-
公开(公告)号：CN110533770A
公开(公告)日：2019-12-03
申请号：CN201910769823.3
申请日：2019-08-20
Applicant: 厦门大学
IPC: G06T17/00 , G16H30/40 , G16H50/20 , B29C64/386 , B33Y50/00
Abstract: 一种面向隐式表达医学模型的3D打印切片方法，涉及计算机图形学和3D打印。搜索体数据获取符合条件的实心体元；针对单个体元划分为一系列的子八分区，进行递归操作；整合所有的八分区对特定高度做投影，获取对应层高处各个点的三维线性插值；针对每个正方形顶点和标准步进平方模式做匹配，保存采样点；获取相邻若干采样点并且缩进，计算缩进距离；获取所有的采样点和采样点的相邻点，构造完整的内层轮廓；检查当前采样点是否存在错误；去除已知的自交点，优化内层轮廓形状；向内缩进增加一层虚拟层；构建平行扫描线场，并计算扫描线场与虚拟层的交点坐标；迷宫填充方式交替走线，实现内部填充。减少耗材。可降低时间、空间开销，减少耗材。
-
公开(公告)号：CN114882047A
公开(公告)日：2022-08-09
申请号：CN202210411699.5
申请日：2022-04-19
Applicant: 厦门大学
Abstract: 本发明提供了医学图像处理技术领域的一种基于半监督与Transformers的医学图像分割方法及系统，方法包括如下步骤：步骤S10、获取大量的医学图像，对各所述医学图像进行预处理得到图像集；步骤S20、基于FC‑DenseNet和RL‑Transformer创建一U型结构的医学图像分割模型；步骤S30、利用所述图像集对医学图像分割模型进行训练；步骤S40、将待分割医学图像输入训练后的医学图像分割模型进行图像分割。本发明的优点在于：极大的提升了缺少标注数据的医学图像的分割准确性。
-
公开(公告)号：CN114882047B
公开(公告)日：2024-07-12
申请号：CN202210411699.5
申请日：2022-04-19
Applicant: 厦门大学
IPC: G06T7/10 , G06N3/0455 , G06N3/0895
Abstract: 本发明提供了医学图像处理技术领域的一种基于半监督与Transformers的医学图像分割方法及系统，方法包括如下步骤：步骤S10、获取大量的医学图像，对各所述医学图像进行预处理得到图像集；步骤S20、基于FC‑DenseNet和RL‑Transformer创建一U型结构的医学图像分割模型；步骤S30、利用所述图像集对医学图像分割模型进行训练；步骤S40、将待分割医学图像输入训练后的医学图像分割模型进行图像分割。本发明的优点在于：极大的提升了缺少标注数据的医学图像的分割准确性。
-
公开(公告)号：CN111814609B
公开(公告)日：2023-09-29
申请号：CN202010589037.8
申请日：2020-06-24
Applicant: 厦门大学
IPC: G06V40/16 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于深度森林和卷积神经网络的微表情识别方法，所述方法包括：步骤一、采集微表情图像，使用光流法和光流应变法结合的三维特征作为微表情的特征；步骤二、构造基于深度森林和卷积神经网络的异质集成模型，将深度森林的重表示特征经过卷积层和卷积神经网络的深度特征混合形成新的图像特征，帮助分类器实现判别分类；步骤三、结合当前场景内容和微表情分类，与识别对象进行交互。本发明实现了更高的准确率，相比其他微表情识别算法,集成算法表现出更好的鲁棒性。需要更少的参数，训练时消耗更少的时间和资源，是一种轻量高效的微表情识别方法。
-
公开(公告)号：CN111814609A
公开(公告)日：2020-10-23
申请号：CN202010589037.8
申请日：2020-06-24
Applicant: 厦门大学
Abstract: 本发明提供了一种基于ECOC和深度学习的微表情识别方法，所述方法包括：步骤一、采集微表情图像，使用光流法和光流应变法结合的三维特征作为微表情的特征；步骤二、使用改进的基于多重数据复杂度的ECOC方法处理微表情数据；步骤三、构造基于深度森林和卷积神经网络的异质集成模型，将深度森林的重表示特征经过卷积层和卷积神经网络的深度特征混合形成新的图像特征，帮助分类器实现判别分类；步骤四、结合当前场景内容和微表情分类，与识别对象进行交互。本发明实现了更高的准确率，相比其他微表情识别算法,集成算法表现出更好的鲁棒性。需要更少的参数，训练时消耗更少的时间和资源，是一种轻量高效的微表情识别方法。
-
Patent Agency Ranking
公开(公告)号：CN108961224A
公开(公告)日：2018-12-07
申请号：CN201810639568.6
申请日：2018-06-20
Applicant: 厦门大学
CPC classification number: G06T7/0012 , G06T17/00 , G06T2207/30101
Abstract: 一种基于隐式拉伸曲面的冠脉血管几何模型重建方法，涉及计算机医学图像处理与三维重建领域。可根据已经提取出的冠脉血管各分枝结构的中轴线，构造与其相垂直的血管横截面信息，并利用2D PSPS函数实现对各个血管截面管腔轮廓的精确表达；然后，根据这些截面构造其相应的隐式拉伸曲面IES，并沿着中轴线将这些IES平滑地混合起来形成三维的血管分枝模型；最后，采用SPBBO将这些隐式表达的血管分枝模型平滑地混合起来，构成血管分枝结构，进而实现对整个冠脉血管树管腔表面模型的三维重建。
-
公开(公告)号：CN114898028B
公开(公告)日：2025-01-24
申请号：CN202210473540.6
申请日：2022-04-29
Applicant: 厦门大学
IPC: G06T15/20 , G06T15/08 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明基于点云的场景重建兼渲染的方法、存储介质和电子设备，通过获取某单一场景下的多个不同视角的RGB图片、相机参数和深度图数据，构建数据集；对带有神经网络特征的点云进行多视角三维重建，得到特征增强的点云；利用特征增强的点云模拟传统的体积辐射场进行渲染，将目标场景处理为带有神经特征向量的点云，来模拟神经辐射场，避免了在空旷的场景中取样，能以更少的内存来表示场景，实现更快的辐射场重建，另外，由于本发明使用了点的置信度来判断一个点是否在表面上，能忽略点云中的噪声和离散点等，从而获得更好的渲染效果。
-
公开(公告)号：CN114882553B
公开(公告)日：2024-07-12
申请号：CN202210422919.4
申请日：2022-04-21
Applicant: 厦门大学
IPC: G06V40/16 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/40 , G06V10/80 , G06N3/0464 , G06N3/08 , G06F17/16 , G06F17/18
Abstract: 本发明提供了表情识别技术领域的一种基于深度学习的微表情识别方法及系统，方法包括：步骤S10、交互型机器人通过3D摄像头获取图像流；步骤S20、交互型机器人通过人脸识别算法检测所述图像流中的人脸并进行截取，获取人脸数据流并上传服务器；步骤S30、服务器从所述人脸数据流中提取包括人脸动态数据和人脸静态数据的人脸数据组；步骤S40、服务器基于软编码输出创建一微表情识别模型，并对所述微表情识别模型进行训练；步骤S50、服务器将所述人脸数据组输入训练后的微表情识别模型得到微表情信息，并将所述微表情信息反馈给交互型机器人，交互型机器人基于接收的所述微表情信息进行互动响应。本发明的优点在于：极大的提升了微表情识别的准确率。
-
公开(公告)号：CN114927239B
公开(公告)日：2024-07-02
申请号：CN202210422918.X
申请日：2022-04-21
Applicant: 厦门大学
IPC: G16H70/40 , G16H50/70 , G06F18/2415
Abstract: 本发明提供了机器学习技术领域的一种应用于药物分析的决策规则自动生成方法及系统，方法包括：步骤S10、获取药物数据，提取药物数据的药物特征并构建数据集；步骤S20、计算数据集中各药物特征的方差、数据复杂度以及排列重要性，基于方差、数据复杂度以及排列重要性筛选重要特征；步骤S30、从重要特征中筛选包含n(n＝1,2,3,…)个特征的特征子集，并计算各特征子集的排列重要性；步骤S40、按排列重要性的顺序在各特征子集上搜索使预测结果发生翻转时，各特征子集所需的最小特征变化量，进而生成类别边界；步骤S50、通过贝叶斯公式将类别边界描述成决策规则。本发明的优点在于：能为任意机器学习模型(包括不可解释的黑盒模型)生成高度可解释的决策规则。
-
公开(公告)号：CN115568860A
公开(公告)日：2023-01-06
申请号：CN202211211126.4
申请日：2022-09-30
Applicant: 厦门大学
Abstract: 本发明基于双注意力机制的十二导联心电信号的自动分类方法，获取十二导联心电图原始数据；对原始数据进行预处理；构建十二导联心电图的分类模型；使用训练完的分类模型即可进行12导联心电信号的自动分类。本发明采用并行计算的方式实现十二导联心电图的空间‑时间注意力机制的融合，对不同导联的心电信号、序列与序列之间的全局特征信息进行提取，通过CNN‑Transformer混合编码器实现双注意力机制并融合多尺度信息，可实现高精度的十二导联心电信号的分类，为临床决策提供辅助诊断依据，减轻医生工作负担。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.016 seconds)
