公开(公告)号：CN118762009A

公开(公告)日：2024-10-11

申请号：CN202411244197.3

申请日：2024-09-06

Applicant: 湘潭大学

Inventor： 胡凯 ,  邱春林 ,  张园 ,  高协平

IPC: G06T7/00 ,  G06T7/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于Mamba和YOLOv8的结肠镜息肉图像检测方法，属于图像检测技术领域。其步骤为：S1，获取结肠镜息肉图像数据，并随机划分为训练验证集和测试集；S2，对S1划分好的样本集，采用包括尺寸标准化，旋转、色调改变和添加噪声等数据预处理操作；S3，使用训练样本集和验证样本集对神经网络模型进行训练，并保存训练完成后的神经网络模型；S4，将测试样本集输入到步骤S3已训练完成的神经网络模型中，得到结肠镜息肉图像检测结果；本发明选择Mamba和YOLOv8结合的神经网络融合模型，并且改进了Mamba，降低了息肉检测的模型复杂度，有效地解决了息肉检测中目标难以定位，以及伪装性区域难以辨别的技术问题。

公开(公告)号：CN110365553A

公开(公告)日：2019-10-22

申请号：CN201910671383.8

申请日：2019-07-24

Applicant: 湘潭大学 ,  赛尔网络有限公司

Inventor： 邓书华 ,  高协平 ,  胡凯

IPC: H04L12/26 ,  H04L12/24 ,  H04L29/12 ,  H04L12/721

Abstract: 本发明公开了一种基于SDN的IPv6网络流量监控方法及系统，包括交换机、终端设备和SDN控制器：交换机实现网络中IPv6数据包的转发；终端设备包括终端主机和监控设备；SDN控制器包括拓扑管理模块、设备管理模块、路由计算模块、转发规则安装模块和监控策略处理模块；用户向SDN控制器中输入监控策略，SDN控制器通过监控策略处理模块将策略转换为网络中的节点或链路，并根据拓扑管理模块和设备管理模块提供的信息，使用路由计算模块确定监控目标到监控设备的最短路径，再通过转发规则安装模块向最短路径上的交换机中安装流转发规则，交换机根据转发规则将监控目标的流量信息转发至监控设备。本发明能高效精准地对IPv6网络流量实时监控，具有极强的适应性和灵活性。

公开(公告)号：CN103295236A

公开(公告)日：2013-09-11

申请号：CN201310205383.1

申请日：2013-05-29

Applicant: 湘潭大学

Inventor： 高协平 ,  胡凯

IPC: G06T7/00

Abstract: 本发明公开了一种马尔可夫多特征随机场(MMFRF)模型构建方法及基于该模型的脑部MR图像分割技术。MMFRF模型构建方法中，本发明将传统MRF模型中单个特征随机场扩展为多个特征随机场情形，建立了对应的概率估计准则及优化求解方式。基于MMFRF模型的脑部MR图像分割技术包括：(a)将整个脑部图像域分成多个子域并将其建模成多个局部MMFRF模型，通过这些局部模型构建面向整个脑部域的组合MMFRF模型；(b)将组合MMFRF模型应用于脑部MR图像分割。本发明提供的MMFRF模型，适用于多种计算机视觉和图像分析应用；本发明提供的基于MMFRF模型的脑部MR图像分割技术实验结果准确、稳定。

公开(公告)号：CN118762009B

公开(公告)日：2024-11-05

申请号：CN202411244197.3

申请日：2024-09-06

Applicant: 湘潭大学

Inventor： 胡凯 ,  邱春林 ,  张园 ,  高协平

IPC: G06T7/00 ,  G06T7/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于Mamba和YOLOv8的结肠镜息肉图像检测方法，属于图像检测技术领域。其步骤为：S1，获取结肠镜息肉图像数据，并随机划分为训练验证集和测试集；S2，对S1划分好的样本集，采用包括尺寸标准化，旋转、色调改变和添加噪声等数据预处理操作；S3，使用训练样本集和验证样本集对神经网络模型进行训练，并保存训练完成后的神经网络模型；S4，将测试样本集输入到步骤S3已训练完成的神经网络模型中，得到结肠镜息肉图像检测结果；本发明选择Mamba和YOLOv8结合的神经网络融合模型，并且改进了Mamba，降低了息肉检测的模型复杂度，有效地解决了息肉检测中目标难以定位，以及伪装性区域难以辨别的技术问题。

公开(公告)号：CN117253035B

公开(公告)日：2024-07-19

申请号：CN202311045884.8

申请日：2023-08-18

Applicant: 湘潭大学

Inventor： 胡凯 ,  罗安 ,  张园 ,  高协平

IPC: G16H50/00 ,  G06V10/26 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06T7/00 ,  G06T7/10 ,  G06N3/0464 ,  G06N3/045

Abstract: 本发明提供了一种基于极坐标下注意力的单目标医学图像分割方法，其步骤为：对单目标医学图像数据集进行数据预处理操作；对预处理后的样本集进行特征提取；将提取到的特征图应用于极点预测网络以获得极点，并结合预测极点将中特征图转化至极坐标下使用极坐标下注意力分割网络对转化后的特征图进行分割；通过上述过程训练好整体网络模型，将预处理后的测试样本集输入网络中，并转化输出回至笛卡尔系，得到最终的分割结果。本发明创造性地提出了一种基于极坐标下注意力的单目标医学图像分割方法，其充分利用单目标图像为单连通区域的先验知识，将复杂且难以学习的像素级分类问题转化为单个极点的预测和条状注意力的计算问题。

公开(公告)号：CN108790140A

公开(公告)日：2018-11-13

申请号：CN201810626746.1

申请日：2018-06-19

Applicant: 湘潭大学

Inventor： 印长俊 ,  龙勇齐 ,  马朗 ,  龚航里 ,  胡凯 ,  李卓

IPC: B29C63/18 ,  B25B27/00

Abstract: 本发明公开了一种磁性管线牵引装置，包括底座、线管支架、固定支架、滑动支架、磁性套环母环、磁性套环子环，所述线管支架、固定支架分别安装在底座前后两端，在线管支架与固定支架之间的底座上设有滑槽，所述滑动支架安装在滑槽内可沿滑槽移动，所述磁性套环母环设置在滑动支架上，在线管支架与固定支架上均设有孔洞，保护套管可依次穿过固定支架、磁性套环母环、线管支架，所述磁性套环子环的内壁上设有单向阻力片，软性管材穿过磁性套环子环，磁性套环子环套在保护套管内，磁性套环母环可带动磁性套环子环在保护套管内移动。本发明能够适用各种型号长度的保护套管安装，操作方便快捷。

公开(公告)号：CN103295236B

公开(公告)日：2015-12-23

申请号：CN201310205383.1

申请日：2013-05-29

Applicant: 湘潭大学

Inventor： 高协平 ,  胡凯

IPC: G06T7/00

Abstract: 本发明公开了一种马尔可夫多特征随机场(MMFRF)模型构建方法及基于该模型的脑部MR图像分割技术。MMFRF模型构建方法中，本发明将传统MRF模型中单个特征随机场扩展为多个特征随机场情形，建立了对应的概率估计准则及优化求解方式。基于MMFRF模型的脑部MR图像分割技术包括：(a)将整个脑部图像域分成多个子域并将其建模成多个局部MMFRF模型，通过这些局部模型构建面向整个脑部域的组合MMFRF模型；(b)将组合MMFRF模型应用于脑部MR图像分割。本发明提供的MMFRF模型，适用于多种计算机视觉和图像分析应用；本发明提供的基于MMFRF模型的脑部MR图像分割技术实验结果准确、稳定。

公开(公告)号：CN119360959A

公开(公告)日：2025-01-24

申请号：CN202411957506.1

申请日：2024-12-30

Applicant: 湘潭大学

Inventor： 张园 ,  邓竣升 ,  胡凯 ,  高协平

IPC: G16B20/50 ,  G16B40/00 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0464 ,  G06N3/045

Abstract: 本发明公开了一种基于生成对抗网络数据生成的蛋白质突变稳定性预测方法，属于生物信息技术领域，包括以下步骤：构建蛋白质突变数据集；对Megascale数据集以及蛋白质突变数据集提取蛋白质特征；对生成对抗网络进行五折交叉验证，并保存生成器G；通过生成器G生成突变样本；构建下游任务网络模型；通过自适应梯度法优化下游任务网络模型参数；通过验证集计算评价指标验证模型性能；通过下游任务网络模型实现预测。本发明应用生成对抗网络生成蛋白质突变样本，有效解决了蛋白质稳定性研究中的数据稀缺问题；生成对抗机制结合循环一致性损失，确保了生成数据的高质量，并成功扩充了数据集，提升了模型对不同突变类型的适应能力。

公开(公告)号：CN115018824B

公开(公告)日：2023-04-18

申请号：CN202210858918.4

申请日：2022-07-21

Applicant: 湘潭大学

Inventor： 胡凯 ,  黄扬林 ,  张园 ,  高协平

IPC: G06V10/26 ,  G06V20/70 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084 ,  G06T7/00

Abstract: 本发明提供了一种基于CNN和Transformer融合的结肠镜息肉图像分割方法，其步骤为：S1，将结肠镜息肉图像数据集划分为训练、验证和测试样本集；S2，对样本集进行数据预处理操作；S3，使用预处理后训练和验证样本集对神经网络模型进行训练、验证，并保存训练好的神经网络模型；S4，将预处理后测试样本集输入训练好的神经网络模型中，得到结肠镜息肉图像粗分割结果；S5，对结肠镜息肉图像粗分割结果进行图像后处理操作，得到最终分割结果。本发明创新性设计了一种CNN和Transformer神经网络融合模型，其弥补了CNN和Transformer分支特征融合过程中因学习范式差异而产生的潜在问题，进而充分利用两者特征互补性，有效地解决了息肉难以定位、细节难以捕获以及伪装性区域难以辨别问题。

公开(公告)号：CN112614145B

公开(公告)日：2022-04-12

申请号：CN202011633932.1

申请日：2020-12-31

Applicant: 湘潭大学

Inventor： 胡凯 ,  侯媛媛 ,  张园 ,  高协平

IPC: G06T7/11 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于深度学习的颅内出血CT图像分割方法，其步骤为：获取颅内出血CT图像；对颅内出血CT图像进行预处理，预处理后部分颅内出血CT图像作为训练样本；用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；将预处理后的颅内出血CT图像输入训练好的深度卷积神经网络进行图像分割，输出分割好的颅内出血CT图像，通过GUI界面展示颅内出血CT图像的出血区域分割结果。本发明借助深度卷积神经网络自动提取图像高层次特征，并分割出血区域，有效解决出血区域差异性过大造成的数据不平衡问题，实现高精度的分割。