-
公开(公告)号：CN118823242A
公开(公告)日：2024-10-22
申请号：CN202410954786.4
申请日：2024-07-17
Applicant: 上海大学
IPC: G06T17/00 , G06V10/40 , G06V10/54 , G06N3/0455 , G06N3/08
Abstract: 本申请公开了一种基于重建任务的点云下采样方法、设备、介质及产品，涉及点云采样重建领域；该方法包括：获取待测目标的点云数据；对点云数据进行特征提取，得到点云特征数据；根据点云数据和点云特征数据，在三维空间坐标下，进行点云下采样处理，得到下采样点云数据；下采样点云数据用于表征待测目标的纹理特征；将下采样点云数据输入至重建任务网络中，得到重建点云数据；重建点云数据用于基于渲染的方法，得到待测目标的渲染空间结构；重建任务网络是基于已知重建点云数据的历史点云数据，以损失函数的预设阈值门限为目标，进行训练得到的；本申请能够提高点云质量并提高渲染重建能力。
-
公开(公告)号：CN118378603A
公开(公告)日：2024-07-23
申请号：CN202410433990.1
申请日：2024-04-11
Applicant: 上海大学
Abstract: 本发明涉及一种基于对比学习的网络流量表格数据增强方法、设备、介质，方法包括如下步骤：获取原始的网络数据表格并划分为N个子表格；在所述N个子表格中随机选取K1个子表格；在除K1个子表格外的N‑K1个子表格中随机选取K2个子表格；针对选取的K2个子表格，通过添加噪声形成K2个腐蚀子表格；针对K1个子表格和K2个腐蚀子表格，利用聚合模块分别生成聚合表征h1和h2，实现数据增强；基于聚合表征h1和h1，通过投影网络计算对比损失，更新所述聚合模块，实现自监督学习。与现有技术相比，本发明具有实现针对网络流量表格的数据增强、聚合效果好等优点。
-
公开(公告)号：CN102722905A
公开(公告)日：2012-10-10
申请号：CN201210156329.8
申请日：2012-05-21
Applicant: 上海大学
IPC: G06T17/00
Abstract: 本发明涉及一种基于散乱点云重建和显示三维心脏模型的方法。本方法的模型是拓扑结构的，模型的建立和显示的操作步骤如下：（1）首先利用散乱的无序三维点云重建出来人体的心脏模型；（2）对模型进行优化（3）导管的建立；（4）在心脏模型上的顶点建立索引；（5）移动导管，根据索引找到离导管最近的点；（6）在该点处建立投影；（7）投影大小的函数设定，颜色选择。根据以上步骤可以在速度和精确度上做了折中的考虑，既可以使速度不要太慢，也可以尽可能近似的计算距离，使操作者避免出现手误。本发明所建立的模型较平滑精确，有助于对心脏的诊断和治疗。
-
Patent Agency Ranking
公开(公告)号：CN105512670B
公开(公告)日：2019-04-02
申请号：CN201510741859.2
申请日：2015-11-04
Applicant: 上海大学
Abstract: 本发明公开了一种基于KECA特征降维和聚类的HRCT周围神经分割方法，包括以下步骤：首先，利用非下采样Contourlet变换和广义高斯混合模型对神经HRCT图像进行增强；然后，基于Gabor小波对增强后的图像进行特征提取；在此基础上，采用KECA算法对图像的部分采样数据点进行降维分析，找出降维所需的相关信息；结合KECA算法的特点，利用采样外点扩展算法OSE实现整幅图像所有数据点的特征降维；最后，针对降维后不同类别数据的分布特点，利用改进的KECA谱聚类算法进行聚类分割。本发明利用KECA算法的特点和采样外点扩展算法OSE，减少了图像中的冗余信息对分割结果的影响，在没有医学先验知识和人工干预的情况下，比较准确的实现了HRCT图像的分割。
-
公开(公告)号：CN118297976A
公开(公告)日：2024-07-05
申请号：CN202410420853.4
申请日：2024-04-09
Applicant: 上海大学
IPC: G06T7/12 , G06T7/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/74 , G06N3/0895
Abstract: 本发明涉及一种互伪监督边缘感知双CNN的半监督医学图像分割方法，通过将待分割的医学图像输入预训练好的基于互伪监督边缘感知的双CNN架构模型中，实现医学图像分割，模型的训练过程包括如下步骤：将训练集中的已标记样本和未标记样本输入分别作为双CNN架构模型中两个分支网络的输入，分别通过边缘感知注意模块得到预测的分割图，通过使其中一个分支网络预测的分割图作为伪标签监督另一个分支网络，计算半监督损失实现双CNN架构模型的迭代训练；在迭代训练过程中，利用Dice相似度系数对双CNN架构模型进行评估，并保存评估结果最好的模型作为预训练好的双CNN架构模型。本发明具有分割准确，对高精度样本的依赖低等优点。
-
公开(公告)号：CN114510732A
公开(公告)日：2022-05-17
申请号：CN202210106390.5
申请日：2022-01-28
Applicant: 上海大学
Abstract: 本发明提供了一种基于增量学习的加密流量方法，涉及网络分类流量领域，包括步骤一、对原始流量进行预处理，转换生成三通道RGB图像数据集；步骤二、构建针对小尺寸流量图片的深度残差网络；步骤三、将部分类样本输入深度残差网络训练，实现加密流量分类；步骤四、更新网络模型及参数，训练一种基于类别平衡的损失函数，使其最小化；步骤五、在内存中筛选具有代表性的旧样本，保留旧样本学习经验；步骤六、重复上述步骤三、步骤四、步骤五。本发明能够有效的从动态增长的加密流量数据中实现增量学习，并提高其分类准确率，同时避免模型对新样本的倾斜。
-
公开(公告)号：CN105512670A
公开(公告)日：2016-04-20
申请号：CN201510741859.2
申请日：2015-11-04
Applicant: 上海大学
CPC classification number: G06K9/6223 , G06T2207/30004
Abstract: 本发明公开了一种基于KECA特征降维和聚类的HRCT周围神经分割方法，包括以下步骤：首先，利用非下采样Contourlet变换和广义高斯混合模型对神经HRCT图像进行增强；然后，基于Gabor小波对增强后的图像进行特征提取；在此基础上，采用KECA算法对图像的部分采样数据点进行降维分析，找出降维所需的相关信息；结合KECA算法的特点，利用采样外点扩展算法OSE实现整幅图像所有数据点的特征降维；最后，针对降维后不同类别数据的分布特点，利用改进的KECA谱聚类算法进行聚类分割。本发明利用KECA算法的特点和采样外点扩展算法OSE，减少了图像中的冗余信息对分割结果的影响，在没有医学先验知识和人工干预的情况下，比较准确的实现了HRCT图像的分割。
-
公开(公告)号：CN114510732B
公开(公告)日：2025-03-14
申请号：CN202210106390.5
申请日：2022-01-28
Applicant: 上海大学
IPC: G06F21/60 , G06F18/213 , G06F18/23 , G06F18/214 , G06F18/24
Abstract: 本发明提供了一种基于增量学习的加密流量方法，涉及网络分类流量领域，包括步骤一、对原始流量进行预处理，转换生成三通道RGB图像数据集；步骤二、构建针对小尺寸流量图片的深度残差网络；步骤三、将部分类样本输入深度残差网络训练，实现加密流量分类；步骤四、更新网络模型及参数，训练一种基于类别平衡的损失函数，使其最小化；步骤五、在内存中筛选具有代表性的旧样本，保留旧样本学习经验；步骤六、重复上述步骤三、步骤四、步骤五。本发明能够有效的从动态增长的加密流量数据中实现增量学习，并提高其分类准确率，同时避免模型对新样本的倾斜。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
