公开(公告)号：CN119006819A

公开(公告)日：2024-11-22

申请号：CN202411114276.2

申请日：2024-08-14

Applicant: 电子科技大学

Inventor： 吴昊 ,  羊源婷 ,  岳鲜 ,  张禄 ,  王钧慷 ,  钱伟中 ,  朱钦圣 ,  左锟衡 ,  李晓瑜

IPC: G06V10/26 ,  G06V10/762 ,  G06V10/40 ,  G06V10/80 ,  G06V10/94 ,  G06T7/00 ,  G06N10/60 ,  G06N20/00

Abstract: 本发明公开了基于量子多视图模糊c均值聚类的脑图像分割方法、系统及设备，属于图像处理领域，主要包括：对图像进行多视图特征提取，得到不同视图特征数据，并对不同视图特征数据进行视图自适应特征修正和权重调整；对不同视图特征数据进行参数量子化，其中所述参数包括聚类模糊度和聚类中心；利用目标函数优化量子化后的参数，得到最优的聚类模糊度和聚类中心；基于最优的聚类模糊度和聚类中心，利用视图融合方法整合来自不同视图的特征信息，获取最终的分割效果。本发明通过将模糊C均值聚类算法中的参数量子化，并利用量子位的转换过程获得实数编码值，能够在多个子空间中搜索最优解，可以更有效地处理高维数据并避免局部最优的问题。

公开(公告)号：CN116304883B

公开(公告)日：2025-01-24

申请号：CN202310455574.7

申请日：2023-04-25

Applicant: 电子科技大学

Inventor： 李晓瑜 ,  张禄 ,  余莲会 ,  朱钦圣 ,  杨国武 ,  吴研依

IPC: G06F18/241 ,  G16B40/00 ,  G06N3/08 ,  G06N10/20 ,  G06N3/0464

Abstract: 本发明公开了基于量子卷积的分子图分类方法、系统、存储介质及终端，通过池化模块FPOOL对生物数据集分子图结构数据进行池化；对池化后的分子图节点特征进行量子编码到量子系统上；通过跨量子位门操作实现节点特征传递，得到更新分子图节点特征，其中，所述节点特征传递包括自身节点特征循环和节点间特征传递；根据更新后的分子图节点特征进行量子测量，并根据测量结果进行分子图属性预测。本发明采用可区分池化模块FPOOL对蛋白质分子图进行池化，可以极大的保留原始图特征的同时能够大大减少量子编码的图节点数量以及节点特征维度，从而减少量子比特数量实现量子图卷积神经网络，能够极大地促进生物化学领域图分类任务的研究。

公开(公告)号：CN118967480A

公开(公告)日：2024-11-15

申请号：CN202411092534.1

申请日：2024-08-09

Applicant: 电子科技大学

Inventor： 吴昊 ,  韩雨恒 ,  张禄 ,  朴振宇 ,  王钧慷 ,  钱星宇 ,  许家才 ,  李晓瑜

IPC: G06T5/50 ,  G06T5/60 ,  G06T5/70 ,  G06T5/94 ,  G06V10/40 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06T7/00 ,  G16H50/30 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种多模态医学图像融合及预测方法、计算机程序及终端，属于图像处理技术领域，构建特征融合模型、显式分类器引导的扩散模型；对显式分类器引导的扩散模型进行训练；提取不同模态医学图像的融合特征信息，并输入完成训练的显式分类器引导的扩散模型，利用噪声预测网络去除噪声，生成多模态融合图像。本发明将显式分类器引导的扩散模型应用至医学图像融合领域，在数据恢复过程中显式地利用分类器的指导信息，确保生成的图像在各个阶段都严格遵循预设条件，以弥补隐式扩散模型无法保证生成与预期条件一致的图像的问题，进而保证生成图像的一致性和连贯性，生成清晰的多模态融合图像。

公开(公告)号：CN116304883A

公开(公告)日：2023-06-23

申请号：CN202310455574.7

申请日：2023-04-25

Applicant: 电子科技大学

Inventor： 李晓瑜 ,  张禄 ,  余莲会 ,  朱钦圣 ,  杨国武 ,  吴研依

IPC: G06F18/241 ,  G16B40/00 ,  G06N3/08 ,  G06N10/20 ,  G06N3/0464

Abstract: 本发明公开了基于量子卷积的分子图分类方法、系统、存储介质及终端，通过池化模块FPOOL对生物数据集分子图结构数据进行池化；对池化后的分子图节点特征进行量子编码到量子系统上；通过跨量子位门操作实现节点特征传递，得到更新分子图节点特征，其中，所述节点特征传递包括自身节点特征循环和节点间特征传递；根据更新后的分子图节点特征进行量子测量，并根据测量结果进行分子图属性预测。本发明采用可区分池化模块FPOOL对蛋白质分子图进行池化，可以极大的保留原始图特征的同时能够大大减少量子编码的图节点数量以及节点特征维度，从而减少量子比特数量实现量子图卷积神经网络，能够极大地促进生物化学领域图分类任务的研究。

公开(公告)号：CN118823483A

公开(公告)日：2024-10-22

申请号：CN202411040724.9

申请日：2024-07-31

Applicant: 电子科技大学 ,  喀什地区电子信息产业技术研究院

Inventor： 杨淋 ,  李晓瑜 ,  朱钦圣 ,  吴昊 ,  胡帮勋 ,  张禄 ,  羊源婷

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了基于混合量子神经网络的图像多分类方法、电子设备和存储介质，待处理图像为高维经典图像，方法包括图像分类步骤，包括以下子步骤：利用主成分分析对待处理图像降维；采用基于灵活的量子图像表示方式，将降维后的待处理图像编码为量子态数据；将量子态数据输入到参数化量子电路进行量子态演化，并对演化后的量子态进行测量得到量子态的期望值；将量子态的期望值输入至卷积神经网络CNN的全连接层，全连接层输出图像多分类结果；其中，全连接层的输入维度与主成分分析的降维维度匹配。本发明将混合量子神经网络与经典卷积神经网络的结合，利用CNN强大的特征提取能力，提高了分类的准确性和抗噪性。