公开(公告)号：CN114241242B

公开(公告)日：2025-03-21

申请号：CN202111563809.1

申请日：2021-12-20

Applicant: 哈尔滨工程大学

Inventor： 高伟 ,  马瑞 ,  刘清泰

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/26 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/09

Abstract: 本发明属于图像情绪分类技术领域，具体涉及一种基于自注意力交互融合的图像情绪分类方法。本发明通过提取对象检测器输出的特征图来表示对象的低级语义特征，并通过空间费舍尔向量方法，生成情绪图像的对象语义特征表示；使用全卷积神经网络提取显著图，对其进行二值化分割，将二值图的白色区域的最小外接矩形部分图像内容送入预训练的CNN，取倒数第二个全连接层的2048维度向量作为显著区域特征，利用CNN全连接层的输出作为情绪图像的全局外观特征；将这三种深度特征送入自注意力转换网络，生成最终的图像情绪分类结果。本发明能够提供更为精准的图像情绪分类结果，帮助机器理解图像所隐含的情感。

公开(公告)号：CN114242171B

公开(公告)日：2024-09-13

申请号：CN202111565484.0

申请日：2021-12-20

Applicant: 哈尔滨工程大学

Inventor： 高伟 ,  刘清泰 ,  马瑞

IPC: G16B40/00 ,  G06F18/23213 ,  G06F18/24 ,  G06N20/00

Abstract: 本发明属于基于机器学习的BCR相关疾病筛查技术领域，具体涉及一种逻辑回归与多示例学习相结合的BCR分类方法。本发明应用多示例学习的思想，将氨基酸序列相同的BCR序列“聚类”为包，将同时包含阳性与阴性的同序列包标记为阳性。本发明能够有效降低基于机器学习的BCR相关疾病筛查中的假阴性率，提高目前正处于试探性研究阶段的BCR相关疾病筛查的实际应用性。

公开(公告)号：CN107185030A

公开(公告)日：2017-09-22

申请号：CN201710273680.8

申请日：2017-04-25

Applicant: 哈尔滨工程大学

Inventor： 孙志洁 ,  马振刚 ,  马瑞 ,  李莉 ,  鲁玺丽

IPC: A61L26/00

CPC classification number: A61L26/0052 ,  A61L26/0066 ,  A61L26/0085 ,  A61L2300/412 ,  C08L3/02 ,  C08L75/04

Abstract: 本发明提供的是一种高吸附性泡沫敷料及其制备方法。质量分数组成为：淀粉10％‑40％；聚氨酯预聚26％‑40％；交联剂0.6％‑1％；扩链剂0.6‑20％；表面活性剂1.4％‑2％；润湿剂14％‑20％；发泡剂18％‑27％。本发明由于采用淀粉为填料，使敷料不仅具有更高更快的吸水能力，而且淀粉可以有效锁住渗液中的溶质，在为患者提供湿润环境的同时，将渗液中的毒素和微粒等有害物质锁住，实现伤口自清洁效果，减少由于未能及时更换敷料，而造成伤口感染的机率，使伤口愈合更快。其应用包括部分皮层和全皮层伤口，浅表伤口，皮肤压力性溃疡，皮肤溃疡，腿部溃疡，皮肤擦伤，糖尿病溃疡，外科引流等。

公开(公告)号：CN114242171A

公开(公告)日：2022-03-25

申请号：CN202111565484.0

申请日：2021-12-20

Applicant: 哈尔滨工程大学

Inventor： 高伟 ,  刘清泰 ,  马瑞

IPC: G16B40/00 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明属于基于机器学习的BCR相关疾病筛查技术领域，具体涉及一种逻辑回归与多示例学习相结合的BCR分类方法。本发明应用多示例学习的思想，将氨基酸序列相同的BCR序列“聚类”为包，将同时包含阳性与阴性的同序列包标记为阳性。本发明能够有效降低基于机器学习的BCR相关疾病筛查中的假阴性率，提高目前正处于试探性研究阶段的BCR相关疾病筛查的实际应用性。

公开(公告)号：CN114241242A

公开(公告)日：2022-03-25

申请号：CN202111563809.1

申请日：2021-12-20

Applicant: 哈尔滨工程大学

Inventor： 高伟 ,  马瑞 ,  刘清泰

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/26 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像情绪分类技术领域，具体涉及一种基于自注意力交互融合的图像情绪分类方法。本发明通过提取对象检测器输出的特征图来表示对象的低级语义特征，并通过空间费舍尔向量方法，生成情绪图像的对象语义特征表示；使用全卷积神经网络提取显著图，对其进行二值化分割，将二值图的白色区域的最小外接矩形部分图像内容送入预训练的CNN，取倒数第二个全连接层的2048维度向量作为显著区域特征，利用CNN全连接层的输出作为情绪图像的全局外观特征；将这三种深度特征送入自注意力转换网络，生成最终的图像情绪分类结果。本发明能够提供更为精准的图像情绪分类结果，帮助机器理解图像所隐含的情感。