公开(公告)号：CN118052219A

公开(公告)日：2024-05-17

申请号：CN202311663858.1

申请日：2023-12-05

Applicant: 重庆邮电大学

Inventor： 乔丽红 ,  程龙 ,  舒禹程 ,  栾晓 ,  肖斌

IPC: G06F40/189 ,  G06F40/194 ,  G06F40/30 ,  G16H15/00 ,  G16H30/40 ,  G16H50/20

Abstract: 本发明公开了一种基于细粒度硬区域挖掘用于医学图像文本对齐的算法，与现有的跨模态单一匹配不同，本发明利用所有正区域来扩展跨模态对齐范围，使模型能够学习更鲁棒的图像表示。本发明还能够逐渐消除硬区域的模糊语义，并通过更多地关注硬区域的跨模态对齐来对更清晰划分的边界进行建模。此外，本发明通过消除报告中的语法差异来减轻图像文本对的早期对齐困难。综合实验证明了本发明在下游医学图像理解任务中的有效性和鲁棒性。

公开(公告)号：CN106971201A

公开(公告)日：2017-07-21

申请号：CN201710178952.6

申请日：2017-03-23

Applicant: 重庆邮电大学

Inventor： 胡军 ,  程龙 ,  欧阳卫华

IPC: G06K9/62

Abstract: 本发明公开一种基于集成学习的多标签分类方法，包括以下步骤：预先设置参数m，k，t；然后对原始训练样本集进行聚类，根据聚类结果计算标签的重要性程度；再依据标签重要性程度，从原始训练集中获取m个训练集学习基分类器；最后将基分类器的训练结果进行集成，得到最终的分类结果。本发明在已知训练样本及其标签的情况下，通过聚类的方法预先学习样本的属性，因为在多标签的问题中，一组标签其实是属性的另一种表达，建立这种标签表达属性的关系，也即哪些标签可以表达什么样的属性，可以保证在后续的集成学习过程中基分类器的训练集之间的多样性。