公开(公告)号：CN114532994A

公开(公告)日：2022-05-27

申请号：CN202210290299.3

申请日：2022-03-23

Applicant: 电子科技大学

Inventor： 赖大坤 ,  钟岚烽 ,  李未来 ,  向炜曦 ,  康同舟 ,  李恩 ,  高勇

IPC: A61B5/00 ,  A61B5/372 ,  G06K9/62 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积变分自编码器的无监督脑电高频振荡信号(HFOs)自动检测方法。本发明包括：脑电信号预处理模块，对机器记录的原始脑电信号进行切片、筛选、滤波器滤波和归一化处理；短时能量法预筛选模块，运用短时能量法筛选出所有疑似HFOs；小波变换及提取时频图的红色分量模块，运用小波变换生成时频图并提取时频图的红色分量；卷积变分自编码器提取高维特征模块，对于得到的图像，提取高维特征，并对其进行降维处理；K‑means算法聚类模块，使用K‑means算法对卷积变分自编码器的输出进行聚类，得到最终的结果。本发明采用无监督学习的方法，无需使用标签来监督和训练检测算法，规避了手动筛选特征的过程，可以应用于癫痫的临床诊断和指示癫痫致痫灶的起始部位。

公开(公告)号：CN114532994B

公开(公告)日：2023-07-28

申请号：CN202210290299.3

申请日：2022-03-23

Applicant: 电子科技大学

Inventor： 赖大坤 ,  钟岚烽 ,  李未来 ,  向炜曦 ,  康同舟 ,  李恩 ,  高勇

IPC: A61B5/00 ,  A61B5/372 ,  G06F18/10 ,  G06F18/213 ,  G06F18/23213 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明公开了一种基于卷积变分自编码器的无监督脑电高频振荡信号(HFOs)自动检测方法。本发明包括：脑电信号预处理模块，对机器记录的原始脑电信号进行切片、筛选、滤波器滤波和归一化处理；短时能量法预筛选模块，运用短时能量法筛选出所有疑似HFOs；小波变换及提取时频图的红色分量模块，运用小波变换生成时频图并提取时频图的红色分量；卷积变分自编码器提取高维特征模块，对于得到的图像，提取高维特征，并对其进行降维处理；K‑means算法聚类模块，使用K‑means算法对卷积变分自编码器的输出进行聚类，得到最终的结果。本发明采用无监督学习的方法，无需使用标签来监督和训练检测算法，规避了手动筛选特征的过程，可以应用于癫痫的临床诊断和指示癫痫致痫灶的起始部位。

公开(公告)号：CN116524194A

公开(公告)日：2023-08-01

申请号：CN202310591789.1

申请日：2023-05-24

Applicant: 电子科技大学

Inventor： 王国泰 ,  钟岚烽 ,  张少霆

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0895 ,  G06T7/10

Abstract: 该发明公开了一种基于图像级别标签的弱监督图像分割方法，属于图像处理方法。现有的大部分弱监督分割方法都需要额外的任务或者显著图来帮助训练，而额外的任务会增加模型参数和训练时间，不同数据集的显著图的生成效果不一致。本发明提出的弱监督学习方法不需要额外的任务辅助，也不需要显著图，使用一种简单而有效的多层次分类网络产生高质量的类别激活图，而后使用类别概率图融合方法提升伪标签的质量，整个过程更为简洁高效。现有的大部分方法直接使用伪标签训练图像分割网络，忽略了伪标签中的噪声对分割模型性能的限制。利用三个模型相互学习监督，可以有效地降低噪声伪标签带来的影响，得到最终高质量的分割模型。

公开(公告)号：CN118135570A

公开(公告)日：2024-06-04

申请号：CN202410349640.7

申请日：2024-03-26

Applicant: 电子科技大学

Inventor： 钟岚烽 ,  王国泰 ,  张少霆

IPC: G06V20/70 ,  G06V10/762 ,  G06V10/774 ,  G06V10/778 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/091

Abstract: 本发明公开了一种基于主动学习的图像标注与模型训练方法，首先建立图像识别任务收集图像数据进行训练，标注一小部分作为初始有标注数据集，然后使用双视图高置信度伪标签训练方法，将所有有标注的与未标注的图像纳入进行训练，利用训练好的模型对未标注的样本进行推理，得到模型的预测结果及其特征表示，再利用两个网络的预测结果之间的一致性筛选不确定样本，通过特征空间的聚类挑选出代表性的样本，供标注者进行标注，将当前批次的代表性样本标注完成后，加入到有标注数据集进行新一轮的训练，直到标注总量达到预设值。本发明的方法能克服现有基于深度学习的图识别模型所需的标注成本高昂的问题，有效降低所需标注量，得到精确的图像识别模型。

公开(公告)号：CN116188509A

公开(公告)日：2023-05-30

申请号：CN202310437274.6

申请日：2023-04-23

Applicant: 电子科技大学

Inventor： 王国泰 ,  赵乾飞 ,  钟岚烽 ,  张少霆

IPC: G06T7/13 ,  G06T7/00 ,  G06V10/764 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/096 ,  G06N3/09

Abstract: 本发明涉及的是一种高效率三维图像分割方法，属于图像分割技术领域。本发明是通过以下技术方案实现的：首先利用可分离卷积和注意力机制构建轻量化三维图像分割模型LightNet并将其作为学生模型，然后采用知识蒸馏方法进行训练，结合一个性能强大的教师模型，利用教师模型的软标签和类别相似性矩阵对学生模型进行监督，完成LightNet的训练。对于待分割的样本，使用训练后的LightNet模型进行推理得到分割结果。本发明能克服传统的三维分割模型参数量大、占内存大、对计算资源要求高的问题，通过引入轻量化神经网络和知识蒸馏的方法，能够在较少的参数量和计算开销的情况下得到高质量的分割结果。