-
公开(公告)号:CN114913343A
公开(公告)日:2022-08-16
申请号:CN202210674288.5
申请日:2022-06-14
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于通道自监督的在线知识蒸馏方法,包括:粗粒度特征提取步骤:将数据进行归一化处理后的输出结果output分别输入到两个网络模型中进行特征提取;自监督学习步骤:将经过粗粒度特征提取步骤后的特征图输入到样本多样性模块中进行特征转换操作,对数据输出不同的联合标签;在线动态蒸馏步骤:通过对两个网络模型分别设置一个动态系数对具有同样特征转换的分支之间进行相互学习,不断优化两个网络多样性模块的权重,并在损失函数值最小时输出输入样本的标签。本发明随着样本、网络和分支多样性的增强,样本数据量变大,人工标注标签任务繁琐,在知识蒸馏中加入自监督学习,使其不需要人工干预,可以降低成本和资源。
-
公开(公告)号:CN114972791B
公开(公告)日:2025-04-25
申请号:CN202210626206.X
申请日:2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置,涉及图像处理领域。首先,获取原始图像及原始图像的类型标签;将原始图像输入预先构建的图像分类模型,图像分类模型包括特征提取网络和类型预测网络,特征提取网络包括N个依次串联的卷积层;再利用特征提取网络对原始图像进行特征提取,得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图;基于第一特征图、类型标签和预设的多个二值掩码,生成第一训练集,基于第二特征图、类型标签和多个二值掩码,生成第二训练集;最后,利用第一训练集和第二训练集对类型预测网络进行训练,得到训练后的图像分类模型,从而减少模型训练过程产生的额外开销。
-
公开(公告)号:CN116091860A
公开(公告)日:2023-05-09
申请号:CN202211492454.6
申请日:2022-11-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/20 , G06V10/764 , G06V10/82 , G06T7/11 , G06T3/40
Abstract: 本发明涉及一种丰富数据模式的数据增强方法,包括:将每个样本图像框选一个与样本图像大小一样的图像框,将样本图像朝图像框某一个方向移动,且移动的距离小于移动方向上样本图像的长度;将移出图像框外的图像信息作为填充部分重新填充会完成图像移动步骤后图像框中的空白区域,与图像框内的图像信息构成跟原始样本图像大小相同的新样本图像,实现样本数据的增强。本发明通过简单有效地操作,产生新的训练样本,可以在已有的数据增强方法上无缝叠加,能在已有的数据增强方法产生的样本基础上,生成更多的新的训练样本,而更多的训练样本意味着训练数据集具有更为丰富的数据模式,从而提高网络模型的性能,以及网络模型的鲁棒性和泛化性。
-
公开(公告)号:CN114972791A
公开(公告)日:2022-08-30
申请号:CN202210626206.X
申请日:2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置,涉及图像处理领域。首先,获取原始图像及原始图像的类型标签;将原始图像输入预先构建的图像分类模型,图像分类模型包括特征提取网络和类型预测网络,特征提取网络包括N个依次串联的卷积层;再利用特征提取网络对原始图像进行特征提取,得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图;基于第一特征图、类型标签和预设的多个二值掩码,生成第一训练集,基于第二特征图、类型标签和多个二值掩码,生成第二训练集;最后,利用第一训练集和第二训练集对类型预测网络进行训练,得到训练后的图像分类模型,从而减少模型训练过程产生的额外开销。
-
公开(公告)号:CN114972790A
公开(公告)日:2022-08-30
申请号:CN202210625461.2
申请日:2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质,涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本,将图像样本输入至图像分类模型,在图像分类模型中的任意一层卷积层中,从图像样本中提取出多张具有不同通道的特征图像。其中,不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签,以及该图像样本已标注的类型标签,计算得到图像分类模型的损失值,基于该损失值调整图像分类模型的参数。重复执行上述步骤,以使可以达到预期训练目标。如此,由于没有增加输入图像分类模型的图像样本的数量,使得每次模型训练耗费的时间更少。
-
公开(公告)号:CN119400366A
公开(公告)日:2025-02-07
申请号:CN202411500354.2
申请日:2024-10-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H30/40 , G16H50/50 , G06N3/096 , G06T7/00 , G06V10/774 , G06V10/82 , G06V10/764
Abstract: 本发明涉及一种利用术前CT图像对转换疗法进行预测的方法,属于图像处理领域,包括:对数据进行预处理得到用于对深度学习模型进行训练的图像;在知识蒸馏的基础上加入多次模型迭代,并引入标签平滑、余弦动态学习率调整和模型噪声,得到对模型进行训练的渐进式蒸馏方法;按照设定比例划分的训练集和测试集对采用EfficientNet并加载ImageNet的模型进行多轮次训练和测试,并通过经过多轮次训练和测试后的最终模型进行预测,得到预测结果。本发明能够将原发性肿瘤的计算机断层扫描征象与人工智能相结合,预测胃癌晚期患者对转换疗法的反应,产生很好的诊断效果。
-
公开(公告)号:CN116664523A
公开(公告)日:2023-08-29
申请号:CN202310642810.6
申请日:2023-06-01
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/82 , G06V10/764 , G16H50/20
Abstract: 本发明公开了基于深度学习构建肾透明细胞癌分级模型的方法,包括获取肾透明癌细胞患者的CT图像;CT图像进行切割,获得切割图像;对切割图像进行旋转生成操作并标注,基于RegNetY400MF、RegNetY800MF、SE‑ResNet50和ResNet101四类网络模型,以普通交叉熵为损失函数,使用旋转后的切割图像对四类网络模型进行预训练;在普通的交叉熵中加入噪声修正策略作为损失函数,对经过预训练的四类网络模型进行实际训练;实际训练完成后的四类网络模型基于输出概率最大的CT图像对患者的病理进行诊断,获得四类网络模型的表现AUC;以四类网络模型的表现AUC作为其权重,对患者的最终诊断进行加权计算,得到其最终诊断,本申请实现了更有效的模型集成,达到了更好的最终预测准确度。
-
公开(公告)号:CN114972790B
公开(公告)日:2024-12-20
申请号:CN202210625461.2
申请日:2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质,涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本,将图像样本输入至图像分类模型,在图像分类模型中的任意一层卷积层中,从图像样本中提取出多张具有不同通道的特征图像。其中,不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签,以及该图像样本已标注的类型标签,计算得到图像分类模型的损失值,基于该损失值调整图像分类模型的参数。重复执行上述步骤,以使可以达到预期训练目标。如此,由于没有增加输入图像分类模型的图像样本的数量,使得每次模型训练耗费的时间更少。
-
公开(公告)号:CN116741380A
公开(公告)日:2023-09-12
申请号:CN202310743593.X
申请日:2023-06-21
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H50/30 , G06V10/774 , G06V10/80 , G06V10/764 , G06T7/10
Abstract: 本发明公开了肝胆管细胞癌术后的复发情况预测方法,涉及计算机技术领域,包括S1构建复发情况预测模型,复发情况预测模型包括图像分割模块、指标数据分析模块和预测分析模块;S2获取训练数据集,训练数据包括CT图像和病例指标;S3训练数据集导入复发情况预测模型,并对其进行训练优化;S4获取待预测数据;S5利用优化后的复发情况预测模型对待预测数据进行分析得到,肝胆管细胞癌术后的复发情况;除了对CT图像进行充分利用外,本方法还将病例所对应的指标数据与其图像数据进行了融合使用,以补充CT图像无法表达的信息。通过不断地优化训练,最终得到了具有良好性能的术后复发情况预测模型。
-
公开(公告)号:CN115937592A
公开(公告)日:2023-04-07
申请号:CN202211599181.5
申请日:2022-12-12
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06V10/40 , G06V10/82 , G06N3/088 , G06V10/774 , G16H30/20 , G06N3/0455
Abstract: 本发明涉及一种基于潜层表征的主动学习样本标注方法,述样本标注方法包括:S1、特征提取步骤:通过自动编码器模拟从病理图像中提取潜层的表征;S2、判别步骤:将病理图像作为判别器D的输入,训练一个二分类模型,通过判别器D区分有标签和无标签的样本数据集,得到概率值;S3、样本标注步骤:设置样本选择策略ALHS,根据判别器的输出概率值分布通过样本选择策略ALHS选择未标注的样本进行标注,实现病理数据集的自动标注。本发明能够极大减轻病理学家标注数据集的沉重负担,能够缓解样本冗余问题,提高样本选择的质量;能够极大地节省样本标注成本;通用性强,能适用于类不平衡和噪声样本的场合。
-
-
-
-
-
-
-
-
-