-
公开(公告)号：CN108921092A
公开(公告)日：2018-11-30
申请号：CN201810708545.6
申请日：2018-07-02
Applicant: 浙江工业大学
Abstract: 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，所述方法包括以下步骤：步骤1.基于随机掩盖来构建多个具有差异性的不同训练集；步骤2.卷积神经网络模型的构建及使用Focal loss作为模型的惩罚函数；步骤3.卷积神经网络模型的集成及二次集成。通过构建多个具有差异的训练集A、B、C等以及使用Resnet的50层卷积神经网络进行训练，最后根据模型的投票结果先进行一次集成，然后在一次集成的基础上再进行二次集成，旨在提高黑色素瘤自动识别分类的性能。
-
公开(公告)号：CN105908686A
公开(公告)日：2016-08-31
申请号：CN201610241403.4
申请日：2016-04-19
Applicant: 浙江工业大学
IPC: E02B15/10
CPC classification number: E02B15/10
Abstract: 一种漂浮物自动清理装置，包括机架，在机架上安装有浮力轮，浮力轮与驱动电机连接，漂浮物收集器通过支架与机架连接，漂浮物收集器为一斗形结构，漂浮物收集器两侧与支架活动连接；漂浮物收集器上设有横杆，横杆与舵机连杆活动连接，舵机连杆与舵机转盘铰接，舵机转盘与舵机的输出轴连接；舵机安装在支架上。本装置利用浮力轮在水面推动行进，漂浮物收集器没于水面，打捞完成后，通过浮力轮驱动登陆上岸；再通过舵机的转动，使漂浮物收集器倾斜而倒出打捞的废物。
-
公开(公告)号：CN119723083A
公开(公告)日：2025-03-28
申请号：CN202411794144.9
申请日：2024-12-09
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V10/762 , G06V10/74 , G06V10/80
Abstract: 本发明公开了一种基于自适应聚类疑难点处理的无监督语义分割歧义消除方法，包括特征提取、自适应k‑means聚类、疑难点处理、相似度邻接矩阵构造、图卷积、语义分割六个过程。本发明通过k‑means聚类选出有分割歧义的点，通过多次聚类权重对疑难点进行特征处理，使用图卷积网络进行特征融合，本发明能够对不明确属于某一类别的点进行处理，让其在特征融合后更明确地被划分到某一类别中，提高了分割准确性。
-
公开(公告)号：CN119251079A
公开(公告)日：2025-01-03
申请号：CN202411230267.X
申请日：2024-09-04
Applicant: 浙江工业大学
Abstract: 一种面向工业缺陷检测的随机区域马赛克数据增强方法，首先定义用于控制马赛克块大小的参数列表Patch‑List，在每次数据增强时随机选择不同大小的马赛克块；其次根据选定的马赛克块大小，将图像划分为若干网格，并通过概率参数Pm决定是否对每个网格执行马赛克模糊处理；通过引入Miou与Mp两个阈值参数来对目标区域的马赛克覆盖程度进行判断。若某目标区域的马赛克覆盖超出阈值，则自动移除其标签信息；模型在每轮的训练过程中以Pt的概率进行开启该数据增强，直至模型训练结束。以及提供一种随机区域马赛克数据增强系统。本发明能够实现提高检测模型分类精度与定位精度，同时部署简单，易于使用。
-
公开(公告)号：CN112580783B
公开(公告)日：2024-03-22
申请号：CN202011487738.7
申请日：2020-12-16
Applicant: 浙江工业大学
Abstract: 一种高维深度学习模型向低维迁移知识的跨维度知识迁移方法，1)将n‑1维数据x扩充形成伪n维数据y；2)将y输入教师网络，提取n维特征；3)将教师网络提取的n维特征在第n维度上求特征的均值；4)将x输入学生网络，提取n‑1维特征；5)通过损失函数约束，使学生网络的特征输出逼近教师网络的特征输出；6)按步骤1)～5)重复设定次数，直到学生网络的特征输出与教师网络的特征输出相差小于预设阈值；7)按照步骤1)～6)的方法，可迁移到维度n‑2，直到维度m。当只有低维数据或为了提高算法速度只能采用低维数据时，采用本发明可以得到一个低维模型，其中存储了高维模型的知识，且具备了与高维模型相近的特征提取能力。
-
Patent Agency Ranking
公开(公告)号：CN117611808A
公开(公告)日：2024-02-27
申请号：CN202311366170.7
申请日：2023-10-19
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V20/70 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 一种基于交叉注意力自引导的小样本语义分割方法，包括以下步骤：步骤1.将支持图片和查询图片经过特征提取网络，转换为具有语义信息的支持特征图和查询特征图；步骤2.基于查询图片的亲和力矩阵和支持图片的标签图片，将查询特征分成易分辨的前景、易分辨的背景和难区分区域，将支持特征分为前景特征、背景特征；步骤3.利用支持前景、背景特征增强查询特征的易区分部分的区分性；步骤4.将查询特征的易区分部分与难区分部分进行交叉注意力的操作；步骤5.基于卷积网络设计的简单分类器实现对查询特征的分类；步骤6.构建分类及三元组损失函数，对网络进行监督训练。本发明利用图像内部的易分割区域辅助难分割区域的分割。
-
公开(公告)号：CN117522899A
公开(公告)日：2024-02-06
申请号：CN202311681219.8
申请日：2023-12-08
Applicant: 浙江工业大学
IPC: G06T7/11 , G06T7/00 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于小目标位置概率的淋巴瘤PET‑CT融合分割方法，预热CT图像的器官分割网络，预热结束后冻结该网络；生成随机可学习参数作为通用淋巴瘤位置原型，将该位置原型和冻结部分的预测的器官mask结合，生成强调小目标淋巴瘤的位置原型和约束干扰目标的位置原型；初始化一个新的nn‑UNet卷积网络用于分割全身淋巴瘤，将小目标淋巴瘤位置原型和干扰目标位置原型辅助3D的PET输入图像进行全身淋巴瘤分割；nn‑UNet卷积神经网络使用Dice loss和Cross‑Entropy Loss组成的联合损失进行分割。本发明提高了全身淋巴瘤自动分割的性能。
-
公开(公告)号：CN117422723A
公开(公告)日：2024-01-19
申请号：CN202311250932.7
申请日：2023-09-26
Applicant: 浙江工业大学
IPC: G06T7/10 , G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种融合正态分布和器官先验的卷积神经网络医学影像分割方法，包括以下步骤：步骤1：根据人体器官的先验信息，使用正态分布初始化医学影像的先验掩码；步骤2：双分支卷积神经网络模型的构建，使用卷积神经网络分别构建模型的基线以及先验掩码生成模块；步骤3：设定网络的输入；步骤4：融合双分支输出，将生成的先验掩码与基线生成的特征图进行融合并分割；步骤5：网络的训练。本发明利用人体器官的先验位置信息和先验形状信息以及正态分布生成先验掩码，然后使用先验掩码来引导医学影像的进一步分割。
-
公开(公告)号：CN117078690A
公开(公告)日：2023-11-17
申请号：CN202310875522.5
申请日：2023-07-17
Applicant: 浙江工业大学
IPC: G06T7/10 , G06N3/096 , G06N3/0985 , G06N3/084
Abstract: 一种面向少样本稀土晶体分割任务的迁移学习方法，包括以下步骤：步骤1：准备大量易获取的微观结构数据集，以及少量样本的稀土晶体结构数据集；步骤2，在大规模微观结构数据集上对图像分割模型进行预训练；步骤3，将预训练结束的图像分割模型迁移到稀土晶体结构数据集上进行微调训练；步骤4，使用贝叶斯优化方法优化每一次微调训练过程，搜索最优的迁移学习超参数配置，并保存每一次完整微调训练结束后的模型；步骤5，输出最优超参数配置及其对应的最优分割模型。本发明将模型在大量易获取的微观结构数据集上学习到的知识迁移到下游少量样本的稀土晶体分割任务上，改善了因稀土晶体结构数据量不足而导致深度学习模型难以训练的问题。
-
公开(公告)号：CN115860093A
公开(公告)日：2023-03-28
申请号：CN202211304526.X
申请日：2022-10-24
Applicant: 杭州市临安区第一人民医院 , 浙江工业大学
IPC: G06N3/082 , G06N3/0464 , G06V10/82 , G06V10/764 , G06T7/00
Abstract: 本发明公开了一种面向皮肤病不平衡数据惩罚得分的网络剪枝方法，包括：S1、获取皮肤病不平衡样本数据集并根据每个类别的样本数确定尾类，进行样本权重向量标记；S2、构建卷积神经网络；S3、计算卷积神经网络中每个卷积核的不平衡数据惩罚得分；S4、根据预设剪枝率对卷积神经网络中每个卷积层的卷积核进行修剪；S5、采用皮肤病不平衡样本数据集对修剪后的卷积神经网络进行训练直至收敛，再利用平衡数据集对收敛的卷积神经网络微调，获得最终网络模型。该方法在降低网络参数量和计算量的同时，提高了分类准确率，且便于部署，泛化能力强。
-
-
-
-
-
-
-
-
-
Search Results
139
records
(took 0.058 seconds)
