-
公开(公告)号：CN119810160A
公开(公告)日：2025-04-11
申请号：CN202510310265.X
申请日：2025-03-17
Applicant: 之江实验室
IPC: G06T7/30 , G06T3/02 , G06V10/46 , G06V10/75 , G06T5/70 , G06T5/90 , G06T7/194 , G06T7/11 , G06F17/16
Abstract: 本发明公开了一种全流程自动化超高分辨率图像配准方法和装置，该方法包括：超高分辨率图像的读取与对齐操作并生成低分辨率图像对，对低分辨率图像对进行增强和背景去除处理，进一步采用SIFT算法提取图像的特征点和描述符，通过FLANN算法进行特征匹配，估算低分辨率图像配准的仿射变换矩阵；结合超高分辨率与低分辨率图像的缩放因子，调整变换矩阵的平移部分参数，得到超高分辨率图像上的仿射变换矩阵；最后完成超高分辨率图像的配准。本发明的方法具有全自动化、处理效率高、精度高的特点，适用于超高分辨率图像处理领域，尤其在遥感图像、医学影像、天文图像等高分辨率图像的精确配准中具有广泛应用前景。
-
公开(公告)号：CN117357132B
公开(公告)日：2024-03-01
申请号：CN202311665176.4
申请日：2023-12-06
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多(56)对比文件US 2020352463 A1,2020.11.12CN 116051849 A,2023.05.02CN 107909117 A,2018.04.13Junji Ma.Integrated and segregatedfrequency architecture of the human brainnetwork《.Brain Structure and Function》.第335-350页.梁夏;王金辉;贺永.人脑连接组研究:脑结构网络和脑功能网络.科学通报.2010,(16),第41-59页.何高奇;胡云奉;杨宇;魏文浩.基于rs-fMRI数据的脑功能网络构建与分析.华东理工大学学报(自然科学版).2015,(06),第99-105页.
-
公开(公告)号：CN114898193A
公开(公告)日：2022-08-12
申请号：CN202210809090.3
申请日：2022-07-11
Applicant: 之江实验室
IPC: G06V10/80
Abstract: 本发明公开了一种基于流形学习的图像特征融合方法、装置及图像分类系统。本发明首先获取若干图像的多类特征构建特征集合；将特征集合中，每类特征作为一个视角，并构建每个单一视角下的图拉普拉斯矩阵；然后构建并求解基于流形学习的多视角特征选择与融合模型，获得融合后的图像特征。本发明可以更充分利用数据的结构信息，更关注数据整体分布和特性的变化趋势，而不是特定特征的绝对值，使其更具有减弱多中心效应的潜力，更关注医学图像本质疾病表征，而非多中心带来的扰动；同时，基于流行学习的图像融合装置，也能对不同视角下的特征进行更有效的融合，提高医学图像分类性能。
-
公开(公告)号：CN117357132A
公开(公告)日：2024-01-09
申请号：CN202311665176.4
申请日：2023-12-06
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于多层脑网络节点参与系数的任务执行方法及装置。所述任务执行方法包括：先获取脑部信号数据，以针对每个预设的时间段，根据该时间段内各节点的脑部信号，得到该时间段中各节点所对应的脑部信号序列。针对每个节点，根据各时间段中该节点的脑部信号序列以及各时间段中其他节点的脑部信号序列，确定该节点在相同时间段与其他节点的节点连通度以及确定该节点在不同时间段与其他节点的节点连通度，进而确定出每个节点在脑部活动中的多参与系数，该节点对应的多参与系数用于表示该节点对应的脑区在脑部活动中与其他脑区的连通情况，再根据每个节点对应的多参与系数，执行目标任务。
-
Patent Agency Ranking
公开(公告)号：CN117194921A
公开(公告)日：2023-12-08
申请号：CN202311154997.1
申请日：2023-09-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于流形优化算法的动态脑功能网络学习及展示方法及装置，可以获取一段时间内的血氧信号，并通过滑动窗口的方式对所述血氧信号进行预处理，得到预处理后的信号数据，该预处理后的信号数据包括每个时间窗口下各脑节点的BOLD信号，而后构建目标函数，该目标函数用于表征脑节点之间的信号距离和功能连接权重之间的积以及用于表示相邻时间窗口之间的动态图嵌入在格拉斯曼流形上的距离，最后，根据预处理后的信号数据，以最小化该目标函数为优化目标，确定出动态脑功能连接网络以及动态脑功能连接网络对应的动态图嵌入并展示，从而能够有效地确定出反映大脑真实的功能连接情况的动态脑功能连接网络及动态图嵌入。
-
公开(公告)号：CN117036727A
公开(公告)日：2023-11-10
申请号：CN202311294411.1
申请日：2023-10-09
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种脑网络数据多层嵌入向量特征提取方法及装置，该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi，再分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征，再计算每层层内的相干特征的熵获得相干熵特征，即为脑网络数据的多层嵌入向量特征。本发明通过对复杂的多层网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层网络特征信息，有效的提高多层网络数据信息的利用率，利用较少的数据量实现较高准确率的分析与分类。
-
公开(公告)号：CN116051849B
公开(公告)日：2023-07-07
申请号：CN202310342278.6
申请日：2023-04-03
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/778
Abstract: 本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。
-
公开(公告)号：CN116051849A
公开(公告)日：2023-05-02
申请号：CN202310342278.6
申请日：2023-04-03
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/778
Abstract: 本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。
-
公开(公告)号：CN117036727B
公开(公告)日：2024-01-05
申请号：CN202311294411.1
申请日：2023-10-09
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种脑网络数据多层嵌入向量特征提取方法及装置，该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi，再分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征，再计算每层层内的相干特征的熵获得相干熵特征，即为脑网络数据的多层嵌入向量特征。本发明通过对复杂的多层网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层网络特征信息，有效的提高多层网络数据信息的利用率，利用较少的数据量实现较高准确率的分析与分类。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
