-
公开(公告)号：CN109359557B
公开(公告)日：2021-11-09
申请号：CN201811119673.3
申请日：2018-09-25
Applicant: 东北大学
Abstract: 本发明涉及一种基于迁移学习的SAR遥感图像舰船检测方法，主要解决现有的SAR遥感图像没有舰船的标注，不能直接将深度学习应用于SAR遥感图像舰船检测的问题。本发明的具体步骤如下：(1)准备相关数据集，包括光学遥感图像舰船数据集和SAR遥感图像数据集；(2)基于迁移学习的思想，设计相应的网络结构和损失函数，同时利用光学遥感图像和SAR遥感图像数据集进行网络的训练；(3)通过训练出来的模型，对SAR遥感图像进行舰船检测。利用光学遥感图像和SAR遥感图像中舰船的共性，即使模型训练时没有SAR遥感图像中舰船的标注，仍可以对SAR遥感图像中的舰船进行检测。
-
公开(公告)号：CN110223281A
公开(公告)日：2019-09-10
申请号：CN201910489713.1
申请日：2019-06-06
Applicant: 东北大学
Abstract: 本发明涉及计算机视觉技术领域，提供一种数据集中含有不确定数据时的肺结节图像分类方法。首先，收集肺结节CT图像集并利用专家投票法通过多数投票原则确定图像的类别，经过预处理后得到肺结节CT图像数据集；然后，基于知识蒸馏法，构建包括教师模型、学生模型的肺结节图像分类模型；接着，获取确定标签数据集，在确定标签数据集上训练教师模型，并在肺结节CT图像数据集上计算软标签；然后，在联合硬标签和软标签的数据集上训练学生模型；最后，将预处理后的待分类肺结节CT图像输入训练后的肺结节图像分类模型中，获得其类别。本发明能够有效利用数据集中的不确定标签数据，提升肺结节诊断的准确性和效率，且易用性和鲁棒性高。
-
公开(公告)号：CN119515896A
公开(公告)日：2025-02-25
申请号：CN202411550838.8
申请日：2024-11-01
Applicant: 东北大学
IPC: G06T7/11 , G06T7/00 , G06V10/764 , G06V10/80
Abstract: 本发明提供了一种基于提示驱动注意力的不完整模态脑肿瘤分割系统，涉及人工智能领域，双分支融合编码器通过两条分支分别提取不同抽象级别的特征，能够在提取高层语义的同时保留细节的空间信息，模态缺失提示合成器通过可学习的通用提示，生成针对当前模态组合情况的模态缺失特定提示，同时采用模态内和模态间注意力模块对模态缺失特定提示进行整合，还通过增强活化注意力进一步整合了针对关键模态的催化剂信息，提高了模型对缺失数据的处理能力，显著提升了处理多模态MRI数据的性能和处理下游任务的准确性，催化剂合成器模块通过识别并加强关键模态的作用，确保即使在关键模态缺失的情况下，也能通过生成的催化剂维持下游任务的表现。
-
公开(公告)号：CN112668495A
公开(公告)日：2021-04-16
申请号：CN202011619964.6
申请日：2020-12-30
Applicant: 东北大学
Abstract: 本发明公开了一种基于全时空卷积模块的暴力视频检测算法，基于全时空卷积模块的暴力视频检测算法实现了时序特征在局部空间和全时序的特征融合，能够有效地提取了暴力视频的局部空间和全时序特征，有效提高了检测的准确度和模型的泛化能力，该方法相比于以往的2DCNN+LSTM和基于3DCNN的相关算法在暴力视频检测领域具有更大的优势。本发明中的全时空卷积模块可以被应用在其他的网络架构中，充分利用其时间空间的特征融合能力来达到更好的视频行为分类效果。
-
公开(公告)号：CN118552292A
公开(公告)日：2024-08-27
申请号：CN202410591039.9
申请日：2024-05-13
Applicant: 东北大学
IPC: G06Q30/08 , G06Q30/0601 , G06N3/04 , G06N3/092
Abstract: 本发明公开了一种基于深度强化学习的环境自适应竞价方法，涉及竞价领域。该方法采取层次化方式对竞价场景进行建模；竞价阶段开始时上层智能体基于离散型强化学习方法选择适合在当前竞价阶段完成竞价的下层智能体；被选中的下层智能体基于连续型强化学习方法完成当前竞价阶段内的每一次竞价，将每次竞价得到的数据保存至该下层智能体的经验回放池中，并判断每次竞价得到的数据是否加入其他下层智能体的经验回放池中；根据预定的竞价阶段结束判断条件判断当前竞价阶段结束时，计算上层智能体获得的奖励，将在当前竞价阶段得到的数据增加至上层智能体的经验回放池中；对上层智能体和N个下层智能体进行训练，将训练好的上下层智能体用于竞价活动。
-
Patent Agency Ranking
公开(公告)号：CN112633209B
公开(公告)日：2024-04-09
申请号：CN202011600579.7
申请日：2020-12-29
Applicant: 东北大学
IPC: G06V40/20 , G06V20/40 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的人类动作识别方法，准备人类动作视频数据，并进行标注，并根据不同种类的动作对视频标签进行标注；使用openpose姿态估计算法对人类动作视频数据进行骨骼关键点特征的提取，然后通过骨骼点主流网络计算相邻帧骨骼关键点变化速度并进行特征拼接；对骨骼关键点进行筛选并通过角度分支网络计算筛选的骨骼关键点的夹角并进行特征拼接；将拼接好的数据传入图神经网络；将图卷积从空间域扩展到时间域；使用一个交叉注意力模型来增强网络的性能；人类动作识别。本发明能够将输入的视频中的人类所表现的动作识别出来并输出，并具有良好的易用性和鲁棒性，为人工智能技术在动作识别领域实际落地奠定一定的基础。
-
公开(公告)号：CN112668495B
公开(公告)日：2024-02-02
申请号：CN202011619964.6
申请日：2020-12-30
Applicant: 东北大学
IPC: G06V20/40 , G06V10/44 , G06V10/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种基于全时空卷积模块的暴力视频检测算法，基于全时空卷积模块的暴力视频检测算法实现了时序特征在局部空间和全时序的特征融合，能够有效地提取了暴力视频的局部空间和全时序特征，有效提高了检测的准确度和模型的泛化能力，该方法相比于以往的2DCNN+LSTM和基于3DCNN的相关算法在暴力视频检测领域具有更大的优势。本发明中的全时空卷积模块可以被应用在其他的网络架构中，充分利用其时间空间的特征融合能力来达到更好的视频行为分类效果。(56)对比文件Yutong Cai等.Multi-scalespatiotemporal information fusion networkfor video action recognition《.2018 IEEEVisual Communications and ImageProcessing 》.2019,正文1-4.Zhenhua T等.FTCF: Full temporal crossfusion network for violence detection invideos《. Applied Intelligence 》.2022,第53卷4218-4230.
-
公开(公告)号：CN119415848A
公开(公告)日：2025-02-11
申请号：CN202411556215.1
申请日：2024-11-04
Applicant: 东北大学
IPC: G06F18/15 , G06F18/214 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明提供了一种基于互信息约束和对抗学习的缺失模态数据处理方法，属于人工智能技术领域。该方法首先收集全模态数据和对应的缺失模态数据；然后对收集到的全模态数据和对应的缺失模态数据进行预处理操作来提高全模态数据和对应的缺失模态数据的质量；其次获得预处理好的全模态数据和对应的缺失模态数据后，构建基于跨模态互信息和对抗学习的缺失模态处理模型，同时构建缺失模态处理模型的损失函数来约束缺失模态处理模型；不断训练并优化缺失模态处理模型，得到训练完成的缺失模态处理模型；最后将实际任务面对的带有缺失模态的数据，输入至训练好的缺失模态处理模型，得到分割图。
-
公开(公告)号：CN110223281B
公开(公告)日：2022-06-28
申请号：CN201910489713.1
申请日：2019-06-06
Applicant: 东北大学
IPC: G06T7/00 , G06V10/774 , G06K9/62
Abstract: 本发明涉及计算机视觉技术领域，提供一种数据集中含有不确定数据时的肺结节图像分类方法。首先，收集肺结节CT图像集并利用专家投票法通过多数投票原则确定图像的类别，经过预处理后得到肺结节CT图像数据集；然后，基于知识蒸馏法，构建包括教师模型、学生模型的肺结节图像分类模型；接着，获取确定标签数据集，在确定标签数据集上训练教师模型，并在肺结节CT图像数据集上计算软标签；然后，在联合硬标签和软标签的数据集上训练学生模型；最后，将预处理后的待分类肺结节CT图像输入训练后的肺结节图像分类模型中，获得其类别。本发明能够有效利用数据集中的不确定标签数据，提升肺结节诊断的准确性和效率，且易用性和鲁棒性高。
-
公开(公告)号：CN109359557A
公开(公告)日：2019-02-19
申请号：CN201811119673.3
申请日：2018-09-25
Applicant: 东北大学
Abstract: 本发明涉及一种基于迁移学习的SAR遥感图像舰船检测方法，主要解决现有的SAR遥感图像没有舰船的标注，不能直接将深度学习应用于SAR遥感图像舰船检测的问题。本发明的具体步骤如下：(1)准备相关数据集，包括光学遥感图像舰船数据集和SAR遥感图像数据集；(2)基于迁移学习的思想，设计相应的网络结构和损失函数，同时利用光学遥感图像和SAR遥感图像数据集进行网络的训练；(3)通过训练出来的模型，对SAR遥感图像进行舰船检测。利用光学遥感图像和SAR遥感图像中舰船的共性，即使模型训练时没有SAR遥感图像中舰船的标注，仍可以对SAR遥感图像中的舰船进行检测。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.016 seconds)
