-
公开(公告)号：CN114419401B
公开(公告)日：2022-07-22
申请号：CN202210316338.2
申请日：2022-03-29
Applicant: 北京小蝇科技有限责任公司
IPC: G06V10/774 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08 , G06T5/00 , G06T5/50 , G06T7/10
Abstract: 本发明公开了一种白细胞检测识别方法、装置、计算机存储介质及电子设备，属于血细胞检测领域。本发明首先对大量血液玻片进行全视野摄影，建立玻片扫描图像组。从玻片扫描图像组中分别为图像复原模型、图像分割和多任务分类模型准备训练数据集和验证数据集。使用深度学习和卷积神经网络技术进行模型训练，通过不断地参数调优和误差分析优化模型，得到最终的图像复原模型、图像分割和多任务分类模型。在应用过程中，待检测血液玻片同样进行全视野摄影，建立玻片扫描图像。通过图像复原模型获得复原后的清晰玻片扫描图像，经过图像分割和多任务分类模型，得到白细胞的位置和类别。本发明能够快速、全面、准确、客观的实现白细胞检测识别。
-
公开(公告)号：CN119863674A
公开(公告)日：2025-04-22
申请号：CN202411747659.3
申请日：2024-11-29
Applicant: 北京小蝇科技有限责任公司
Abstract: 本发明公开了一种基于对抗学习的图像样本域对齐方法和装置，所述方法包括：获取多个图像样本域，提取各图像样本域的目标维度数据；以所述目标维度数据作为输入数据输入预先构建的样本域对抗模块进行数据处理，以得到所述样本域对抗模块输出的对齐后的样本域数据，进而通过反向传播梯度更新优化特征提取网络，以提升特征提取网络的下游任务(如图像分类等任务)对不同域图像特征识别的鲁棒性。该方法通过对多个不同的样本域进行对抗训练，实现不同样本域之间的图像数据对齐，从而解决由于医学图像数据不同样本、批次间图像差异较大，而导致的用于深度学习模型训练的数据集获取难度大、获取周期长的问题。
-
公开(公告)号：CN118628843B
公开(公告)日：2024-12-20
申请号：CN202411098784.6
申请日：2024-08-12
Applicant: 北京小蝇科技有限责任公司
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06F16/55 , G06F16/583 , G06F16/58 , G06F40/284 , G06F40/216 , G06F18/25
Abstract: 本发明提供一种用于医疗数据的长尾目标数据分类方法和装置，所述方法包括：在长尾目标数据库中获取待分类的目标图像，在所述目标图像中增加类别文本描述，以得到输入数据；将所述输入数据输入预先训练的分类识别模型，得到所述分类识别模型输出的分类结果；其中，所述分类识别模型是利用样本数据和预先构建的网络模型进行训练得到的；所述样本数据是在收集到的自然图像中增加类别文本描述得到的，所述网络模型包括预先构建的编码器、图像特征分类头和文图指导图像特征分类头。解决了现有技术中长尾分类的准确性和泛化性较差的问题，提高了长尾分类的准确性和泛化性。
-
公开(公告)号：CN119129691A
公开(公告)日：2024-12-13
申请号：CN202411620281.0
申请日：2024-11-14
Applicant: 北京小蝇科技有限责任公司
IPC: G06N3/088 , G06N3/0455 , G06N3/09 , G06V10/764 , G06V10/774 , G06V10/82 , G06F16/11
Abstract: 本发明提供一种基于多元信息感知的大规模模型预训练方法，将采集到的图像、文本、音频数据输入预训练数据库，将预训练数据库中小批量标注形成识别数据库，利用预训练数据库中的数据对识别模型进行无监督模式预训练，预训练分别从三个感知态展开，将预训练模型得到的参数作为识别模型的初始化参数，基于识别数据库进行模型的监督学习训练，得到最终的智能识别模型。本发明以无监督学习为基石，依托大规模模型预训练的强大能力，分别利用判别式模型和生成式模型进行大规模模型预训练，实现了对海量无标注数据的有效利用；支持广泛的多模态数据的输入，采用互信息最大化‑对比损失作为核心优化目标，使模型能够流畅的处理多模态数据间复杂关系。
-
公开(公告)号：CN119048564A
公开(公告)日：2024-11-29
申请号：CN202411546997.0
申请日：2024-11-01
Applicant: 北京小蝇科技有限责任公司
IPC: G06T7/246 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种长短期目标记忆的多目标追踪方法，基于DETR结构的启发，首先拓展DETR中query的物理概念为检测query和追踪query，辅以追踪感知的标签匹配策略，实现检测和追踪任务的解耦；其次嵌入记忆模块，传递以及更新连续帧之间的标签匹配信息，提高模型对于长短期目标的记忆能力，使得模型足以解决复杂的时序建模问题。本发明在首帧图片缺乏追踪信息的前提下，依赖检测模型完成目标的定位以及索引的分配；对于后续帧的目标检测以及追踪而言，记忆模块可提供有效的追踪信息，且置信度进入阈值和置信度退出阈值可协同筛选出高质量的追踪信息，完成目标轨迹的空间建模；本发明显著提高在目标的不规则运动、目标的运动模糊以及目标遮挡场景下的多目标追踪性能。
-
Patent Agency Ranking
公开(公告)号：CN118628843A
公开(公告)日：2024-09-10
申请号：CN202411098784.6
申请日：2024-08-12
Applicant: 北京小蝇科技有限责任公司
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06F16/55 , G06F16/583 , G06F16/58 , G06F40/284 , G06F40/216 , G06F18/25
Abstract: 本发明提供一种用于医疗数据的长尾目标数据分类方法和装置，所述方法包括：在长尾目标数据库中获取待分类的目标图像，在所述目标图像中增加类别文本描述，以得到输入数据；将所述输入数据输入预先训练的分类识别模型，得到所述分类识别模型输出的分类结果；其中，所述分类识别模型是利用样本数据和预先构建的网络模型进行训练得到的；所述样本数据是在收集到的自然图像中增加类别文本描述得到的，所述网络模型包括预先构建的编码器、图像特征分类头和文图指导图像特征分类头。解决了现有技术中长尾分类的准确性和泛化性较差的问题，提高了长尾分类的准确性和泛化性。
-
公开(公告)号：CN114419619A
公开(公告)日：2022-04-29
申请号：CN202210316532.0
申请日：2022-03-29
Applicant: 北京小蝇科技有限责任公司
Abstract: 本发明公开了一种红细胞检测分类方法、装置、计算机存储介质及电子设备，属于血细胞检测领域。本发明首先对大量血液玻片进行全视野摄影，建立玻片扫描图像组。从玻片扫描图像组中分别为图像复原模型、图像检测和多任务分类模型准备训练数据集和验证数据集。使用深度学习和卷积神经网络技术进行模型训练，通过不断地参数调优和误差分析优化模型，得到最终的图像复原模型、图像检测和多任务分类模型。在应用过程中，待检测血液玻片同样进行全视野摄影，建立玻片扫描图像。通过图像复原模型获得复原后的清晰玻片扫描图像，经过图像检测和多任务分类模型，得到红细胞的位置和类别。本发明能够快速、全面、准确、客观的实现红细胞检测分类。
-
公开(公告)号：CN113256637A
公开(公告)日：2021-08-13
申请号：CN202110802795.8
申请日：2021-07-15
Applicant: 北京小蝇科技有限责任公司
Abstract: 本发明提供一种基于深度学习、上下文相关的尿液有形成分检测方法，在显微成像设备的视野下对尿液样本进行视频采集，从尿液视频中抽取图像，得到带有时间序列的单帧图像数据，标注出单帧图像数据的有形成分位置和类别，并分为训练集和测试集；构建具有检测、跟踪、预测、上下文关联匹配、定位和比对识别功能的尿液有形成分检测分类模型，使用训练集和测试集进行模型训练；然后对待检测尿液样本进行检测。本发明解决尿液在显微镜视野下有形成分位置易变化而产生漏检、重复检测的问题，基于Transformer技术，将基于卡尔曼滤波目标跟踪技术应用于尿液细胞计数，充分考虑长尾分布，光照等干扰因素，解决上述问题的同时达到速度和精度的权衡，具有临床应用价值。
-
公开(公告)号：CN112150466B
公开(公告)日：2021-03-09
申请号：CN202011346705.0
申请日：2020-11-26
Applicant: 北京小蝇科技有限责任公司
Abstract: 本发明涉及一种用于白细胞散点图异常检测的方法及系统，采用卷积自编码器对白细胞散点图进行图像重构；将重构图像与所述白细胞散点图对比，计算重构误差；对所述白细胞散点进行表面特征提取和统计，判断是否满足约束条件，如果满足则统计结果为正常，否则统计结果为异常；当重构误差未超过设定阈值，且统计结果为正常则判定白细胞散点图结果为正常，否则判定白细胞散点图结果为异常。本发明基于重构图像计算的异常值，基于先验知识的判断结果，由异常值和判断结果综合获得异常检测结果，降低卷积自编码器在散点图异常检测任务上的漏检率，检测结果更加可靠。
-
公开(公告)号：CN112132831A
公开(公告)日：2020-12-25
申请号：CN202011341950.2
申请日：2020-11-26
Applicant: 北京小蝇科技有限责任公司
Abstract: 本发明涉及一种白细胞散点图异常联合检测方法及系统，采用卷积神经网络模型对白细胞散点图进行异常判断，输出判断结果；对白细胞散点进行表面特征提取和统计，判断是否满足基于先验知识构建的约束条件，如果满足则统计结果为正常，否则统计结果为异常；当卷积神经网络模型输出结果为正常，且统计结果为正常则输出白细胞散点图检测结果为正常，否则根据置信度值是否超过敏感度阈值或加权比较输出结果。本发明采用了卷积神经网络进行有监督学习，综合先验知识的判断，联合对白细胞异常图片进行检测。先验知识判定可以灵活调节，而卷积神经网络对图像判定效果好，二者的结合，有效地降低了异常图片的漏检率，假阳性率也在一个可接受的范围内。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.057 seconds)
