-
公开(公告)号：CN118196785A
公开(公告)日：2024-06-14
申请号：CN202410158863.5
申请日：2024-02-04
Applicant: 上海人工智能创新中心 , 上海交通大学
Abstract: 本发明涉及一种基于医疗知识增强的组织病理切片自动识别方法与系统，方法包括：获取人体组织架构以及疾病属性；采用知识编码器对疾病属性特征进行编码，得到表征向量，以每类疾病属性特征的表征向量的相似度、不同疾病属性特征的表征向量的差异度作为度量学习损失，对知识编码器进行训练；构建图像编码器和文本编码器；获取病理图像和文本对，分别输入三种编码器中，并对输出的编码结果进行交叉对比，构建总损失，从而对图像编码器和文本编码器进行训练；获取病理图像和对应的模板化疾病名称集合，分别输入图像编码器和文本编码器中，获取识别结果。与现有技术相比，本发明对病理图像块的诊断任务取得了更加优异和稳定的性能。
-
公开(公告)号：CN118116607A
公开(公告)日：2024-05-31
申请号：CN202410260450.8
申请日：2024-03-07
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G16H50/70 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于医疗基础模型进行知识分解的数据处理方法和装置，方法包括：将医疗基础模型分解为多个专家模型，各个专家模型均包括两个低秩因子和共享的一个可训练卷积，可训练卷积作为公共知识的载体；对于不同的任务域，通过对低秩因子进行切换并与可训练卷积叠加，进行专家模型的切换；在各个专家模型的训练过程中，将各个专家模型的权重进行合并，通过单个前向传递完成梯度分离过程，并基于知识转移损失完成各个专家模型的训练；获取特定领域的医疗数据，输入对应领域的训练好的专家模型中，获取数据预测结果。与现有技术相比，本发明能够实现在特定领域不降低性能和泛化能力的情况下降低模型的复杂性和资源需求。
-
公开(公告)号：CN117633591A
公开(公告)日：2024-03-01
申请号：CN202311599223.X
申请日：2023-11-28
Applicant: 上海人工智能创新中心 , 上海交通大学
Abstract: 本发明涉及一种用于缺类联邦学习的双边分类器调整方法、设备及介质，该方法通过设置全局分类器为单纯形等角紧框架，并对每个本地节点的数据分布做分析，调整本地分类器来适应私有数据的特征。与现有技术相比，本发明具有不仅可以提升缺类联邦学习的全局性能，还可以解决缺类情况下的本地性能等优点。
-
公开(公告)号：CN117422648A
公开(公告)日：2024-01-19
申请号：CN202311354561.7
申请日：2023-10-18
Applicant: 上海交通大学
Abstract: 本发明提供一种针对无监督长尾数据的几何校准方法及系统，涉及自监督长尾学习技术领域，包括：几何均衡衡量步骤：预定义最优几何均衡结构，衡量特征空间在粗粒度上的均衡性；代理标签分配步骤：进行动态的代理标签分配去校准头尾数据在特征空间中的分布，基于双层优化的训练方式逐步实现类别均衡性。本发明基于几何均衡结构的引入，通过几何标签重分配对长尾数据表征进行校准，进一步加强表征的类别均衡性和可迁移性，在多种复杂偏态分布的上下游场景中取得了显著的效果提升。
-
公开(公告)号：CN113643302B
公开(公告)日：2023-10-27
申请号：CN202110826817.4
申请日：2021-07-21
Applicant: 上海交通大学
Abstract: 本发明提供一种基于主动轮廓模型的无监督医学图像分割方法和系统，该方法通过基于人工设置参数的主动轮廓模型生成部分数据的标注用于分割网络的预训练。在分割网络得到预训练后，针对大量不含有标注的新图像，使用分割网络进行预测，得到粗糙的预测结果，再按照设定策略对主动轮廓模型的参数进行自动调整，利用图像底层信息得到更加精确的目标区域轮廓。在经过质量评价网络对生成轮廓进行筛选后，使用较高质量的轮廓作为伪标签进一步对分割网络进行训练。不断循环迭代，实现不依赖人工标注的情况下对图像进行分割。本发明实现了无监督情况下的医学图像分割，在保证准确率的情况下极大地避免对成本高昂的数据标注依赖，具有很好的泛化性。
-
Patent Agency Ranking
公开(公告)号：CN111967580B
公开(公告)日：2023-09-29
申请号：CN202010780010.7
申请日：2020-08-05
Applicant: 上海交通大学
IPC: G06N3/0464 , G06N3/084 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于迁移学习的低比特神经网络训练方法及系统，包括：低比特特征提取步骤：对训练数据集的图像，使用低比特深度卷积神经网络提取图像的低比特特征图；全精度特征提取步骤：对训练数据集的图像，使用全精度深度卷积神经网络提取图像的全精度特征图；特征对齐步骤：根据低比特特征图和全精度特征图，通过特征迁移，在特征对齐的约束下，协同训练全精度深度卷积神经网络和低比特深度卷积神经网络，使得低比特特征图和全精度特征图对齐；低比特预测步骤：根据训练后的低比特深度卷积神经网络实现图像类型的预测；本发明通过直接对连续空间的全精度特征图进行特征迁移，避免了因量化造成的特征细节损失。
-
公开(公告)号：CN116665877A
公开(公告)日：2023-08-29
申请号：CN202310100048.9
申请日：2023-02-09
Applicant: 上海人工智能创新中心 , 上海交通大学
Abstract: 本发明涉及智能系统技术领域，提出一种医学知识增强的胸片自动诊断系统，该系统摆阔第一模块，被配置为提供知识增强的文本编码器φtext，其根据医疗知识库来进行构造，其中所述文本编码器φtext被配置为进行第一阶段预训练；第二模块，被配置为提供图像编码器φimage，其被配置为于第一阶段预训练后的文本编码器φtext进行对比学习；以及第三模块，被配置为提供疾病查询网络φDQN，其被配置为进行疾病预测，其中图像编码器φimage、第一阶段预训练后的文本编码器φtext、疾病查询网络φDQN被配置为进行第二阶段预训练。本发明基于专业医疗知识库，通过对比学习技术对医疗术语建模，进一步实现知识增强的基于胸片和诊断报告的自动诊断系统，在多种医疗场景下取得了显著的效果提升。
-
公开(公告)号：CN111179284B
公开(公告)日：2023-04-21
申请号：CN201911405917.9
申请日：2019-12-30
Applicant: 上海交通大学
IPC: G06T7/11 , G06T7/187 , G06N3/0464
Abstract: 本发明提供了一种交互式图像分割方法、系统及终端，所述方法包括：S1,获取图像的初始分割结果；S2,根据当前图像分割结果选择至少一个错误区域，对每个错误区域的中心点进行标记，作为交互提示点；S3,计算图像上各点与每个所述交互提示点之间的距离生成提示图；S4,根据当前图像分割结果和所述提示图，利用深度增强学习全卷积神经网络调整分割概率，对当前图像分割结果进行改善，得到图像分割改善结果；S5,对所述图像分割改善结果进行评价，若满意则作为最终图像分割结果，若不满意则重新回到S2，进行迭代更新。本发明能辅助专家进行图像分割标注，减轻了专家的标注负担，提高了标注的性能和效率。
-
公开(公告)号：CN111652083B
公开(公告)日：2023-04-18
申请号：CN202010403823.4
申请日：2020-05-13
Applicant: 上海交通大学
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于自适应采样的弱监督时序动作检测方法及系统，包括：根据输入的视频提取视频特征图；将视频特征图映射成均匀分布类别激活序列；根据均匀分布类别激活序列产生伯努利数列作为自适应重采样位置索引；对视频特征图进行特征重采样；将视频重采样特征图映射成非均匀分布类别激活序列；对均匀和非均匀分布类别激活序列使用分类网络预测视频为各个类别的概率；对非均匀分布类别激活序列进行分布均匀化，从而和均匀分布类别激活序列在时间分布上对齐；选择对齐后的均匀或非均匀分布类别激活序列使用阈值法得到视频的检测结果。本发明对输入视频提取两种相互补充、互相监督的类别激活映射序列，实现更精确的弱监督的视频时序动作检测。
-
公开(公告)号：CN115272941A
公开(公告)日：2022-11-01
申请号：CN202211056034.3
申请日：2022-08-31
Applicant: 上海交通大学
IPC: G06V20/40 , G06V10/82 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/40 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种弱监督视频时序动作检测与分类方法及系统，包括：根据输入长视频提取单模态特征图；将单模态特征图映射为动作分类概率和动作定位概率图；基于动作定位概率图蒸馏背景伪标签；根据输入长视频和动作名称列表提取视觉特征图和文本特征图；计算动作检测概率图；基于动作检测概率图蒸馏前景伪标签；根据背景伪标签对动作定位进行背景协同优化；根据前景伪标签对动作检测进行前景协同优化；基于动作分类概率产生视频分类结果，基于动作定位概率图产生视频检测结果。本发明采用蒸馏协同的策略，促使单模态和跨模态框架优势互补，实现更完整且准确的时序动作检测和分类。
-
-
-
-
-
-
-
-
-
Search Results
123
records
(took 0.043 seconds)
