-
公开(公告)号：CN115222942B
公开(公告)日：2023-06-02
申请号：CN202210881646.X
申请日：2022-07-26
Applicant: 吉林建筑大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06T7/00 , G16H50/20 , G16H50/80
Abstract: 本发明提供了一种基于弱监督学习的新冠肺炎CT图像分割的方法，包括以下步骤：先建立分割网络模型，模型整体上是编码器‑解码器结构，在分割网络模型的基础上，引入了一个分类模块，分类模块与分割模块共享一部分隐藏层，使得整个网络学习到更多的有用特征，同时改善了分割结果假阳性的问题；基于弱监督学习的思想，在像素级图像标签的基础上，通过分类网络从额外的图像级标签获取优化后的类激活图作为监督信息，增强了模型的分割性能表现。本发明通过利用分类网络注意力转移的特性，提出了类激活图积累模块，使得可以通过分类网络获得更加完整的类激活图，从而获得像素级标注结果。
-
Patent Agency Ranking
公开(公告)号：CN111721443A
公开(公告)日：2020-09-29
申请号：CN202010613866.5
申请日：2020-06-30
Applicant: 吉林建筑大学
Abstract: 本发明公开了一种可实现温度检测报警的分离式阵列计算机，包括阵列计算机、温度检测系统和风冷机组，温度检测系统安装在阵列计算机的分离式磁盘组柜上，温度检测系统中的主控模块与阵列计算机连接，实现信息交互，风冷机组安装在阵列计算机的分离式磁盘组柜上，风冷机组中的控制模块与阵列计算机连接，实现信息交互，风冷机组上的扇叶从阵列计算机的分离式磁盘组柜内部上方向下吹风。本发明具有通过温度检测系统检测磁盘组柜内的温度，根据检测温度控制风冷机组的开启，间歇性的开启能够节约电力资源的优点。
-
公开(公告)号：CN108399714A
公开(公告)日：2018-08-14
申请号：CN201810444164.1
申请日：2018-05-10
Applicant: 吉林建筑大学
IPC: G08B21/04
Abstract: 本发明公开了一种智能家居跌倒监测报警系统，包括通过互联网相连的数据采集终端、服务器和客户端，数据采集终端包括身体姿态数据采集模块，通过姿态传感器进行用户身体姿态数据的采集，并将所采集到的数据发送到中央处理器；UWB定位模块，用于用户所在位置的定位数据的获取；中央处理器，用于根据接收到的身体姿态数据采集模块所采集到的数据完成用户身体姿态情况的评估，并根据评估结果进行图像采集模块的启闭；图像采集模块，用于根据中央处理器发送的控制命令进行启闭，通过布置在家居环境中的摄像头进行待监测人员视频数据的采集。本发明提高了系统的精确度，减少了系统误判的几率。
-
公开(公告)号：CN115311230A
公开(公告)日：2022-11-08
申请号：CN202210941767.9
申请日：2022-08-08
Applicant: 吉林建筑大学
Abstract: 本发明提供了一种基于深度学习和特征融合的皮肤病变图像分割方法，建立使用了编码器‑解码器结构的用于皮肤病变图像分割的模型，在模型的特征编码路径上使用EfficientNet进行了特征的学习，在特征解码路径上使用密集特征融合方法增强解码器的解码能力，并且采用了门控完全特征融合模块来提升特征融合的质量，产生解码后的特征图，解码器在最后产生输入图像的分割结果，完成皮肤病变图像的分割处理。本发明使用了更为先进的EfficientNet作为模型的编码器，使得本申请模型编码器的参数数量减少而且特征学习能力增强。通过门控机制增强了有用的编码信息向解码路径的传递，抑制了无用的特征信息所带来的干扰，提升了模型的特征融合能力。
-
公开(公告)号：CN115222942A
公开(公告)日：2022-10-21
申请号：CN202210881646.X
申请日：2022-07-26
Applicant: 吉林建筑大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G06V10/44 , G06T7/00 , G16H50/20 , G16H50/80
Abstract: 本发明提供了一种基于弱监督学习的新冠肺炎CT图像分割的方法，包括以下步骤：先建立分割网络模型，模型整体上是编码器‑解码器结构，在分割网络模型的基础上，引入了一个分类模块，分类模块与分割模块共享一部分隐藏层，使得整个网络学习到更多的有用特征，同时改善了分割结果假阳性的问题；基于弱监督学习的思想，在像素级图像标签的基础上，通过分类网络从额外的图像级标签获取优化后的类激活图作为监督信息，增强了模型的分割性能表现。本发明通过利用分类网络注意力转移的特性，提出了类激活图积累模块，使得可以通过分类网络获得更加完整的类激活图，从而获得像素级标注结果。
-
公开(公告)号：CN115205306A
公开(公告)日：2022-10-18
申请号：CN202210922193.0
申请日：2022-08-02
Applicant: 吉林建筑大学
Abstract: 本发明提供了一种基于图卷积的医疗图像分割方法，包括以下步骤：对于监督学习，使用图卷积网络配合卷积神经网络分割框架；先利用全卷积网络提取出医学图像的深层次特征，对提取出来的特征构建图的三元组信息，最后使用图卷积网络进行训练，弥补卷积网络带来的局部位置信息的损失；对于无监督域适应学习，使用双曲图卷积网络融合，对抗学习域适应网络框架。本发明有监督是情况下，通过使用U‑Net网络提取医学图像的特征信息，通过高斯核或朴素方式构建图信息，送入图卷积网络进行训练；无监督情况下，选择使用双曲图卷积模型替代图卷积网络。使用图卷积网络和双曲图卷积网络可以扩大感受范围，提高了分割精度，便捷实用。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
