-
公开(公告)号：CN118172306A
公开(公告)日：2024-06-11
申请号：CN202410179957.0
申请日：2024-02-18
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06T7/00 , G06V10/774 , G06V10/764
Abstract: 本发明涉及一种基于视觉语言模型的医学图像异常检测方法、设备及介质，该方法采用多层次视觉特征适配技术，将多个残差适配器集成到视觉语言模型的视觉编码器中；同时采用适配特征比对技术，通过视觉适配特征与文本提示特征的比对实现零样本异常检测，或者通过少样本目标图像视觉适配特征的比对实现少样本异常检测。与现有技术相比，本发明具有更加准确的定位异常区域，提供更加优秀的异常检测性能等优点。
-
公开(公告)号：CN113628108B
公开(公告)日：2023-10-27
申请号：CN202110755689.9
申请日：2021-07-05
Applicant: 上海交通大学
IPC: G06T3/40 , G06V10/77 , G06V10/772 , G06V10/82 , G06V10/766 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于离散表示学习的图像超分辨率方法和系统、终端，所述方法包括：分别创建低分辨率以及高分辨率的离散字典；将低分辨率图像输入卷积神经网络得到提取的图像特征，并参照低分辨率离散字典，将图像特征转换为离散表示；将基于低分辨率字典的离散表示通过自回归网络，映射成基于高分辨率字典的离散表示；将离散表示参照高分辨率字典，转换为高分辨率图像特征，再通过卷积神经网络，进行反卷积的操作，生成输入低分辨率图像对应的高分辨率图像。本发明能够利用低清高清数据对来分别建立低分辨率以及高分辨率离散字典，将输入的低分辨率图像通过这两个字典变为对应的高分辨率图像，提升图像的清晰度。
-
公开(公告)号：CN116796865A
公开(公告)日：2023-09-22
申请号：CN202310432186.7
申请日：2023-04-20
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06N20/20 , G06F18/214
Abstract: 本发明公开一种联邦学习的泛化调整方法，其首先在本地终端计算泛化差异，然后在本地终端进行第r轮训练，得到第r轮次的本地模型，并将第r轮次的本地模型及泛化差异上传至服务器端，最后在服务器端进行全局模型参数聚合，得到第r+1轮次的全局模型。其可以最小化联邦学习训练过程中各个本地终端的泛化差异方差，进而有效地降低全局模型在跨域时的泛化误差，改善联邦领域的泛化问题。
-
公开(公告)号：CN110660480B
公开(公告)日：2023-05-26
申请号：CN201910912803.7
申请日：2019-09-25
Applicant: 上海交通大学
Abstract: 本发明提供了一种脊骨脱位辅助诊断方法及系统，所述方法包括：粗分割网络训练步骤：通过少量标注了脊骨椎体四个顶点的数据训练粗略的分割网络；滑窗提取步骤：对输入图像按照其中脊骨椎体的大小提取滑窗进行数据增广；特征提取步骤：对于输入的医疗影像通过深度神经网络提取高层语义特征；类别激活图生成步骤：利用分类网络中已有的参数生成类别激活图；专家知识引导步骤：利用分割网络得到粗略分割结果定位前后边缘的大致位置，并以此约束神经网络类别激活图中的概率分布。本发明对于脊骨脱位诊断的准确率和可解释性，并且在数据量较小时能保持很好的性能。
-
公开(公告)号：CN111199216B
公开(公告)日：2022-10-28
申请号：CN202010014577.3
申请日：2020-01-07
Applicant: 上海交通大学
Abstract: 本发明提供了一种面向人体骨架的运动预测方法及系统，包括：数据获取步骤：获取人体骨架数据；人体多尺度图构建步骤：根据人体骨架数据构建多尺度人体，并基于多尺度人体构建以身体部位为点，以部位之间关系为边的人体多尺度图；人体运动特征提取步骤：将人体多尺度图引入由空间多尺度图卷积构成的深度模型中，提取多尺度人体的综合动作语义信息；动作分析与预测步骤：根据综合动作语义信息，实现动作预测。本发明利用自适应的、动态的图结构和DMGNN，可以提取动作的高层语义信息，利用高层语义信息实现了动作的预测。
-
Patent Agency Ranking
公开(公告)号：CN114049361A
公开(公告)日：2022-02-15
申请号：CN202111303258.5
申请日：2021-11-04
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于图层分解的自监督肿瘤分割系统，包括：模块M1：正常图像通过随机生成的三维掩码和变换得到纹理生成模拟的肿瘤区域；模块M2：将模拟的肿瘤区域与正常图像进行融合，得到合成的肿瘤图像；模块M3：训练深度卷积神经网络学习图层分解，合成的肿瘤图像利用训练后的深度卷积神经网络得到肿瘤分割图、恢复出肿瘤区域图像、恢复出正常图像以及合成图像。本发明能够根据正常图像合成肿瘤图像，通过有效的基于图层分解的自监督学习模型，提取对肿瘤区域具有较强判别力的特征，从而实现无标签情况下的肿瘤分割。
-
公开(公告)号：CN114022475A
公开(公告)日：2022-02-08
申请号：CN202111397389.4
申请日：2021-11-23
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于自监督掩膜的图像异常检测和异常定位方法及系统，涉及计算机视觉和图像处理技术领域，该方法包括：掩膜随机生成步骤、掩膜初始化步骤、生成初始化掩膜、图像特征提取步骤、图像重建步骤、重建图像对齐步骤、掩膜更新步骤、掩膜更新终止决策步骤以及异常评定步骤。本发明通过引入自监督掩膜的训练，提高了异常检测算法的异常定位能力，从而在异常检测和异常定位任务上取得较好的性能。
-
公开(公告)号：CN109523012B
公开(公告)日：2021-06-04
申请号：CN201811184604.0
申请日：2018-10-11
Applicant: 上海交通大学
Abstract: 本发明提供一种基于变分解耦合方式对符号有向网络的表达学习方法，读取社交网站的符号有向网络数据，符号有向网络数据主要包括节点间边正负和方向的网络数据；令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A+表示，所述负无向图用邻接矩阵A‑表示；令邻接矩阵A+、A‑输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；基于符号有向网络中节点间的关系构建结构解码器，依照目标损失函数进行修正，得到优化后向量表达；令优化后向量表达应用于设定的数据挖掘任务。通过分离符号有向网络形成正无向网络、负无向网络，学习节点的符号化局部连续性特征，充分挖掘节点间的依赖性模式，适合于社交网络中用户推荐。
-
公开(公告)号：CN112149689A
公开(公告)日：2020-12-29
申请号：CN202011041122.7
申请日：2020-09-28
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于目标领域自监督学习的无监督领域适应方法和系统，包括：领域不变特征提取步骤、图像特征阶梯式领域对齐步骤、语义分割步骤、边缘生成步骤、分割图领域对齐步骤、边缘图领域对齐步骤和边缘一致约束步骤。本发明通过对目标领域实施一种有效的自监督学习，从而提高目标领域的无监督分割精度，实现良好的领域适应。
-
公开(公告)号：CN110866921A
公开(公告)日：2020-03-06
申请号：CN201910989817.9
申请日：2019-10-17
Applicant: 上海交通大学
IPC: G06T7/10
Abstract: 本发明提供了一种基于自训练和切片传播的弱监督脊椎椎体分割方法和系统，从病人的CT图像数据中获取每一张矢状面切片；以正中矢状面切片上每块脊骨的四个顶点作为标签，训练一个Mask RCNN分割网络；使用自训练的方法，并结合置信区域选择与条件随机场，来优化训练集标签；使用切片传播的方法，不断地扩充训练集，继续同一个分割网络，直至收敛。本发明能够仅通过一张矢状面的脊骨四个顶点标签，训练一个能对全部矢状面进行预测的分割模型，从而完成对脊椎椎体的三维分割。
-
-
-
-
-
-
-
-
-
Search Results
123
records
(took 0.042 seconds)
