-
公开(公告)号：CN117523272A
公开(公告)日：2024-02-06
申请号：CN202311439527.X
申请日：2023-10-31
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明实施例提供一种乳腺肿瘤诊断方法、系统、电子设备及存储介质，属于信息技术领域。该方法包括：获取乳腺超声图片和乳腺超声图片对应的掩码图片；将乳腺超声图片和掩码图片输入至预先构建的乳腺超声辅助诊断模型中的模糊分类模块中，输出模糊分类结果；将乳腺超声图片输入至深度分类模块中，输出深度分类结果；利用乳腺超声辅助诊断模型中的融合模块融合模糊分类结果和深度分类结果，获得诊断结果。这样，通过对乳腺超声辅助诊断模型中的模糊分类模块的输出结果和深度分类模块的输出结果进行融合，其可以在大量噪声背景下基于小规模数据集实现更好的乳腺超声图像分割和分类性能，有效提高诊断结果的准确度和提升诊断效率。
-
公开(公告)号：CN118568613B
公开(公告)日：2024-12-27
申请号：CN202410828907.0
申请日：2024-06-25
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2431 , G06F18/25 , G06F18/214 , G06N3/0895
Abstract: 本发明涉及深度学习技术领域，具体提供一种基于特征融合的半监督学习方法、系统、终端及存储介质，包括：从有标签数据集中随机选择两个初始训练子集。利用两个训练子集的有标签数据分别训练分类器1和分类器2。然后每次迭代过程中，分类器1和分类器2分别对子集1和子集2中经过特征融合的无标签样本以及未经特征融合的无标签样本进行预测，通过比较融合前后的变化大小来度量模型预测的置信度，从而确定一部分无标签样本的伪标签。每个子集的分类器选择出预测置信度最高的若干无标签样本，加入到对方子集的有标签数据集中，使用扩增后的有标签样本重新训练分类器。本发明大大提升了分类器的训练效率和准确度。
-
公开(公告)号：CN117234882A
公开(公告)日：2023-12-15
申请号：CN202311282020.8
申请日：2023-09-28
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种在线应用云资源供应软件定义模型构建方法及终端机，属于云资源供应、整合与调度领域，根据公有云环境下的云资源，设计云资源的描述、发现与集成服务系统，对公有云环境进行统一管理，实现云资源供应软件定义模型的资源层的构建；采用行为模式模型图对公有云环境下的在线应用的负载以及行为模式进行分析，描述出在线应用的负载分布以及服务之间依赖关系；对在线应用的服务质量指标进行描述与建模，实现云资源供应软件定义模型的业务层构建；根据用户服务质量需求，构建满足预设条件的虚拟数据中心，并实现云资源供应软件定义模型控制层的构建。本发明实现降低成本的同时，提高云资源的使用效率和质量。
-
公开(公告)号：CN118135279B
公开(公告)日：2025-04-22
申请号：CN202410088713.1
申请日：2024-01-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06V10/764 , G06N3/0464 , G06V10/82 , G06V10/80
Abstract: 本发明实施例提供一种不完整视图的聚类方法及系统，属于信息技术领域。该聚类方法包括：获取待聚类的不完整多视图，并构建邻接矩阵以确定不完整多视图的图结构信息；结合邻接矩阵，采用预先构建的聚类模型对每一不完整视图进行编码，获得潜在特征表示；对各潜在特征表示采用注意力机制进行融合生成综合潜在特征表示；对综合潜在特征表示进行深度聚类，输出不完整多视图的聚类结果。通过将待聚类的不完整多视图和邻接矩阵输入至聚类模型，使得该聚类模型对不完整多视图节点进行多次邻域聚合和特征学习后，得到每个节点潜在特征表示，更有利于聚类，并采用注意力机制进行潜在特征表示的融合生成综合潜在特征表示，进行深度聚类，得到聚类结果。
-
公开(公告)号：CN117234882B
公开(公告)日：2024-04-16
申请号：CN202311282020.8
申请日：2023-09-28
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种在线应用云资源供应软件定义模型构建方法及终端机，属于云资源供应、整合与调度领域，根据公有云环境下的云资源，设计云资源的描述、发现与集成服务系统，对公有云环境进行统一管理，实现云资源供应软件定义模型的资源层的构建；采用行为模式模型图对公有云环境下的在线应用的负载以及行为模式进行分析，描述出在线应用的负载分布以及服务之间依赖关系；对在线应用的服务质量指标进行描述与建模，实现云资源供应软件定义模型的业务层构建；根据用户服务质量需求，构建满足预设条件的虚拟数据中心，并实现云资源供应软件定义模型控制层的构建。本发明实现降低成本的同时，提高云资源的使用效率和质量。
-
Patent Agency Ranking
公开(公告)号：CN117667618A
公开(公告)日：2024-03-08
申请号：CN202311281892.2
申请日：2023-09-28
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种云资源组合优化分配方法及终端机，属于云计算领域，根据云环境中的服务特点，对服务划分类型进行分类，并建立云资源组合优化分配模式；基于不同类型的服务划分模式，配置服务构件划分策略；配置基于负载分解的混合遗传退火算法来确定满足预设条件的云资源供应方案；根据所述云资源供应方案构建虚拟数据中心。本发明能够针对在线应用的三种不同部署方式，对公有云环境下大规模服务部署进行精确有效的建模，构建高效的启发式算法求解云资源供应方案，实现云资源的组合优化分配。
-
公开(公告)号：CN118568613A
公开(公告)日：2024-08-30
申请号：CN202410828907.0
申请日：2024-06-25
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2431 , G06F18/25 , G06F18/214 , G06N3/0895
Abstract: 本发明涉及深度学习技术领域，具体提供一种基于特征融合的半监督学习方法、系统、终端及存储介质，包括：从有标签数据集中随机选择两个初始训练子集。利用两个训练子集的有标签数据分别训练分类器1和分类器2。然后每次迭代过程中，分类器1和分类器2分别对子集1和子集2中经过特征融合的无标签样本以及未经特征融合的无标签样本进行预测，通过比较融合前后的变化大小来度量模型预测的置信度，从而确定一部分无标签样本的伪标签。每个子集的分类器选择出预测置信度最高的若干无标签样本，加入到对方子集的有标签数据集中，使用扩增后的有标签样本重新训练分类器。本发明大大提升了分类器的训练效率和准确度。
-
公开(公告)号：CN117667618B
公开(公告)日：2024-07-09
申请号：CN202311281892.2
申请日：2023-09-28
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种云资源组合优化分配方法及终端机，属于云计算领域，根据云环境中的服务特点，对服务划分类型进行分类，并建立云资源组合优化分配模式；基于不同类型的服务划分模式，配置服务构件划分策略；配置基于负载分解的混合遗传退火算法来确定满足预设条件的云资源供应方案；根据所述云资源供应方案构建虚拟数据中心。本发明能够针对在线应用的三种不同部署方式，对公有云环境下大规模服务部署进行精确有效的建模，构建高效的启发式算法求解云资源供应方案，实现云资源的组合优化分配。
-
公开(公告)号：CN117523244B
公开(公告)日：2024-05-24
申请号：CN202311439517.6
申请日：2023-10-31
Applicant: 哈尔滨工业大学(威海)
IPC: G06V10/762 , G06V10/82 , G06N3/088 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06F17/16 , G06N3/045
Abstract: 本发明实施例提供一种多视图聚类方法、系统、电子设备及存储介质，属于信息技术领域。该方法包括：获取待聚类的多个数据缺失视图；利用多重插补法，对所述多个数据缺失视图中缺失的数据进行缺失值处理，获得多个完整视图，并生成不确定性度量矩阵；提取所述不确定性度量矩阵中易于聚类的隐空间特征；将所述易于聚类的隐空间特征以及所述多个完整视图输入至循环对抗生成网络进行聚类，获得所述待聚类的多个数据缺失视图的聚类结果。通过上述技术方案，利用多重插补法，不仅可以充分利用多视图数据之间的互补信息，对缺失数据进行有效插补，增强了数据之间的关联性，还通过循环对抗生成网络在此基础上实现高效率的多个数据缺失视图的聚类。
-
公开(公告)号：CN118135279A
公开(公告)日：2024-06-04
申请号：CN202410088713.1
申请日：2024-01-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06V10/764 , G06N3/0464 , G06V10/82 , G06V10/80
Abstract: 本发明实施例提供一种不完整视图的聚类方法及系统，属于信息技术领域。该聚类方法包括：获取待聚类的不完整多视图，并构建邻接矩阵以确定不完整多视图的图结构信息；结合邻接矩阵，采用预先构建的聚类模型对每一不完整视图进行编码，获得潜在特征表示；对各潜在特征表示采用注意力机制进行融合生成综合潜在特征表示；对综合潜在特征表示进行深度聚类，输出不完整多视图的聚类结果。通过将待聚类的不完整多视图和邻接矩阵输入至聚类模型，使得该聚类模型对不完整多视图节点进行多次邻域聚合和特征学习后，得到每个节点潜在特征表示，更有利于聚类，并采用注意力机制进行潜在特征表示的融合生成综合潜在特征表示，进行深度聚类，得到聚类结果。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
