-
公开(公告)号：CN119131400A
公开(公告)日：2024-12-13
申请号：CN202411293610.5
申请日：2024-09-14
Applicant: 杭州电子科技大学
IPC: G06V10/26 , G06V10/52 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于多特征融合的红外小目标分割方法。本发明具体步骤如下：1、构建数据集；2、搭建红外小目标分割的ID‑UNet模型；ID‑UNet模型包括密集连接的UNet结构、ISFTE模块和残差注意力机制模块；3、引入全尺度深度监督；ID‑UNet模型在每个解码器级别直接由真实标注掩码进行监督，因此在每个解码器级别生成独立的侧输出，从而达到全面深度监督的目标。本发明通过密集连接多尺度特征和有效融合小目标特征，提高红外小目标分割任务的性能，该策略有助于模型全面学习和利用不同解码器级别的特征表示，增强小目标的总体感知和分割精度；通过这种全方位的深度监督机制，ID‑UNet可以更好地理解和捕获红外小目标的层次结构信息。
-
公开(公告)号：CN118918363A
公开(公告)日：2024-11-08
申请号：CN202410943009.X
申请日：2024-07-15
Applicant: 杭州电子科技大学
IPC: G06V10/764 , A61B5/00 , A61B5/055 , G06V10/774 , G06T7/00 , G16H30/00 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06F17/16 , G06F17/18 , G06N3/08
Abstract: 本发明公开了基于GFE‑Mamba神经网络的可解释阿尔茨海默进展分类方法，包括如下步骤：步骤1、构建GFE‑Manba神经网络模型，步骤2、建立MRI和PET图像数据集并分为训练集和测试集，应用MRI和PET图像训练集和测试集预训练3D GAN‑Vit模块；步骤3、建立MRI和量表数据结合的多模态阿尔茨海默进展分类数据集，并划分为训练集和测试集；步骤4、使用训练集对预训练的GFE‑Mamba神经网络模型进行训练并进行参数调优；步骤5、使用测试集测试评估得到的预训练的GFE‑Mamba神经网络模型，最终实可解释多模态阿尔茨海默进展分类。该方法不仅能够为临床医生诊断和治疗重大危险疾病提供重要参考标准，还进一步增强了临床医生对AD和其他重大脑部疾病的诊断能力，对于临床诊断和AD疾病预防具有重要意义。
-
公开(公告)号：CN118296330A
公开(公告)日：2024-07-05
申请号：CN202410726512.X
申请日：2024-06-06
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06N3/0455 , G06N3/084 , G06N3/042 , G06N3/0464 , G06F123/02
Abstract: 本发明公开了一种基于多视图时间序列图结构的长期时间序列预测方法，其特征在于，包括如下步骤：步骤1、获取多元时间序列数据，并对数据进行预处理，将预处理后的数据进行分片处理，通过分片处理后的数据得到#imgabs0#份特征序列；步骤2、构建并训练预测模型MGTV，所述预测模型MGTV包括依次连接的局部交叉视图生成器、维度视图生成器和时间视图生成器；步骤3、将每份特征序列进行分割，平均分成#imgabs1#份片段序列；步骤4、应用完成训练的预测模型MGTV得到#imgabs2#份预测结果；步骤5、将#imgabs3#份预测结果拼接后加权最终的预测结果。该方法提供了一种全新的时间序列预测模型MVTG，提升模型预测精度的同时，提高模型的运算速度。
-
公开(公告)号：CN111951216A
公开(公告)日：2020-11-17
申请号：CN202010633104.1
申请日：2020-07-02
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于计算机视觉的脊柱冠状面平衡参数自动测量方法，首先对获得的x光影像图进行预处理，分为上下半身影像图；分别采用基于边缘检测和基于单阈值分割的轮廓提取方法对上下半身影像图进行轮廓提取；基于SIFT特征检测的图像配准技术和启发式算法筛选候选框；计算沿筛选出的颈7骨和骶骨候选框的中心坐标做出的垂线之间的像素距离，并根据影像图dpi大小将像素距离转换为物理距离，完成脊柱冠状位平衡参数CVA的自动测量。本发明选用不同的计算机视觉算法获取目标选框，并结合SIFT图像配准技术和启发式算法思想，减少选框数量，极大提高了选框的精度，保证了量测的准确率。
-
公开(公告)号：CN111832453A
公开(公告)日：2020-10-27
申请号：CN202010620281.6
申请日：2020-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双路深度神经网络的无人驾驶场景实时语义分割方法。本发明步骤如下：步骤1、以残差网络ResNet-18为基础网络，分流出空间信息分支和上下文信息分支；步骤2、对上下文信息分支的不同阶段输出使用注意力精炼模块进行优化；步骤3、对空间信息分支和上下文信息分支的输出使用特征融合模块进行多尺度融合，用于网络最终输出；步骤4、在上下文信息分支中添加两个辅助损失函数，与主损失函数共同监督训练。本发明提高了语义分割对速度和精度的兼得性，从而实现一个应用于无人驾驶的高精度实时语义分割网络。
-
Patent Agency Ranking
公开(公告)号：CN118697347A
公开(公告)日：2024-09-27
申请号：CN202410696301.6
申请日：2024-05-31
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/243 , G06F18/214 , G06F18/2113
Abstract: 本发明公开了一种基于VMD‑WmRMR‑DF的注意力缺陷多动障碍分类方法，包括如下步骤：步骤1、构建DF‑ADHDNet模型，所述DF‑ADHDNet模型以深度森林分类器为主网络，并在深度森林分类器中集成信号分解模块和特征选择模块；步骤2、获取ADHD患者和正常受试者的EEG信号，分别对两者的信号进行标签并构成数据集，对数据集进行预处理，将预处理后的数据集按比例划分为训练集和测试集；步骤3、使用训练集对DF‑ADHDNet模型进行训练，并对网络模型参数调优，使网络达到最优效果；步骤4、使用测试集评估完成训练后得到最终的DF‑ADHDNet模型；步骤5、应用最终的DF‑ADHDNet模型实现ADHD分类。该方法实现了自动化、智能化的ADHD诊断功能，并具有较高的诊断准确率和效率。
-
公开(公告)号：CN118296856B
公开(公告)日：2024-09-06
申请号：CN202410703443.0
申请日：2024-06-03
Applicant: 杭州电子科技大学
IPC: G06F30/20 , G06F30/15 , G06F30/17 , G06F111/10 , G06F111/04
Abstract: 本发明公开了一种航天装备正向设计方案确定方法、装置、介质和设备，涉及航天装备设计技术领域。先获取包括设计输入、功能要求和性能要求的系统需求，然后根据功能要求采用用例分析，以满足性能要求为约束，设计航天装备各系统的功能架构，再根据航天装备各系统的功能架构和预先录入的物料类目，组合生成分别对应航天装备各系统的基础物料方案，最后根据设计输入进行筛选，得到每个系统对应的优选物料方案，组合形成航天装备设计方案。本发明通过在系统需求中增加对应航天装备至少部分组成结构的优选物料类目和/或优选概要参数，将其作为设计输入，能够以预设的设计输入作为导向对物料进行筛选，提高了航天装备设计方案的确定效率。
-
公开(公告)号：CN112308822B
公开(公告)日：2024-07-09
申请号：CN202011076847.X
申请日：2020-10-10
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T5/70 , G06T5/73 , G06T3/60 , G06T3/4007 , G06T3/4053 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度卷积神经网络的椎间盘CT图像检测方法。本发明包括如下步骤：步骤1、椎间盘突出图像预处理：步骤2、基于多骨干网络的特征提取器构建方法：步骤3、区域建议网络中锚框的参数调优：步骤4、基于卷积神经网络的图像检测模型训练。本发明从数据预处理，深度卷积神经网络结构到参数优化都经过精心设计，建立了一套完整的椎间盘突出定位和分类系统。相较于传统的图像检测算法，该方法基于深度学习技术，通过简单的端到端学习方式避免了去噪、白平衡、特征提取、特征选择等容易出错的过程，减少了人工干预，将对椎间盘突出是否合并钙化这一判断任务自动化智能化，并在检测的准确率上有较大提升。
-
公开(公告)号：CN112365438B
公开(公告)日：2024-02-13
申请号：CN202010915043.8
申请日：2020-09-03
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G16H50/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于目标检测神经网络的骨盆参数自动测量方法。本发明针对X光侧位影像进行数据增强、预处理、数据标注，得到下半身影像图数据集，采用目标检测方法，在上述数据集上训练目标检测模型，并使用训练所得模型对输入的X光侧位影像图进行检测，设置阈值筛选出骶1椎体上缘线与股骨头候选框，根据候选框的坐标完成骨盆参数SS、PT、PI的自动测量。本发明结合目标检测与图像处理方法，实现骨盆参数的快速准确测量，从而辅助临床医生诊断、减轻临床医生工作量。
-
公开(公告)号：CN117497169A
公开(公告)日：2024-02-02
申请号：CN202311412203.7
申请日：2023-10-30
Applicant: 杭州电子科技大学
IPC: G16H50/20 , G16H50/70 , G16H10/60 , G06T7/00 , G06T3/4038 , G06V10/44 , G06F18/213 , G06F18/25 , G06F18/241 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于多视图和跨模态的肺栓塞等级分类方法，包括如下步骤：S1、收集n个患者的肺栓塞CTPA影像，将收集到的所有.npy格式文件转换为HDF5并进行拼接；S2、将拼接后的HDF5文件放入具有多视图耦合自注意模块的3DResNet网络中进行特征提取，输出图像特征，S3、收集n个患者对应的电子病历，将收集的电子病历按指标划分划分为相应的table文件，划分后将所有table文件合成一个完整的table文件；S4、将完整的table文件放入MLP分类模型中，输出文本特征；S5、分别将步骤S2中输出的图像特征和步骤S4中输出的文本特征输入cross‑modal模块中进行特征融合计算，最后利用全连接层输出分类结果。该方法能够深入学习病灶与电子病历之间的关联，从而提高对肺栓塞急性满性分类的准确性。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.021 seconds)
