-
公开(公告)号：CN119252347B
公开(公告)日：2025-03-14
申请号：CN202411776207.8
申请日：2024-12-05
Applicant: 厦门理工学院
Abstract: 本发明提供了一种基于KAN网络和多组学数据的癌症亚型分类方法，该方法包括获取多组学数据，包括基因组学数据、转录组学和蛋白质组学数据，构建测试数据集；利用科尔莫戈洛夫‑阿诺德网络模型对多组学数据进行特征提取和整合,并进行训练，得到训练好的癌症分型模型；在模型评估阶段，采用蒙特卡洛丢弃法进行多次前向传播，以估算模型预测结果的不确定性，提升模型的鲁棒性；癌症分型预测，使用训练好的科尔莫戈洛夫‑阿诺德网络模型对多组学数据进行高精度癌症分型。本方法能够有效解决多组学数据异质性问题，提升癌症分型的准确性和鲁棒性，有助于提高个性化治疗的效果。
-
公开(公告)号：CN118898722B
公开(公告)日：2025-02-11
申请号：CN202411404225.3
申请日：2024-10-10
Applicant: 厦门理工学院
IPC: G06V10/422 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/10 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于几何基元空间感知的平面几何自动解题方法，S1将待求解的几何图示和几何题目利用解析器按预设的规则，解析成文本子句，并输入Transformer Encoder中编码；S2将几何图示图像通过卷机神经网络分成64个图示补丁特征并通过自注意力机制学习视觉模态内部特征；S3将这些模态特征输入到多模态双支路空间感知预训练语言模块中以学习跨模态全局特征和几何基元空间信息，并输入到双向GRU编码器中以执行融合编码；S4将混合编码中的文本编码送入点基元空间注意力模块中增强模型对几何基元的空间感知能力；S5将增强的混合编码由自限GRU解码器解码，并生成顺序求解程序。
-
公开(公告)号：CN118918589B
公开(公告)日：2025-01-21
申请号：CN202411399134.5
申请日：2024-10-09
Applicant: 厦门理工学院
IPC: G06V30/146 , G06V30/19 , G06V30/18 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于网格点的医疗文档图像矫正识别方法及系统，该方法包括以下步骤：步骤A：获取医疗文档的待矫正图像及其对应的真实图像，构建测试数据集；步骤B：构建基于网格点的医疗文档图像矫正模型并通过训练数据集对其进行训练，得到训练好的医疗文档图像矫正模型；步骤C：利用测试数据集对训练好的医疗文档图像矫正模型进行测试，评估合格的即为最终得到的医疗文档图像矫正模型；步骤D：将最终得到的医疗文档图像矫正模型应用于医疗文档图像矫正，获取矫正后的医疗文档图像；然后对矫正后的医疗文档图像进行文字识别，得到识别后的医疗文本。该方法及系统有利于快速、准确地校正医疗文档图像并对其进行文字识别。
-
公开(公告)号：CN119229220A
公开(公告)日：2024-12-31
申请号：CN202411746649.8
申请日：2024-12-02
Applicant: 厦门理工学院
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/096
Abstract: 本发明提供了基于跨域截断式迁移学习的放大内镜图像病变分类方法，包括获取放大内镜的真实图像、病变类别，构建训练、验证和测试数据集；构建基于跨域截断式迁移学习的放大内镜图像病变分类模型，设置截断点后进行训练，得到训练后的放大内镜图像病变分类模型；利用验证数据集对模型进行评估，根据验证结果调整模型参数，确定最终的模型；利用测试数据集进行测试，将经过测试的放大内镜图像病变分类模型应用于实际的放大内镜图像病变分类任务中。该方法适用于关于放大内镜图片病变类别工作，在模型训练过程中利用分层截断策略以及动态学习率调整机制，提升了模型的分类精度和训练效率，具有较强的实用性和推广价值。
-
公开(公告)号：CN118968598A
公开(公告)日：2024-11-15
申请号：CN202411154082.5
申请日：2024-08-21
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于提示学习的人脸属性识别方法及系统，该方法包括以下步骤：1）从数据集中获取人脸图像和人脸属性识别标签，并对人脸图像进行预处理，形成人脸图像Token序列；2）将人脸图像Token序列输入构建的人脸属性识别网络模型，人脸属性识别网络模型对提示序列进行初始化，并将其与人脸图像Token序列拼接后输入Transformer模型；Transformer模型部分冻结，只有提示序列进行迭代，以引导模型进行微调；Transformer模型的不同编码器层之间插入动态可调门控模块，以自适应地调整不同编码器层的提示序列的贡献；对人脸属性识别网络模型进行训练；3）将训练好的人脸属性识别网络模型用于人脸属性识别。该方法及系统有利于更加鲁棒、准确、轻量化的获得人脸属性识别结果。
-
Patent Agency Ranking
公开(公告)号：CN118918589A
公开(公告)日：2024-11-08
申请号：CN202411399134.5
申请日：2024-10-09
Applicant: 厦门理工学院
IPC: G06V30/146 , G06V30/19 , G06V30/18 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于网格点的医疗文档图像矫正识别方法及系统，该方法包括以下步骤：步骤A：获取医疗文档的待矫正图像及其对应的真实图像，构建测试数据集；步骤B：构建基于网格点的医疗文档图像矫正模型并通过训练数据集对其进行训练，得到训练好的医疗文档图像矫正模型；步骤C：利用测试数据集对训练好的医疗文档图像矫正模型进行测试，评估合格的即为最终得到的医疗文档图像矫正模型；步骤D：将最终得到的医疗文档图像矫正模型应用于医疗文档图像矫正，获取矫正后的医疗文档图像；然后对矫正后的医疗文档图像进行文字识别，得到识别后的医疗文本。该方法及系统有利于快速、准确地校正医疗文档图像并对其进行文字识别。
-
公开(公告)号：CN118898846A
公开(公告)日：2024-11-05
申请号：CN202411396493.5
申请日：2024-10-09
Applicant: 厦门理工学院
IPC: G06V30/146 , G06V30/148 , G06V30/18 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出一种应用于歪曲试卷的文档矫正系统，包括试卷图像的分割模块和基于多头注意力机制的试卷图像矫正模块；所述试卷图像的分割模块基于UNet构建的分割模型以实现对于试卷文档的左缘信息和右缘信息分割，通过卷积层、残差连接以及转置卷积层提取和融合图像特征，以获得图像分割图，随后进行后处理以获得实际的掩码图；再将分割后的信息输入到基于多头注意力机制的试卷图像矫正模块中以对分割后的图形进行矫正；所述基于多头注意力机制的试卷图像矫正模块采用Transformer结构，包括Encoder‑Decoder结构，采用多头注意力结构网络生成图像的光流图，通过一系列的Encoder编码器块进行逐步降采样和Decoder解码器块进行逐步上采样，得到矫正后的试卷文档图像。
-
公开(公告)号：CN117407870A
公开(公告)日：2024-01-16
申请号：CN202311394745.6
申请日：2023-10-25
Applicant: 厦门理工学院
IPC: G06F21/55 , G06F21/33 , G06F18/2413 , G06F18/21
Abstract: 本发明提出一种基于令牌损失信息的通用对抗攻击检测方法，通过分割目标样本为独立序列令牌，其次计算每个令牌序列的损失权重信息并转为TLV(Token‑Loss Value，TLV)度量值并建立全样本序列查询表T，设定差异性检测器阈值来判断对抗样本，有效的解决了可学习式非实例对抗性样本的扰动检测，且在长短文本上均能取得高性能的表现，在当前任务中达到了最优的检测结果。
-
公开(公告)号：CN116778556A
公开(公告)日：2023-09-19
申请号：CN202310751198.6
申请日：2023-06-25
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于视觉语言模型的人脸属性识别方法及系统，该方法包括：1）给定需要预测的所有人脸属性标签，并获取多张人脸图片及其人脸属性标签，形成人脸属性识别数据集；2）构建基于视觉语言模型的人脸属性识别网络模型，其主要包括视觉编码器、语言编码器和多个视觉语言交互编码器，每个视觉语言交互编码器包括视觉语言交叉注意力模块和自注意力模块，视觉语言交叉注意力模块包含视觉对语言的调节注意力机制和语言对视觉的指导注意力机制；通过人脸属性识别数据集及40个人脸属性标签组合对网络模型进行训练；3）将训练好的人脸属性识别网络模型用于人脸属性识别。该方法及系统有利于获得更加稳定、鲁棒、准确的人脸属性识别结果。
-
公开(公告)号：CN116434143A
公开(公告)日：2023-07-14
申请号：CN202310406803.6
申请日：2023-04-17
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于特征重构的跨模态行人重识别方法，包括以下步骤：1）从数据集中成对抽取多个行人的可见光图片和红外图片，形成可见光训练数据集和红外训练数据集；2）构建基于特征重构的跨模态行人重识别网络模型，所述跨模态行人重识别网络模型主要包括特定特征提取模块、多尺度特征提取模块、Token感知的多尺度特征融合模块和跨模态特征重构模块；通过可见光训练数据集和红外训练数据集对跨模态行人重识别网络模型进行训练，得到可泛化的模型参数；3）将训练好的跨模态行人重识别网络模型用于跨模态检索，实现跨模态行人重识别。该方法及系统有利于获得更加稳定、鲁棒、准确的跨模态行人重识别结果。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.039 seconds)
