公开(公告)号：CN113610118B

公开(公告)日：2023-12-12

申请号：CN202110814221.2

申请日：2021-07-19

Applicant: 中南大学

Inventor： 郭璠 ,  李伟清 ,  申子奇 ,  杨佳男 ,  刘卓群 ,  王志远

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质，方法为：使用眼底图像样本训练教师网络，然后生成眼底图像样本的证据图谱；设计包括证据图谱预测和青光眼预测两个分支的多任务学生网络；根据青光眼分类标签、教师网络和学生网络的预测结果，设计样本先验加权系数和样本反馈损失系数，基于该两个系数设计学生网络的损失函数；以眼底图像样本同时作为学生网络两个预测分支的输入，以分类标签作为青光眼预测分支的输出，以标签证据图谱作为证据图谱预测分支的输出，基于损失函数训练学生网络；使用训练完毕的学生网络，生成待分类眼底图像的青光眼分类(56)对比文件Guo F等.MTCLF: A multitask curriculumlearning framework for unbiased glaucomascreenings《.Computer Methods and Programsin Biomedicine》.2022,第221卷1-13.Xuan Nie等.GEME: Dual-stream multi-task GEnder-based micro-expressionrecognition《.Neurocomputing》.2021,第427卷13-28.

公开(公告)号：CN111476713B

公开(公告)日：2022-07-22

申请号：CN202010223800.5

申请日：2020-03-26

Applicant: 中南大学

Inventor： 郭璠 ,  李伟清 ,  唐琎 ,  邱俊峰

IPC: G06T3/40 ,  G06T3/60 ,  G06T5/00 ,  G06T5/50 ,  G06T7/11 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62 ,  G06V10/764 ,  G06V10/774 ,  G06V10/77

Abstract: 本发明公开了一种基于多深度卷积神经网络融合的天气图像智能识别方法及系统，该方法包括以下步骤：步骤A：采集图像，并对图像进行预处理；步骤B：搭建四种不同结构的深度卷积神经网络模型，分别对其全连接层进行改进，新增一层特征层，并基于步骤A得到的高质量训练数据进行网络的训练；步骤C：将所获得的四种深度学习模型新增特征层的特征提取出来，采用Xgboost集成学习模型进行训练，获得融合模型；步骤D：对需要识别的天气图像进行扩增，由获得的融合模型对扩增后的天气图像进行识别，经过投票得出最终票数最高的识别种类。本发明解决了已有传统天气识别方法手动提取图像特征的低效问题，有效提升了深度学习模型识别的准确率。

公开(公告)号：CN113610118A

公开(公告)日：2021-11-05

申请号：CN202110814221.2

申请日：2021-07-19

Applicant: 中南大学

Inventor： 郭璠 ,  李伟清 ,  申子奇 ,  杨佳男 ,  刘卓群 ,  王志远

IPC: G06K9/62 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明公开了一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质，方法为：使用眼底图像样本训练教师网络，然后生成眼底图像样本的证据图谱；设计包括证据图谱预测和青光眼预测两个分支的多任务学生网络；根据青光眼分类标签、教师网络和学生网络的预测结果，设计样本先验加权系数和样本反馈损失系数，基于该两个系数设计学生网络的损失函数；以眼底图像样本同时作为学生网络两个预测分支的输入，以分类标签作为青光眼预测分支的输出，以标签证据图谱作为证据图谱预测分支的输出，基于损失函数训练学生网络；使用训练完毕的学生网络，生成待分类眼底图像的青光眼分类标签和证据图谱。本发明提升分类准确率并生成分类决策的证据图谱。

公开(公告)号：CN111476713A

公开(公告)日：2020-07-31

申请号：CN202010223800.5

申请日：2020-03-26

Applicant: 中南大学

Inventor： 郭璠 ,  李伟清 ,  唐琎 ,  邱俊峰

IPC: G06T3/40 ,  G06T3/60 ,  G06T5/00 ,  G06T5/50 ,  G06T7/11 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公开了一种基于多深度卷积神经网络融合的天气图像智能识别方法及系统，该方法包括以下步骤：步骤A：采集图像，并对图像进行预处理；步骤B：搭建四种不同结构的深度卷积神经网络模型，分别对其全连接层进行改进，新增一层特征层，并基于步骤A得到的高质量训练数据进行网络的训练；步骤C：将所获得的四种深度学习模型新增特征层的特征提取出来，采用Xgboost集成学习模型进行训练，获得融合模型；步骤D：对需要识别的天气图像进行扩增，由获得的融合模型对扩增后的天气图像进行识别，经过投票得出最终票数最高的识别种类。本发明解决了已有传统天气识别方法手动提取图像特征的低效问题，有效提升了深度学习模型识别的准确率。