-
公开(公告)号：CN118553368A
公开(公告)日：2024-08-27
申请号：CN202410640758.5
申请日：2024-05-22
Applicant: 北京工业大学
IPC: G16H15/00 , G16H50/20 , G06T7/00 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于多实例图网络的CT序列报告生成方法及系统，方法包括：构造CT序列的数据集，并对数据集进行裁剪预处理；采用多头注意力的多实例模块、图网络模块和改进的transformer解码器构建多实例图网络模型；将预处理后的CT序列及对应的文本序列输入至多实例图网络模型进行训练，直至交叉熵损失函数收敛至全局最优完成训练；将所要预测的CT序列输入训练完成的多实例图网络模型，生成CT序列对应的文本医疗报告。通过本发明的技术方案，提高了医学图像分析的准确性和效率，提高了生成报告的准确率。
-
公开(公告)号：CN114826619A
公开(公告)日：2022-07-29
申请号：CN202210512075.2
申请日：2022-05-11
Applicant: 北京工业大学
Abstract: 本申请提供一种流式系统的数据完整性验证方法、电子设备及存储介质，该方法包括：获取系统数据处理模块的输入消息数据和输出消息数据，并获取预生成密钥；对输出消息数据进行预处理，得到与输出消息数据对应的验证标签；基于目标输入数据、验证标签以及预生成密钥进行数据完整性验证，目标输入数据为数据流标识符与验证标签一致的输入消息数据。本申请提供的方法能够解决现有技术中消息数据本身的完整性得不到验证的缺陷，实现流式实时数据完整性验证，保障流式消息数据在整个生命周期的全局完整性和一致性。
-
公开(公告)号：CN114826619B
公开(公告)日：2024-04-12
申请号：CN202210512075.2
申请日：2022-05-11
Applicant: 北京工业大学
Abstract: 本申请提供一种流式系统的数据完整性验证方法、电子设备及存储介质，该方法包括：获取系统数据处理模块的输入消息数据和输出消息数据，并获取预生成密钥；对输出消息数据进行预处理，得到与输出消息数据对应的验证标签；基于目标输入数据、验证标签以及预生成密钥进行数据完整性验证，目标输入数据为数据流标识符与验证标签一致的输入消息数据。本申请提供的方法能够解决现有技术中消息数据本身的完整性得不到验证的缺陷，实现流式实时数据完整性验证，保障流式消息数据在整个生命周期的全局完整性和一致性。
-
公开(公告)号：CN117422667A
公开(公告)日：2024-01-19
申请号：CN202311177533.2
申请日：2023-09-12
Applicant: 北京工业大学
IPC: G06T7/00 , G06T5/60 , G06N3/0455 , G06N3/0895
Abstract: 本发明提供一种高光谱图像特征表示方法、装置、电子设备及存储介质，涉及图像处理技术领域，方法包括：获取高光谱图像的多视角信息，多视角信息包括高光谱图像在空间维度的第一视角信息，和高光谱图像在光谱维度的第二视角信息；对多视角信息进行图像增强处理，获得图像增强处理之后的多视角信息，图像增强处理包括对第一视角信息进行随机裁剪操作，对第二视角信息进行随机抽样操作；将图像增强处理之后的多视角信息输入预先构建的多视角对比学习深度特征表示模型，获得多视角对比学习深度特征表示模型输出的深度特征表示。本发明实现了将高光谱图像特有的不同视角之间的互信息最大化，极大地提高了高光谱图像特征表示的性能。
-
公开(公告)号：CN114972903A
公开(公告)日：2022-08-30
申请号：CN202210393879.5
申请日：2022-04-14
Applicant: 北京工业大学
IPC: G06V10/774 , G06N3/04
Abstract: 本发明提供一种高光谱图像分类方法、装置、电子设备及存储介质，所述方法包括：针对高光谱图像的每个待分类像素，确定所述像素对应的空谱像素块；将所述空谱像素块输入到训练好的高光谱图像分类模型中，得到所述像素对应的分类结果；其中，所述训练好的高光谱图像分类模型包括级联的卷积层、深度自注意力变换网络模型的编码器和多层感知器分类头，所述级联的卷积层用于提取所述像素的空谱特征，所述编码器用于基于所述像素的空谱特征捕获所述像素的光谱序列特征，所述多层感知器分类头用于基于像素的光谱序列特征对所述像素进行分类。本发明能够很好地挖掘和表示光谱特征的序列属性，从而能够准确和精细地分类高光谱图像中的像素。
-
Patent Agency Ranking
公开(公告)号：CN119397591A
公开(公告)日：2025-02-07
申请号：CN202411486644.6
申请日：2024-10-23
Abstract: 本发明提供一种抵御内部不诚实参与者的隐私保护方法及装置，其中方法包括：获取参与者待上传的局部模型参数；基于承诺函数，对局部模型参数进行承诺计算，得到承诺函数值；将局部模型参数及其对应的承诺函数值发送至记账权矿工，以使记账权矿工将局部模型参数及其对应的承诺函数值写入BFL框架中的区块，并合成全局模型；分别基于各参与者对全局模型参数进行数据隐私增强，并将数据隐私增强后的全局模型参数写入BFL框架中的区块。实现了在区块链中写入基于承诺函数和盲签名的智能合约，在出现不诚实参与者抵赖或泄露模型的情况时，按照合约打开承诺或签名确定不诚实参与者，提升了内部不诚实参与者的抵抗与防御能力，保障隐私安全性。
-
公开(公告)号：CN117315336A
公开(公告)日：2023-12-29
申请号：CN202311186350.7
申请日：2023-09-14
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供一种花粉颗粒识别方法、装置、电子设备及存储介质，属于机器视觉技术领域，所述方法包括：获取待识别花粉颗粒图像；将所述待识别花粉颗粒图像输入至花粉类型识别联合模型，得到所述花粉类型识别联合模型输出的所述待识别花粉颗粒图像对应的花粉类型；所述花粉类型识别联合模型用于对所述待识别花粉颗粒图像进行图像超分辨率重建，并对重建得到的图像进行识别，确定所述待识别花粉颗粒图像对应的花粉类型；所述花粉类型识别联合模型是基于花粉颗粒图像样本及对应的花粉类型标签训练得到的。本发明可以有效识别出待识别花粉颗粒图像对应的花粉类型，无需人工介入，提升花粉颗粒识别效率的同时，也大幅提升了花粉类型的识别精度。
-
公开(公告)号：CN119992542A
公开(公告)日：2025-05-13
申请号：CN202411929158.7
申请日：2024-12-25
Applicant: 北京工业大学
IPC: G06V20/69 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及目标检测技术领域，尤其涉及一种花粉目标检测方法、装置和电子设备。花粉目标检测方法包括：构建目标检测模型，目标检测模型包括骨干网络、Transformer编码器、双支路注意力的解码器和预测头；基于骨干网络，获取待检测图片对应的多尺度的特征图；将多尺度的特征图输入至Transformer编码器，获取增强后的特征图；将增强后的特征图以及查询输入至双支路注意力的解码器，获取解码器输出的目标查询；基于目标查询，由预测头输出目标检测结果。本发明有助于平衡自注意力和交叉注意力在训练过程中的影响，减少它们之间的不利相互作用，进而提高模型的检测性能。
-
公开(公告)号：CN115131607B
公开(公告)日：2024-07-26
申请号：CN202210681224.8
申请日：2022-06-15
Applicant: 北京工业大学 , 中国电子科技集团公司第十五研究所
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/0985 , G06N3/048
Abstract: 本发明提供一种图像分类方法及装置，其中图像分类方法包括：获取待分类图像，对待分类图像进行预处理得到嵌入输入向量序列；将嵌入输入向量序列输入至视觉Transformer模型的编码器，输出待分类图像对应的编码向量序列，编码器包括L个Transformer编码块，每个编码块包括残差多头自注意力层，第M个编码块的残差多头自注意力层对应的自注意力层输出图与第M‑1个编码块的残差多头自注意力层对应的自注意力图之间以残差方式连接；基于编码向量序列确定待分类图像对应的特征向量，将特征向量输入至视觉Transformer模型的分类器，得到待分类图像的分类结果。通过上述图像分类方法，能够提高图像分类的准确率。
-
公开(公告)号：CN117197600A
公开(公告)日：2023-12-08
申请号：CN202210583382.X
申请日：2022-05-25
Applicant: 北京工业大学
IPC: G06V10/774 , G06V10/762 , G06V10/82 , G06V10/74 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明提供一种基于图聚类优化的孪生网络对比表示学习方法及装置，方法包括：获取原始图，并将所述原始图分别输入至训练好的在线网络模型和目标网络模型中，得到第一嵌入表示和第二嵌入表示；其中，所述在线网络模型和目标网络模型均是通过原始图样本获取第一增强图和第二增强图，并基于所述第一增强图和第二增强图进行无监督的训练得到的；所述目标网络模型的参数是通过动量更新机制更新在线网络模型的参数得到的；基于所述第一嵌入表示和第二嵌入表示获取最终学习到的节点嵌入表示，并基于所述节点嵌入表示进行节点分类、节点聚类以及可视化的下游任务。本发明不需要标签信息和大量负样本的同时，取得了较好的表示学习效果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.023 seconds)
