-
公开(公告)号：CN111401443B
公开(公告)日：2023-04-18
申请号：CN202010181905.9
申请日：2020-03-16
IPC: G06V10/778 , G06V10/50 , G06V10/56 , G06V10/762
Abstract: 本发明基于多特征提取的宽度学习系统，包括四个子宽度学习系统，每个子宽度学习系统包括特征节点、增强节点和子节点；每个子宽度学习系统先对图像数据集提取一种图像特征，各子宽度学习系统将对图像数据集提取的图像特征合并得到各自的特征节点，再分别通过增强映射函数对各自的特征节点进行增强，形成对应的增强节点；各子宽度学习系统在形成增强节点之后，再将其特征节点与对应的增强节点合并，然后再连接到其子节点中，然后对各子宽度学习系统的子节点的输出进行归一化后再连接到最终输出层。本发明在复杂数据集分类问题上兼有模型训练时间少和分类准确性高的优点。
-
公开(公告)号：CN111401443A
公开(公告)日：2020-07-10
申请号：CN202010181905.9
申请日：2020-03-16
Abstract: 本发明基于多特征提取的宽度学习系统，包括四个子宽度学习系统，每个子宽度学习系统包括特征节点、增强节点和子节点；每个子宽度学习系统先对图像数据集提取一种图像特征，各子宽度学习系统将对图像数据集提取的图像特征合并得到各自的特征节点，再分别通过增强映射函数对各自的特征节点进行增强，形成对应的增强节点；各子宽度学习系统在形成增强节点之后，再将其特征节点与对应的增强节点合并，然后再连接到其子节点中，然后对各子宽度学习系统的子节点的输出进行归一化后再连接到最终输出层。本发明在复杂数据集分类问题上兼有模型训练时间少和分类准确性高的优点。
-
公开(公告)号：CN111461201B
公开(公告)日：2023-09-19
申请号：CN202010237398.6
申请日：2020-03-30
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。
-
公开(公告)号：CN112766405B
公开(公告)日：2023-08-29
申请号：CN202110125639.2
申请日：2021-01-29
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/241 , G06F18/2135
Abstract: 本发明基于多约束子空间投影的传感器数据分类方法，包括步骤：1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域和目标域数据；2)寻找把源域和目标域数据从原始空间映射到某个子空间的投影矩阵P；3)采用P对源域和目标域进行转换，将转换后的数据输入分类器对分类器进行训练和测试，得到训练成功的分类器；4)采用P对传感器实时采集的数据进行转换，并将转换后的数据输入训练成功的分类器进行分类。本发明基于多约束子空间投影的传感器数据分类方法，其采用了优化的投影矩阵P，通过该投影矩阵P对跨域分布的传感器数据进行转换，能够提高跨域分布的传感器数据的分类准确率。
-
公开(公告)号：CN112016041B
公开(公告)日：2023-08-04
申请号：CN202010879648.6
申请日：2020-08-27
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F17/16 , G06F18/241 , G06F18/214 , G06N3/0464
Abstract: 本发明基于格拉姆求和角场图像化和Shortcut‑CNN的时间序列数据实时分类方法，其包括步骤：1)采集时间序列数据；2)归一化采集得到的时间序列数据，得到数据3)在极坐标中对数据进行表示；4)将经步骤3)处理后的数据转换成形状为M×M的格拉姆矩阵，并将格拉姆矩阵保存为灰度图像，称为EEG图像；5)将步骤4)得到的EEG图像输入Shortcut‑CNN模型得出分类结果。本发明解决了常用分类方法不能直接利用二维卷积神经网络对时间序列数据进行高性能实时分类的技术问题，且本发明中Shortcut‑CNN模型与VGG16、浅层CNN相比具有更好的分类性能。
-
Patent Agency Ranking
公开(公告)号：CN110200626A
公开(公告)日：2019-09-06
申请号：CN201910516368.6
申请日：2019-06-14
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: A61B5/0484
Abstract: 本发明提供一种基于投票分类器的视觉诱导晕动症检测方法，包括使用头戴设备Muse的四个通道采集受试者在驾驶车辆驾驶模拟器过程中诱发产生的EEG数据及从受试者的口头报告中采集主观VIMS级别数据的步骤，对数据依次进行滤波、标准化、数据均衡和PCA降维的数据预处理步骤，以及采用由RF分类器、SVM分类器、KNN分类器和XGBoost分类器组成的投票分类器进行分类的VIMS级别分类步骤。本申请采用头戴设备Muse采集连续的EEG数据，因而成本较低，采集数据的通道数较少，且采用投票分类器分类无论在准确率上还是在Kappa指标上都取得了很好的分类性能，对于VIMS症状的检测效果更具有客观性。
-
公开(公告)号：CN111916206B
公开(公告)日：2023-12-08
申请号：CN202010772672.X
申请日：2020-08-04
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明一种基于级联的CT影像辅助诊断系统，其包括服务器端，服务器端包括服务器和与服务器连接的输入设备和输出设备，服务器内保存有图像预处理模块和级联检测模型；级联检测模型包括卷积神经网络、区域建议网络、ROI Pooling层和若干个级联的检测器。本发明通过将医学影像学与计算机图像处理进行结合，来完成病变的自动检测。本发明针对CT病灶特征复杂难以提取的问题，级联检测模型引入了可变形卷积核来替代标准卷积核，即在标准卷积核中增加了2D偏移量，从而能够更好地提取病灶特征。实验结果表明本发明能有效改善病变检测质量，能帮助医生更加快速与准确地完成病例分类与病灶识别，降低医生的工作量。
-
公开(公告)号：CN111916206A
公开(公告)日：2020-11-10
申请号：CN202010772672.X
申请日：2020-08-04
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明一种基于级联的CT影像辅助诊断系统，其包括服务器端，服务器端包括服务器和与服务器连接的输入设备和输出设备，服务器内保存有图像预处理模块和级联检测模型；级联检测模型包括卷积神经网络、区域建议网络、ROI Pooling层和若干个级联的检测器。本发明通过将医学影像学与计算机图像处理进行结合，来完成病变的自动检测。本发明针对CT病灶特征复杂难以提取的问题，级联检测模型引入了可变形卷积核来替代标准卷积核，即在标准卷积核中增加了2D偏移量，从而能够更好地提取病灶特征。实验结果表明本发明能有效改善病变检测质量，能帮助医生更加快速与准确地完成病例分类与病灶识别，降低医生的工作量。
-
公开(公告)号：CN113283530B
公开(公告)日：2022-11-15
申请号：CN202110638024.X
申请日：2021-06-08
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于级联特征块的图像分类系统，其包括宽度学习系统和用于训练宽度学习系统的训练模块，宽度学习系统包括特征块组，特征块组由若干个依次级联的特征块组成，各特征块的输出与Flatten层连接，Flatten层将拼接后的数据输入Top‑level Dropout层，经Top‑level Dropout层处理后的数据输入Top‑level FC层，Top‑level FC层输出分类结果；训练模块为Adam算法。本发明将各特征块级联起来，增加了模型的深度，使宽度学习系统能够学习到更抽象，更具有利于判别的信息，能明显提高宽度学习系统的特征学习能力，提高分类准确率，同时训练和测试时间仍然较短。
-
公开(公告)号：CN113283530A
公开(公告)日：2021-08-20
申请号：CN202110638024.X
申请日：2021-06-08
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明公开了一种基于级联特征块的图像分类系统，其包括宽度学习系统和用于训练宽度学习系统的训练模块，宽度学习系统包括特征块组，特征块组由若干个依次级联的特征块组成，各特征块的输出与Flatten层连接，Flatten层将拼接后的数据输入Top‑level Dropout层，经Top‑level Dropout层处理后的数据输入Top‑level FC层，Top‑level FC层输出分类结果；训练模块为Adam算法。本发明将各特征块级联起来，增加了模型的深度，使宽度学习系统能够学习到更抽象，更具有利于判别的信息，能明显提高宽度学习系统的特征学习能力，提高分类准确率，同时训练和测试时间仍然较短。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.029 seconds)
