-
公开(公告)号：CN119380972A
公开(公告)日：2025-01-28
申请号：CN202411441024.0
申请日：2024-10-15
Abstract: 本发明公开了一种结合长文本生成方法的乳腺疾病ABUS筛查系统，包括模型训练模块，具有AI模型仓库和模型评估算法；数据收集模块，用于采集受检者乳腺超声影像；标注模块，通过AI或人工对影像异常区域自动标记和区域特征分析，且标记通过勾画方式标记；系统辅助诊断模块，用于配合用户交互，将标记和区域特征分析进行关联，通过与标记进行交互，快速定位区域特征分析内容。作为本发明的进一步改进，还包括诊断报告模块，用于配合用户交互，用于暂存用户的截图、描述、标记并生成诊断报告。本方案能够解决患者乳腺成像数据众多、信息量大，导致基层筛查医生工作繁重的问题，提高阅片质量以及筛查的高效性、顺利性和精准性。
-
公开(公告)号：CN118674955A
公开(公告)日：2024-09-20
申请号：CN202410594154.1
申请日：2024-05-14
Applicant: 杭州电子科技大学
IPC: G06V10/762 , G06V10/74 , G06V10/766 , G16H50/20
Abstract: 一种自动乳腺超声图像聚类方法，属于机器学习技术领域。本发明通过考虑生物数据聚类的子空间聚类算法和求解该算法的迭代优化算法，以及CAD系统的实际应用，能够提供更有效、快速和经济可行的三维ABUS影像的乳腺癌早期筛查方案；本发明提出封装数据的局部结构并对特征应用非负约束的图像表征方法，来兼顾数据的全局和局部结构特征；同时将流形正则化器合并到图像表征中以考虑数据的流形结构，由此得到GLSR算法框架；然后基于ADMM迭代方法开发了一种高效的迭代算法来保证我们提出的GLSR算法得到局部最优解并保证收敛。
-
公开(公告)号：CN112215919A
公开(公告)日：2021-01-12
申请号：CN202010975231.X
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明提出了一种电子相册的生成方法以及电子设备，所述方法包括以下步骤：步骤一、利用电子相框获取目标图像集合；步骤二、从目标图像集合筛选人脸图像；步骤三、对人脸图像进行表情变换；步骤四、将变换后的图像成果进行展示；其中，所述电子相框至少包括视频单元、存储单元、控制单元、显示屏、摄像头、无线模块和电源模块。本发明提供的一种电子相册的生成方法，能够在生成电子相册时，应用神经网络算法自动对人脸图像进行识别和裁剪，再对其进行表情变换操作，进而保证了识别和裁剪的精确度和完整性，提高了生成电子相册过程的稳定性和可靠性。
-
公开(公告)号：CN107463966B
公开(公告)日：2019-06-18
申请号：CN201710705891.4
申请日：2017-08-17
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于双深度神经网络的雷达一维距离像目标识别方法。本发明的方法首先对目标的一维距离像数据进行随机距离扰动、样本扩展、加噪声等预处理操作，以增强识别系统的鲁棒性；随后结合深度学习理论，提出了具有自适应性学习率的双深度神经网络(DDNN)，对其进行无监督预训练和有监督微调，得到DDNN模型参数；然后利用DDNN对各测试样本进行预识别，得到各样本在两个子网络中的预识别结果；最后根据预识别结果，利用改进的DS证据理论对其进行时空多级决策融合，并得到目标识别结果。
-
公开(公告)号：CN107545279A
公开(公告)日：2018-01-05
申请号：CN201710764629.7
申请日：2017-08-30
Applicant: 电子科技大学
Abstract: 本发明属于雷达目标识别领域。一种基于卷积神经网络与加权核特征分析的图像识别方法，具体步骤为：首先，对SAR图像进行预处理，包括裁剪和去噪。其次，利用卷积神经网络提取SAR图像目标的特征。然后，利用加权核特征分析，筛选提取到的特征，去除坏的特征，保留好的特征。最后，利用最近邻分类进行识别。本发明将卷积神经网络和加权核特征分析方法结合，将卷积神经网络提取的特征用加权核特征分析降维，然后用最近邻分类识别，有效的弥补了传统的卷积神经网络识别性能欠佳的特点；同时利用加权核特征分析对特征矩阵降维，提纯了特征，提高了识别率。
-
Patent Agency Ranking
公开(公告)号：CN107194433A
公开(公告)日：2017-09-22
申请号：CN201710446883.2
申请日：2017-06-14
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理，通过对频域样本数据进行加噪处理，将每个样本随机选择某些特征强置为0或1，可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络，提取样本的高层特征表达，并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度，本发明以三层BP神经网络作为弱分类器，并使用AdaBoost‑BP算法进行目标分类器训练，从而有效地提升系统目标识别率。
-
公开(公告)号：CN118839927A
公开(公告)日：2024-10-25
申请号：CN202410981863.5
申请日：2024-07-22
Applicant: 电子科技大学
IPC: G06Q10/0631 , G06F18/25 , G06F18/22 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于学习混入与较优趋近的卫星调度方案生成方法，属于资源调度技术领域，包括以下步骤：建立卫星调度问题的任务依赖图表示模型；基于任务依赖图表示模型生成第一随机可行调度方案Pa、第二随机可行调度方案Pb以及第三随机可行调度方案P*；初始化一个随机可行调度方案的局部最优解作为第四随机可行调度方案P#；更新第一随机可行调度方案Pa、第二随机可行调度方案Pb、第三随机可行调度方案P*和第四随机可行调度方案P#；进行下一轮更新，直到运行时间或迭代轮次达到预设值，输出第三随机可行调度方案P*作为最终调度方案。本发明解决了传统卫星资源调度算法存在较大的人力投入与计算开销，并且在灵活性和及时性等方面存在不足的问题。
-
公开(公告)号：CN119380014A
公开(公告)日：2025-01-28
申请号：CN202411406607.X
申请日：2024-10-10
IPC: G06V10/26 , G06V10/774 , G06V10/776 , G06V10/82 , G06T7/10 , G06N3/0455 , G06N3/08 , G06N5/04 , G16H30/20
Abstract: 本发明涉及深度学习领域，具体是一种基于微调大模型的三维乳腺超声图像半自动分割方法，包括如下步骤：将获取的待分割三维乳腺超声影像数据进行预处理后，输入基于低秩微调策略微调的SAM‑Med3D模型实现乳腺肿瘤的半自动化分割，该SAM‑Med3D模型的3D图像编码器的每个3D注意力块中均嵌入有定制模块MLoRA。本发明通过将基于低秩微调策略的定制模块应用于SAM‑Med3D模型，并模拟医生点击ABUS影像病灶区域，实现乳腺肿瘤的半自动化分割，有效提高了SAM‑Med3D模型针对三维ABUS影像的分割能力，从而克服现有医学影像分割大模型ABUS影像训练数据缺乏及训练成本高昂和语义混淆的问题。
-
公开(公告)号：CN107545279B
公开(公告)日：2020-07-31
申请号：CN201710764629.7
申请日：2017-08-30
Applicant: 电子科技大学
Abstract: 本发明属于雷达目标识别领域。一种基于卷积神经网络与加权核特征分析的图像识别方法，具体步骤为：首先，对SAR图像进行预处理，包括裁剪和去噪。其次，利用卷积神经网络提取SAR图像目标的特征。然后，利用加权核特征分析，筛选提取到的特征，去除坏的特征，保留好的特征。最后，利用最近邻分类进行识别。本发明将卷积神经网络和加权核特征分析方法结合，将卷积神经网络提取的特征用加权核特征分析降维，然后用最近邻分类识别，有效的弥补了传统的卷积神经网络识别性能欠佳的特点；同时利用加权核特征分析对特征矩阵降维，提纯了特征，提高了识别率。
-
公开(公告)号：CN102045162A
公开(公告)日：2011-05-04
申请号：CN200910167925.4
申请日：2009-10-16
Applicant: 电子科技大学
Abstract: 本发明涉及一种三模态生物特征持证人身份鉴别系统及其控制方法。包括用于身份鉴别的终端设备硬件装置、终端管理软件、终端服务软件和中心服务软件四大部分。终端设备主要用于采集个人的身份证信息、静态指纹特征图像、声音信号和视频人脸图像；终端管理软件主要负责终端管理、指纹登记、人脸登记、语音特征登记、采集身份证信息和数据分析等功能；终端服务软件主要负责对指纹、语音和人脸特征进行比对并给出基于三模态融合的身份鉴别结果；中心服务软件主要负责存取指纹、语音和人脸特征数据，向终端设备提供检索服务，以及对终端设备的各类服务请求进行控制。该系统可以使用户获得高质量、高可靠性的持证人身份鉴别服务。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.026 seconds)
