基于动态知识线索权重的知识蒸馏方法

    公开(公告)号:CN117391136A

    公开(公告)日:2024-01-12

    申请号:CN202311381800.8

    申请日:2023-10-24

    Applicant: 厦门大学

    Abstract: 基于动态知识线索权重的知识蒸馏方法,属于图像识别领域。设计一个元权重网络W,用于对不同知识线索的最佳分配方式进行实例层面的动态估计,生成基于元学习的有关知识线索的权重估计;提出一个基于元学习的内外循环优化框架,用于对元权重网络W进行有效训练,以减轻元权重网络有关学生学习程度的估计偏差;提出一种通过历史集成的方式滑动生成更鲁棒的知识线索权重的策略,用于减少权重生成的瞬态波动,提高权重估计的稳定性;该策略考虑历史静态数据,通过指定阈值的方式自适应地调整知识线索权重的生成方式。根据学生学习能力的变化,在蒸馏过程中动态调整不同知识线索的权重系数,从而提升蒸馏效果。

    一种基于深度元学习的开关柜局部放电音频识别方法

    公开(公告)号:CN116110425A

    公开(公告)日:2023-05-12

    申请号:CN202310130027.1

    申请日:2023-02-17

    Applicant: 厦门大学

    Abstract: 一种基于深度元学习的开关柜局部放电音频识别方法,属于音频信号处理领域。针对开关柜局部放电音频识别方法在数据差异大、跨域性能下降的实际问题,提出基于深度元学习的目标识别方法,可有效提高复杂情况下的开关柜局部放电音频识别性能。包括步骤:1)仿真高压开关柜局部放电现象采集的音频信号的预处理方法;2)深度模型的设计;3)深度元学习策略的应用。建立在深度学习与元学习的基础上,主要特点是实用性强,可移植性强,能够满足实际场景中音频识别的跨域泛化需求,提升开关柜局部放电识别方法的准确性和适用性。

    基于深度迁移学习的归纳式雷达高分辨距离像识别方法

    公开(公告)号:CN108985268B

    公开(公告)日:2021-10-29

    申请号:CN201810932269.1

    申请日:2018-08-16

    Applicant: 厦门大学

    Abstract: 基于深度迁移学习的归纳式雷达高分辨距离像识别方法,涉及雷达信号处理。真实目标信号与辅助仿真数据的预处理;深度模型的选择及优化;深度迁移学习中归纳式迁移策略的应用。针对完备的高分辨距离像数据获取困难的实际问题,提出了基于深度迁移学习的目标识别框架,可以有效提高样本量少、姿态非完备的雷达高分辨距离像的识别性能。建立在深度学习与机器学习中迁移学习的基础上,实用性强,可移植性强,能够满足大多数小样本、非完备等情况下弱监督学习的需求。

    基于残差网络重建的单扫描定量磁共振T2*成像方法

    公开(公告)号:CN108663644B

    公开(公告)日:2020-02-14

    申请号:CN201810208422.6

    申请日:2018-03-14

    Applicant: 厦门大学

    Abstract: 基于残差网络重建的单扫描定量磁共振T2*成像方法,涉及磁共振成像方法。利用具有相同偏转角的4个小角度激发脉冲,在每个激发脉冲之后有一段演化时间,使得每个回波信号的横向弛豫时间不同。在每个激发脉冲之后都加一个频率维和相位维的移位梯度使得不同的激发脉冲产生的信号在k空间的位置不一样。这样,在一次采样中就获得了多个具有不同横向弛豫时间的梯度回波信号。然后将采样信号经过归一化、充零和快速傅里叶变换之后输入到已经训练好的残差网络中重建得到定量T2*图像。残差网络的训练数据来源于模拟数据,通过随机生成模板然后模拟实验环境采样得到网络的输入图像,模板作为标签,通过训练得到输入图像和输出图像之间的映射关系。

    基于残差网络重建的单扫描定量磁共振T2*成像方法

    公开(公告)号:CN108663644A

    公开(公告)日:2018-10-16

    申请号:CN201810208422.6

    申请日:2018-03-14

    Applicant: 厦门大学

    Abstract: 基于残差网络重建的单扫描定量磁共振T2*成像方法,涉及磁共振成像方法。利用具有相同偏转角的4个小角度激发脉冲,在每个激发脉冲之后有一段演化时间,使得每个回波信号的横向弛豫时间不同。在每个激发脉冲之后都加一个频率维和相位维的移位梯度使得不同的激发脉冲产生的信号在k空间的位置不一样。这样,在一次采样中就获得了多个具有不同横向弛豫时间的梯度回波信号。然后将采样信号经过归一化、充零和快速傅里叶变换之后输入到已经训练好的残差网络中重建得到定量T2*图像。残差网络的训练数据来源于模拟数据,通过随机生成模板然后模拟实验环境采样得到网络的输入图像,模板作为标签,通过训练得到输入图像和输出图像之间的映射关系。

    一种基于自适应光照计算的图像去雾方法

    公开(公告)号:CN103077504B

    公开(公告)日:2015-08-05

    申请号:CN201310008722.7

    申请日:2013-01-10

    Applicant: 厦门大学

    Abstract: 一种基于自适应光照计算的图像去雾方法,涉及图像处理方法。计算有雾图像粗略提取的亮通道图像,再进行边缘信息保存处理,获得优化后的亮通道图像;计算有雾图像粗略提取的暗通道图像,再进行边缘信息保存处理,获得优化后的暗通道图像;根据大气散射物理模型,以及得到的亮通道图像和暗通道图像,推导出自适应的大气光照和大气传输系数表达式;根据大气散射物理模型中的有雾图像、大气光照和大气传输系数进行去雾复原处理。首次提出了图像的亮通道,对有雾图像进行亮通道的计算,并根据大气散射物理模型,推导出大气光照表达式,能够自适应地计算大气光照。相对于传统的去雾方法,能够提高复原后的图像的清晰化效果。

    一种基于自适应光照计算的图像去雾方法

    公开(公告)号:CN103077504A

    公开(公告)日:2013-05-01

    申请号:CN201310008722.7

    申请日:2013-01-10

    Applicant: 厦门大学

    Abstract: 一种基于自适应光照计算的图像去雾方法,涉及图像处理方法。计算有雾图像粗略提取的亮通道图像,再进行边缘信息保存处理,获得优化后的亮通道图像;计算有雾图像粗略提取的暗通道图像,再进行边缘信息保存处理,获得优化后的暗通道图像;根据大气散射物理模型,以及得到的亮通道图像和暗通道图像,推导出自适应的大气光照和大气传输系数表达式;根据大气散射物理模型中的有雾图像、大气光照和大气传输系数进行去雾复原处理。首次提出了图像的亮通道,对有雾图像进行亮通道的计算,并根据大气散射物理模型,推导出大气光照表达式,能够自适应地计算大气光照。相对于传统的去雾方法,能够提高复原后的图像的清晰化效果。

    基于教师微调的量化感知蒸馏方法及装置

    公开(公告)号:CN117973499A

    公开(公告)日:2024-05-03

    申请号:CN202410012082.5

    申请日:2024-01-03

    Applicant: 厦门大学

    Abstract: 本发明公开了一种基于教师微调的量化感知蒸馏方法及装置,其中方法包括:将训练数据集输入到伪学生模型进行梯度更新,以得到更新后的伪学生模型;将查询集输入到更新后的伪学生模型,以得到分类损失,以便通过分类损失对教师模型进行梯度更新,以得到微调后的教师模型;将训练数据集输入到学生网络模块和微调后的教师模型以得到对应的第一输出结果和第二输出结果,以及根据第一输出结果和第二输出结果得到余弦相识度,并根据余弦相识度得到最终的损失函数,以便根据最终的损失函数对学生网络模块进行更新;从而缩小全精度教师模型和低精度学生模型之间的性能差距,并提高蒸馏效果。

    一种基于三维空间加权的医学图像分割方法

    公开(公告)号:CN109598732B

    公开(公告)日:2022-06-14

    申请号:CN201811510501.9

    申请日:2018-12-11

    Applicant: 厦门大学

    Abstract: 一种基于三维空间加权的医学图像分割方法,涉及图像处理领域。构造一种U型卷积神经网络,实现端到端的医学图像分割;将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中,得到不同的特征图;提取多个并行网络的特征图并融合,再进行非线性变换,得到每个并行网络各自的体素级权重;将并行网络各自的体素级权重与原先的特征图相乘,完成特征的重标定;将所有并行网络末端的特征图融合,得到多张概率图,从而得到分割结果。利用变换得到三维空间中权重,再将权重与特征图相乘,以达到特征重标定的目的。相较于传统的深度学习分割模型,该空间加权方式能有效地提高网络中特征图的表征能力,从而取得更好的分割效果。

    基于域适应的异质异源SAR目标识别方法

    公开(公告)号:CN114529766A

    公开(公告)日:2022-05-24

    申请号:CN202210152137.3

    申请日:2022-02-18

    Applicant: 厦门大学

    Abstract: 基于域适应的异质异源SAR目标识别方法,属于图像识别领域。包括以下步骤:1)风格图像增扩:图像输入网络后,先由浅层的卷积层提取低阶特征,包含纹理、光照等风格信息,这些风格信息可表示为特征的统计量,改变特征统计量可变换低阶特征的风格,实现图片风格化增扩;2)特征分布对齐:将步骤1)中经处理的低阶特征进一步通过深层卷积层变为高阶特征;高阶特征保留的域信息不利于对目标域SAR图像的识别工作,采用对抗学习的方式对齐源域和目标域的特征表示;3)语义图像增扩:与步骤2)同时进行,对高阶特征进行分类,识别图像是哪一个类别,并通过损失函数优化网络。采用隐式语义增扩法ISDA,在分类的同时达到语义增扩的目的。

Patent Agency Ranking