-
公开(公告)号：CN116776731A
公开(公告)日：2023-09-19
申请号：CN202310746326.8
申请日：2023-06-25
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F111/10 , G06F111/04
Abstract: 本发明涉及一种基于物理约束的自适应神经网络海洋垂直混合参数化方法，主要针对海洋垂直混合参数化过程精度不高的问题，本发明构建了一个自适应网络模型，在海上实际站点观测数据的基础上加入一定的人工合成数据，构成训练集进行学习，构建参数化神经网络，参数化神经网络由四个自适应全连接模块AFCM堆叠构成，学习不同深度的海洋密度ρ、剪切平方S2、分层N2、速度U与垂直扩散系数Kt的关系，然后通过融合学习到的特征预测垂直混合参数化过程中的垂直扩散系数Kt，在训练过程和网络推理过程中引入物理约束来提高网络的预测精度，使得本发明的参数化网络在精度和泛化能力方面比现有技术表现更好。
-
公开(公告)号：CN116776269A
公开(公告)日：2023-09-19
申请号：CN202310746435.X
申请日：2023-06-25
Applicant: 成都信息工程大学
IPC: G06F18/2433 , G06F18/213 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/08 , G08G1/01
Abstract: 本发明涉及一种基于图卷积神经网络自编码器的交通异常检测方法，设计一种结合交通异常和深度学习的一维卷积及上下文编码网络，所述网络主要包括镜像时域卷积模块和依次级联的两个图卷积门控循环模块，通过提取交通特征像是速度和流量来预测交通状况和可能发送的异常，在镜像时域卷积模块之前使用了自适应方法来适应不同的路段，通过镜像传入更多的特征给时间卷积模块，通过时间卷积模块获取更多的信息，让网络不断地学习这种交通网络，图卷积门控循环模块使用了高斯核函数模块，让分布更加集中于高维空间，再利用图卷积网络架构的特点捕获了隐藏的空间相关性结合图卷积神经网络捕获可能的异常点发生，更加准确，大大提高了预测异常的可靠性。
-
公开(公告)号：CN109063710B
公开(公告)日：2022-08-16
申请号：CN201810907208.X
申请日：2018-08-09
Applicant: 成都信息工程大学
Abstract: 本发明涉及图像分割领域中的鼻咽部肿瘤图像分割技术，具体的说是一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法。针对训练样本，需要由有经验的放射科肿瘤医师对若干鼻咽癌病例进行标注，使用整个三维MRI图像建立数据集，并对数据集进行一定的预处理，然后用网络对训练数据集进行训练，取得高精度的分割模型。对于新的病例，可以用该分割模型分割其MRI图像。相对传统的方法，除了训练阶段需要人工标注外，其余部分均可实现自动处理，大大降低对于有经验医师的需求，且与五种主流网络对比能取得较高的精度。
-
公开(公告)号：CN112686822A
公开(公告)日：2021-04-20
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
公开(公告)号：CN112686822B
公开(公告)日：2021-09-07
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
Patent Agency Ranking
公开(公告)号：CN112365464B
公开(公告)日：2021-08-10
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN112365464A
公开(公告)日：2021-02-12
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN108962267B
公开(公告)日：2019-11-15
申请号：CN201810742980.0
申请日：2018-07-09
Applicant: 成都信息工程大学
IPC: G10L19/018
Abstract: 本发明涉及一种基于哈希特征的加密语音内容认证方法，其包括：输入原始语音后，通过Logistic映射和流密码RC4对原始语音进行加密以生成加密语音，对加密语音进行分帧并对每帧加密语音执行整数小波变换和离散余弦变换，通过比较低频DCT系数的均值和方差来计算哈希特征，利用差分扩展将哈希特征作为水印嵌入到IWT的细节系数的高位比特中；然后对IWT近似系数和含哈希特征的细节系数执行逆IWT变换来获得含水印的加密语音，从含水印的加密语音中提取哈希特征与重构的哈希特征进行对比来对加密语音进行内容认证。本发明提高了云计算中的语音内容认证的鲁棒性，可以准确定位篡改语音帧，在实际应用中适用范围更广。
-
公开(公告)号：CN109284765A
公开(公告)日：2019-01-29
申请号：CN201810789885.6
申请日：2018-07-18
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于负值特征的卷积神经网络的自然图像分类方法，其包括以下步骤：S1输入一张图像I；S2将图像I分为大小为m×m的图像块集合，每一块用Ii(i＝1,2,…,n)表示；S3将Ii输入到卷积神经网络中进行训练，其包括：用大小为k×k的卷积核对图像Ii做卷积处理，然后将卷积之后得到的特征取反，再和原来的特征一起作用Leaky ReLU激活函数，再将得到的结果传递到下一层做池化采样；S4经过多次提取特征，最后通过全连接层，得到一维的矩阵；S5将神经网络中的输出结果输入到分类器里，最终得到分类结果。本发明能够增强有效特征的学习，从而提高图像分类的效果，并且对不同的数据有良好的泛化能力。
-
公开(公告)号：CN108921202A
公开(公告)日：2018-11-30
申请号：CN201810601416.7
申请日：2018-06-12
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于数据结构的异常点检测方法，其包括：输入数据集；根据数据集构建一棵多维二叉树，利用二叉树搜索算法搜索距离树中每个节点最近的k个邻居；基于一棵多维二叉树构建数据点的数据结构图，结合树中各节点的邻居关系，计算数据点之间的欧氏距离；考虑到数据点之间的相似性和数据点在树中的邻居关系，通过对计算出的欧氏距离进行排序，并设定阈值p自动确定异常点。本发明提高了异常点检测的性能，更好的反应了数据集的结构特征。此外，本发明受数据分布和数据维度影响较弱，在实际应用中适用范围更广，解决了现有技术对特殊点的检测精度和对高维数据检测性能不佳的不足。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.031 seconds)
