-
公开(公告)号：CN114511537B
公开(公告)日：2025-04-25
申请号：CN202210116221.X
申请日：2022-01-29
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/11 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，首先进行儿童脱髓鞘疾病数据预处理及数据集构建；然后深度融合学习脱髓鞘疾病辅助模型设计；通过构建的儿童脱髓鞘疾病数据集对深度融合学习脱髓鞘疾病辅助模型进行训练；最后通过训练好的深度融合学习脱髓鞘疾病辅助模型完成高信号白质分割图的获取与特征分类，通过可视化结果模型展示高信号白质分割图与特征分类标签。本发明方法不仅可以辅助医生进行临床诊断，而且可以大大提高图像标注的速率，这将极大缩短患者的确诊时间与确诊成本，使患者获得及时的治疗，缓解患者预后过程遗留的神经功能缺损，获得更好的预后效果。
-
公开(公告)号：CN118506168A
公开(公告)日：2024-08-16
申请号：CN202410954584.X
申请日：2024-07-17
Applicant: 华侨大学 , 杭州电子科技大学 , 厦门亿联网络技术股份有限公司
IPC: G06V10/98 , G06N3/045 , G06N3/0464 , G06T7/13 , G06V10/40 , G06V10/54 , G06V10/776 , G06V10/80 , G06V10/82 , G06V20/40
Abstract: 本发明公开一种基于多重特征网络的沉浸式视频质量评价方法及装置，涉及图像处理领域，包括：在沉浸式视频质量评价模型中，通过视频预处理网络对待评价的沉浸式视频包含的多个视点的纹理视频和深度视频进行视点筛选，得到筛选后视点的纹理视频和深度视频，通过时空特征提取网络对筛选后视点的纹理视频和深度视频进行特征提取并计算得到对应视点的纹理视频的质量分数和深度视频的质量分数；通过权重计算网络计算得到筛选后视点的时空轨迹权重，将筛选后视点的时空轨迹权重与对应视点的纹理视频的质量分数和深度视频的质量分数输入质量分数计算模块计算得到沉浸式视频的质量分数。本发明解决现有沉浸式视频质量评价算法效果较差的问题。
-
公开(公告)号：CN114224363B
公开(公告)日：2024-04-30
申请号：CN202210087829.4
申请日：2022-01-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法。首先对脑电数据进行预处理，然后将经过预处理的脑电数据，分别转换为双极纵向导联EEG数据和平均参考导联EEG数据；再提取时频特征和频空特征；最后将得到的时频、频空特征图片传入双流3D卷积神经网络中，通过双流3D卷积神经网络中的注意力机制模块将提取不同通道间的信息，最终把时频输入流和频空输入流的softmax概率输出进行平均加权得到相应儿童癫痫综合征类别。本发明能够获得较高的分类准确率，实现对儿童癫痫综合征的精确分类。
-
公开(公告)号：CN114511537A
公开(公告)日：2022-05-17
申请号：CN202210116221.X
申请日：2022-01-29
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/11 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，首先进行儿童脱髓鞘疾病数据预处理及数据集构建；然后深度融合学习脱髓鞘疾病辅助模型设计；通过构建的儿童脱髓鞘疾病数据集对深度融合学习脱髓鞘疾病辅助模型进行训练；最后通过训练好的深度融合学习脱髓鞘疾病辅助模型完成高信号白质分割图的获取与特征分类，通过可视化结果模型展示高信号白质分割图与特征分类标签。本发明方法不仅可以辅助医生进行临床诊断，而且可以大大提高图像标注的速率，这将极大缩短患者的确诊时间与确诊成本，使患者获得及时的治疗，缓解患者预后过程遗留的神经功能缺损，获得更好的预后效果。
-
公开(公告)号：CN114141366A
公开(公告)日：2022-03-04
申请号：CN202111665085.1
申请日：2021-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于语音多任务学习的脑卒中康复评估辅助分析方法。提出主任务为对脑卒中语音功能损伤评估，以预测分数的回归任务，和辅助任务为对脑卒中语音功能损伤严重程度分类的分类任务的多任务学习模型。其中底层模型为基于梅尔频谱图(Mel spectrogram)的深度残差网络(Resnet50)的特征提取模型与长短期记忆网络(LSTM)的时序序列预测模型，而顶层模型为主任务与辅助任务各自对应的全连接神经网络。采用的损失函数为均方误差损失函数和交叉熵损失函数的加权叠加。本发明采用的多任务学习机制能够降低模型过拟合概率，并有效减少预测误差，通过预测分数能够清楚地了解患者当前的康复状况。
-
Patent Agency Ranking
公开(公告)号：CN113808174A
公开(公告)日：2021-12-17
申请号：CN202110995010.3
申请日：2021-08-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法。本发明步骤：1、对雷达接收机采集的回波信号进行预处理，获取信号的R‑D图；2、构建全卷积神经网络并利用网络预测特征图像素点对应R‑D图中每个感受野区域分别属于目标和背景的类别概率，以及该区域包含目标时，特征图像素点在每个网格划分区域中相对于左上单元的偏移量，从而判断存在目标时的目标位置；3、将目标位置的俯仰角、方位角及径向距离作为雷达系统的量测值，通过坐标转换卡尔曼滤波器实现目标跟踪。本发明利用特征图像素点对应的感受野替代传统深度学习方案的滑窗技术，大幅提升模型训练及检测的速度，并通过坐标转换卡尔曼滤波器跟踪目标，更准确快速得到目标轨迹。
-
公开(公告)号：CN106023996A
公开(公告)日：2016-10-12
申请号：CN201610409905.3
申请日：2016-06-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于十字形声阵列宽带波束形成的声识别方法。本发明包括如下步骤：1、将十字形声阵列对准所需方向采集声音信号；2、对采集到声音信号进行预处理；3、对预处理后的每一帧数据进行离散傅里叶变换，然后根据需要的频带进行频带提取；4、提取的各频带分别在所需方向上进行LSMI‑MVDR波束形成。5、将波束形成后的频域信号进行逆离散傅里叶变换；6、对应分帧时的原则进行帧重叠合成，输出信号；7、对输出信号进行特征提取和分类学习、识别。本发明能够提高期望方向接收信号的信噪比并且抑制其他方向的干扰信号，将其用于声音识别系统的信号处理阶段，能够有效的提高识别系统对识别对象的识别率和可靠性。
-
公开(公告)号：CN119206695A
公开(公告)日：2024-12-27
申请号：CN202411193552.9
申请日：2024-08-28
Applicant: 杭州电子科技大学
IPC: G06V20/62 , G06V10/82 , G06N3/0455 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种组合自回归与非自回归解码的内河船舶船名识别方法。本发明具体如下：1、数据集构建；2、特征提取器预训练；3、构建船名识别模型：特征提取器提取的船名图像特征分别被送入自回归和非自回归解码器分支，得到两种类型的字符表示；4、通过门控机制自适应地融合两种类型的字符表示；5、分别以自回归解码器分支和非自回归解码器分支提取的字符表示和融合后的字符表示为输入，构建三个线性分类器，得到三组预测；6、通过融合自回归解码器分支和非自回归解码器分支的损失，分别构建字符级和实例级重加权权重，动态调节批次样本在反向传播过程中对于当前批次总损失的贡献。本发明消除了繁琐的训练过程和对外部语言模型的依赖。
-
公开(公告)号：CN115500827A
公开(公告)日：2022-12-23
申请号：CN202211162258.2
申请日：2022-09-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电通道和频率权重重分配的注意力评估方法。本发明通过对多通道脑电信号的电极通道，以及各通道信号在脑电频率上的特征权重进行重分配；然后通过构建端到端的深度神经网络，实现自动获取最优的特征权重分布，从而构建快速有效的智能注意力状态评估。本发明包括如下步骤：步骤1：数据预处理；步骤2：时频图构建；步骤3：构建权重重分配网络分支；步骤4：构建端到端深度卷积神经网络；步骤5：深度神经网络训练与推理。本发明提出的方法可以快速、简单、精确的对注意状态进行评估，采用通道权重重分配方法，针对电极通道和频率进行权重重分配，对有意义的通道/频率赋予更大的权重，以此放大有效通道/频率。
-
公开(公告)号：CN115345284A
公开(公告)日：2022-11-15
申请号：CN202211042453.1
申请日：2022-08-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多通道矩阵随机自编码器的自动特征提取方法。本发明针对多通道矩阵数据(设大小为D1×D2×K，K是通道数，D1是行数即长度，D2是列数即宽度)，以矩阵形式分别获取各通道的隐藏层输出，并求和作为最终网络的隐藏层输出。然后根据隐藏层输出，分别重建各个通道的输入，在重建过程中学习到包含各个通道结构信息的特征表示，保留原始数据结构信息的同时也综合提取了所有通道的有效特征，实现了原始输入的极小化误差重建，使得能够高效的处理多种复杂高维多通道特征。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.025 seconds)
