-
公开(公告)号：CN113034473A
公开(公告)日：2021-06-25
申请号：CN202110324430.9
申请日：2021-03-26
Applicant: 中国计量大学
Abstract: 本发明的技术解决方案是，提供了一种基于Tiny‑YOLOv3的肺炎图像目标检测方法，包括以下步骤：1)将原始XML文件解析为TXT，对于该TXT文件的每一行，具体包括图像绝对路径，肺炎病灶左上角以及右下角坐标值，存在病灶的概率；2)用目标检测模型Tiny‑YOLOv3对训练数据进行训练，最终得到预测值；3)将得到的预测值中的位置信息和概率信息与训练集中真实值相应的位置信息和概率信息作差通过损失函数处理，最终根据所述损失函数的处理结果调整所述特征提取网络中卷积操作的卷积核参数；4)输入待检测肺炎图像至训练好的目标检测模型，所述目标检测模型输出检测结果，具体包括坐标值与概率值。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN111626379B
公开(公告)日：2024-01-05
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN111652177A
公开(公告)日：2020-09-11
申请号：CN202010533429.2
申请日：2020-06-12
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习的信号特征提取方法，包括如下步骤：1)对原始稀疏频谱信号进行压缩，使之成为时序频谱信号，在压缩后完成去噪处理，获得重构后的时序频谱信号，作为训练数据；2)用半监督学习方法对训练数据中没有被标记的时序频谱信号进行标记；对各组时序频谱信号进行模拟，并利用遗传算法对时序频谱信号之间的相关性进行度量；3)利用已经标记好的训练数据，利用深度学习方法对各组时序频谱信号进行分类及预测。本发明通过多方法融合提高了模型训练效率并实现无标记标签自动添加标签，预测结果更准确。
-
公开(公告)号：CN111626379A
公开(公告)日：2020-09-04
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
-
-
Search Results
4
records
(took 0.015 seconds)
