  张烨珣 ,  王延峰

IPC: G06N3/08 ,  G06N3/04

Abstract: 本发明提供了一种基于对抗学习的无监督领域适应方法、系统及介质，包括：特征提取步骤：对源领域和目标领域的图像，使用特征提取网络提取图像的特征，获得源领域的图像特征和目标领域的图像特征；类别预测步骤：根据获得的源领域的图像特征和目标领域的图像特征，预测图像属于各个类别的概率，获得类别预测概率；领域判别步骤：根据获得的源领域的图像特征和目标领域的图像特征，通过领域判别网络预测图像特征来自源领域和目标领域的概率，获得领域预测概率。本发明能够对源领域和目标领域的图像提取领域不变的且具有较强判别力的特征，从而实现无监督领域适应。

公开(公告)号：CN110020718A

公开(公告)日：2019-07-16

申请号：CN201910195272.4

申请日：2019-03-14

Applicant: 上海交通大学

Inventor： 王延峰 ,  周越夫 ,  张娅

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于变分推断的逐层神经网络剪枝方法和系统，该方法包括：通过采样方式在神经网络中注噪声，得到噪化的神经网络；根据预设的目标函数对噪化的神经网络的权重进行训练，得到训练后的神经网络权重和训练后的神经网络；根据变分推断得到的变分下界，训练注入的乘性高斯噪声对应的噪声参数，得到训练后的噪声参数；基于所述训练后的噪声参数、训练后的神经网络权重，通过阈值函数逐层删除所述训练后的神经网络中相应的神经元或者卷积核。本发明的方法中，所注入的噪声在训练过程中融入了神经网络的层级关系，使得在剪枝过程中充分考虑层间的依赖，继而保证了在高度剪枝下神经网络的输出结果依旧具备鲁棒性。

公开(公告)号：CN106998502A

公开(公告)日：2017-08-01

申请号：CN201710124570.5

申请日：2017-03-03

Applicant: 上海交通大学

Inventor： 张娅 ,  王延峰 ,  侯杰 ,  彭诗奇

IPC: H04N21/466 ,  H04N21/258 ,  H04N21/25 ,  H04N21/45

CPC classification number: H04N21/4667 ,  H04N21/251 ,  H04N21/25891 ,  H04N21/4532

Abstract: 本发明提供了一种基于霍克斯过程的节目质量评价方法，该方法包括：将用户收视行为的原始数据抽象成点过程，只包含用户观看的时间点、节目编号、节目类型和频道编号；排除了用户收视意愿、用户偏好、频道偏好等主客观因素对节目质量评价的影响；排除了节目类型等客观因素对节目质量评价的影响；利用霍克斯模型对每个用户收视节目的行为建模。同时，本发明还使用最小窗梯度下降算法，通过对用户数据的计算，得到所建立模型的各项参数，从而实现对节目质量和节目类型的评价。

公开(公告)号：CN103530321B

公开(公告)日：2016-09-07

申请号：CN201310429873.X

申请日：2013-09-18

Applicant: 上海交通大学

Inventor： 蔡文彬 ,  张娅

IPC: G06F17/30

Abstract: 本发明提供了一种基于机器学习的排序系统，其中：数据收集和数据预处理模块收集所需排序学习的数据；训练集构建模块包括：初始阶段，从存储的海量未标注查询‑文本数据，随机挑选部分样本按照相关性人工标注，构建初始训练集；迭代阶段，调用排序学习模块并依据已构建的排序模型，执行选样算法，从未标注数据中选择最有信息的样本，进行相关性标注。将标注后的数据存于存储模块；排序学习模块构建排序模型；训练集构建模块和排序学习模块交互迭代进行；预测排序模块调用排序模型，对用户输入的查询，检索其相应的文本预测相关性，并按照相关性大小进行排序。本发明可以提高排序系统对检索结果的排序准确性，更好的展现检索结果，满足用户需求。

公开(公告)号：CN114972871B

公开(公告)日：2025-05-09

申请号：CN202210617656.2

申请日：2022-06-01

Applicant: 上海交通大学

Inventor： 王延峰 ,  黄潮钦 ,  管浩言 ,  蒋傲凡 ,  张娅

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/77 ,  G06T7/33 ,  G06N3/045 ,  G06N3/082 ,  G06N3/0464

Abstract: 本发明提供了一种基于图像配准的少样本图像异常检测方法及系统，包括：对支撑图像和待检测图像提取图像的高维特征；对图像的高维特征进行特征的空间变换得到变换的图像特征；对变换的图像特征实现特征编码；对编码特征实现特征配准；对变换的图像特征拟合支撑图像的特征分布得到特征分布模型；对变换的图像特征和特征分布模型实现图像异常评定。本发明针对目前异常检测方法存在的问题，提出一种基于图像配准的少样本异常检测方法，本发明利用已知类别物体数据训练可推广的通用模型，不需要对新类别物体数据重新训练模型，而是仅利用少样本的新类别数据，即可应用于新类别物体的异常检测任务。

公开(公告)号：CN114612451B

公开(公告)日：2025-03-28

申请号：CN202210268374.6

申请日：2022-03-18

Applicant: 上海交通大学

Inventor： 王延峰 ,  张乐飞 ,  冯世祥 ,  王钰 ,  张娅

IPC: G06T7/00 ,  G06T7/11 ,  G16H30/40 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/098 ,  G06N3/09

Abstract: 本发明提供了一种基于多源集成蒸馏的多器官分割方法及系统，包括：输入图片经过所述的教师和学生模型预测得到多组分割图；将教师图片分割图进行输出转换，扩充到多类别输出；根据基于区域的掩码对输出进行器官和背景区域的转换；对不同器官区域和背景区域分别进行监督学习，使得教师和学生模型的转换后的预测结果对齐，得到一个高效的学生多器官分割模型；输入预测图片经过学生多器官分割模型，获得器官分割预测结果。本发明通过多源集成蒸馏的方法，指导训练一个效果更好的多器官分割模型，实现隐私友好情况下的更精确的无监督多器官分割。

公开(公告)号：CN114972036B

公开(公告)日：2024-09-24

申请号：CN202210657948.9

申请日：2022-06-10

Applicant: 上海交通大学

Inventor： 张小云 ,  付裕 ,  张娅 ,  王延峰

IPC: G06T3/4053 ,  G06T3/4046 ,  G06T3/4084 ,  G06N3/0464 ,  G06N3/043 ,  G06N3/08

Abstract: 本发明提供一种基于融合退化先验的核反卷积盲图像超分辨率重建网络；低分辨率图像输入所述上采样网络，重建出满足原始模糊核约束的高分辨率尺度的过渡图像；将所述过渡图像和所述原始模糊核输入所述反卷积网络，实现高分辨率图像的重建。本发明通过引入退化建模的方式，将盲图像超分辨率重建解耦，并将完整原始模糊核显式引入重建过程中，避免了由于引入预生成的模糊核降维手段而带来的模糊核信息丢失，以及面对未知退化核而带来的泛化性问题，端到端的实现了盲图像超分辨率重建。

公开(公告)号：CN117237381A

公开(公告)日：2023-12-15

申请号：CN202311244917.1

申请日：2023-09-25

Applicant: 上海交通大学

Inventor： 张娅 ,  邢琳煜 ,  陈梦茜 ,  姚江超 ,  王延峰

IPC: G06T7/11 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供了一种对于缺失模态鲁棒的多模态MRI脑瘤图像分割方法及系统，包括：步骤S1：采集多模态MRI图像数据，并对多模态MRI图像数据进行预处理得到预处理后的多模态MRI图像数据；步骤S2：将预处理后的单模态MRI图像数据分别输入多个不同的编码器‑解码器3D‑UNet网络得到各自模态的判别性表征；步骤S3：将预处理后的多模态MRI图像数据在通道维度上进行连接，并输入至前交互的编码器‑解码器3D‑UNet网络得到前交互融合表征；步骤S4：将前交互融合表征和各自模态的判别性表征基于注意力机制进行自适应动态融合，得到后交互融合表征；步骤S5：将各自模态的判别性表征、前交互融合表征和后交互融合表征分别输入不同的一层深度卷积神经网络得到各自的肿瘤分割图。

公开(公告)号：CN116629323A

公开(公告)日：2023-08-22

申请号：CN202310475194.X

申请日：2023-04-27

Applicant: 上海人工智能创新中心 ,  上海交通大学

Inventor： 王延峰 ,  秦伊明 ,  姚江超 ,  张娅

IPC: G06N3/0475 ,  G06N3/094 ,  G06T11/00

Abstract: 本发明公开一种扩散模型的优化方法，其首先在迷你批次中从扩散过程的马尔可夫链路径中对步骤进行随机采样，得到当前批次中的步骤t，然后对步骤t的图像中的每个像素点进行随机加噪，得到步骤t的噪声图像，并基于其通过模型对原图进行预测，得到模型预测的噪声，然后计算模型预测的噪声与真实噪声之间的均方损失，最后从遵循预设分布的标签集合中进行采样，得到额外的随机标签，并基于随机标签对噪声图像的噪声进行重新预测，并计算分布调整损失。该方法在采样过程中调整条件转移概率，隐含地迫使生成的图像在每个采样步骤中逼近目标先验分布，补全了针对基于长尾分布数据训练更稳健的生成模型方向的研究空缺。