-
公开(公告)号：CN115908358B
公开(公告)日：2025-04-04
申请号：CN202211564090.8
申请日：2022-12-07
Applicant: 成都信息工程大学
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种基于多任务学习的心肌图像分割和分类方法，将经过预处理的心脏MRI图像送入跨任务的特征子网，该子网采用级联的深度分离卷积进行多尺度特征提取，训练共享参数。然后，将得到的特征图分别送入到分割子网和分类子网中进行单独训练。分割子网利用多个长跳跃连接将跨任务特征子网中不同层级和尺度的特征图送入到联合金字塔上采样模块进行多尺度特征融合和上采样，得到与原始图像尺寸相同的心肌分割掩膜；分类子网中利用残差注意力机制提取分类所需的深层特征，有效对心脏MRI图像进行分类，得到扩张型心肌病的诊断结果。
-
公开(公告)号：CN118134809B
公开(公告)日：2025-03-28
申请号：CN202410408260.6
申请日：2024-04-07
Applicant: 成都信息工程大学
IPC: G06T5/77 , G06V40/16 , G06V10/774 , G06V10/25 , G06V10/80
Abstract: 本发明提出基于面部属性信息预测的自适应人脸修复网络和装置，通过面部解析网络的微调，从缺失人脸中预测获得完整脸部属性信息，以提供面部结构信息，如缺失人脸应有的姿势、表情和角度等；在面部修复中，区别现有人脸先验信息的方法，通过可分离自适应归一化模块自适应地提取结构信息并进行归一化，将预测的属性信息和输入人脸图像的特征信息进行自适应融合，以准确的结构指导面部结构的生成，最后通过多头判别器的身份提取器获取生成的图像和原始图像的身份信息，使用身份损失约束保证生成中身份的准确性。实验结果表明，本发明方法与现有方法相比，即使在复杂的遮挡部位不同的情况下，也能修复出具有准确结构和清晰纹理的面部图像。
-
公开(公告)号：CN119599857A
公开(公告)日：2025-03-11
申请号：CN202411641402.X
申请日：2024-11-18
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于元学习和强化学习结合的异构GPU资源调度方法与系统，旨在提高大模型训练与推理中的计算资源利用效率，提升任务的适应能力和系统的响应速度。本发明通过任务特征提取、元学习策略初始化、强化学习调度优化、任务调度执行、动态策略调整五个步骤来实现GPU资源的高效调度。其中，元学习模块利用历史任务积累的知识，生成初始调度策略，减少了探索时间；强化学习模块通过环境反馈不断优化调度策略，实现任务的高效分配。系统能够根据不同任务需求和GPU硬件资源的动态变化自适应调整策略，从而实现更高的资源利用率和整体性能优化。
-
公开(公告)号：CN117746171A
公开(公告)日：2024-03-22
申请号：CN202410189155.8
申请日：2024-02-20
Applicant: 成都信息工程大学
IPC: G06V10/77 , G01W1/10 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/045 , G06N3/088 , G06N3/048
Abstract: 本发明提供一种基于对偶学习和辅助信息的无监督气象降尺度方法，涉及数据处理领域，包括：建立无监督气象降尺度模型；获取训练样本，基于训练样本对无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型；获取待降尺度的气象数据；获取待降尺度的气象数据的辅助气象数据，其中，辅助气象数据的分辨率高于待降尺度的气象数据的分辨率；通过训练后的无监督气象降尺度模型基于待降尺度的气象数据及辅助气象数据，生成待降尺度的气象数据对应的降尺度的气象数据，具有提高气象降尺度效率及准确度的优点。
-
公开(公告)号：CN117372644A
公开(公告)日：2024-01-09
申请号：CN202311363583.X
申请日：2023-10-20
Applicant: 成都信息工程大学
IPC: G06T17/10 , G06T15/20 , G06T7/77 , G06T7/80 , G06T3/02 , G06T3/4053 , G06N3/045 , G06N3/0475 , G06N3/0499 , G06N3/088
Abstract: 本发明公开了一种基于周期隐式表示的三维内容生成方法。首先，采用具有周期性激活函数的全连接SIREN网络结合仿射变换操作，为场景中包括背景在内的各个对象创建一个以潜在编码z为条件的三维神经特征场，这不仅保证了合成图像的高保真度，还鼓励了多视角一致性；其次，将这种组合特征场景表示合并至生成模型中，进一步允许了合成图像的可控性。此外，体渲染技术与神经渲染器的有效结合，能够高效地将分辨率较低的中间特征图像映射上采样到更高分辨率的RGB图像，进而提高整体的渲染效率。本发明的感知图像合成方法克服了现有的三维监督需要，实现了从非结构化和无位姿信息的二维图像集合中学习无监督的神经场景表示。
-
Patent Agency Ranking
公开(公告)号：CN116823647A
公开(公告)日：2023-09-29
申请号：CN202310661898.6
申请日：2023-06-06
Applicant: 成都信息工程大学
IPC: G06T5/00 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的图像补全方法，所述图像补全方法提出一种内置傅里叶变换操作的高效补全网络，在实现长距离依赖的同时保证模型的高效率运行，同时补全网络内嵌有聚合型选择性卷积核网络的快速傅里叶变换模块，其中，快速傅里叶变换模块负责补全网络获得全局感受野，聚合型选择性卷积核网络按照各尺度的贡献适应性调整比重，更精确地为模型提供局部性信息补充，最终实现全局融合度更高、局部细节更丰富的图像补全。与现有常有的补全方法进行实验对比，本发明方法生成图像的还原度和清晰度更好，尤其在遮挡率较大的情况下，生成图像局部的语义连贯以及全局的整体契合。
-
公开(公告)号：CN116704580A
公开(公告)日：2023-09-05
申请号：CN202310683248.1
申请日：2023-06-09
Applicant: 成都信息工程大学
IPC: G06V40/16 , G06V40/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于深度信息解耦的泛化性人脸伪造检测方法，首先将人脸图像输入到人脸特征提取基础网络，提取出对应的人脸表征信息，然后传递给深度信息解耦模块，深度信息解耦模块将人脸表征信息解耦为真伪判别相关信息和真伪判别无关信息，真伪判别无关信息包括人脸图像生成方法相关信息和其他信息，如人脸表情等；同时，所述深度信息解耦模块还约束所述真伪判别相关信息与真伪判别无关信息相互独立，进而提高伪造检测模型的鲁棒性和可泛化性。
-
公开(公告)号：CN116312765A
公开(公告)日：2023-06-23
申请号：CN202310122535.5
申请日：2023-02-15
Applicant: 成都信息工程大学
IPC: G16B20/20 , G16B40/20 , G16B30/00 , G06N3/0464
Abstract: 本发明提供了一种基于多阶段的非编码变异对增强子活性影响预测方法，涉及生物信息技术领域，该方法包括获取增强子相关特征，并对其进行预处理；构建并训练基于元学习的染色质特征预测模型；基于特征融合模型得到融合多染色质特征的联合表征；构建和训练基于多染色质特征联合表征的增强子活性预测模型；利用染色质特征预测模型以及增强子活性预测模型预测变异对增强子活性的影响；根据变异对增强子活性的影响，对功能性变异进行筛选。本发明提出了一个有效的增强子活性预测框架，实现变异对增强子活性影响的精确预测，解决了传统方法基于DNA序列进行预测，效果不佳的缺点。
-
公开(公告)号：CN116309748A
公开(公告)日：2023-06-23
申请号：CN202310217798.4
申请日：2023-03-08
Applicant: 成都信息工程大学
IPC: G06T7/33 , G06N3/0464 , G06N3/08 , G06T7/00 , G06N3/0442
Abstract: 本发明涉及一种基于注意力机制的跨模态3D医学图像配准方法，这是一种新的端到端的3D跨模态的深度强化学习配准方法，其中深度强化学习的框架由异步优势行动者评论家方法训练的，将强化学习与注意力感知机制相结合，以探测具有更可靠的图像区域，从而将配准过程引导到正确的方向。专注于三维跨模态刚性图像配准，并且使用3D卷积结合注意力机制对海量体素进行紧凑特征提取，此外使用随机点与对角点替换掉高斯差分的关键点来提高训练效率。这使得模型具有优秀的泛化能力，并且能模拟人类专家的配准过程，使得模型沿着准确的方向完成跨模态的3D医学图像配准。
-
公开(公告)号：CN115908358A
公开(公告)日：2023-04-04
申请号：CN202211564090.8
申请日：2022-12-07
Applicant: 成都信息工程大学
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种基于多任务学习的心肌图像分割和分类方法，将经过预处理的心脏MRI图像送入跨任务的特征子网，该子网采用级联的深度分离卷积进行多尺度特征提取，训练共享参数。然后，将得到的特征图分别送入到分割子网和分类子网中进行单独训练。分割子网利用多个长跳跃连接将跨任务特征子网中不同层级和尺度的特征图送入到联合金字塔上采样模块进行多尺度特征融合和上采样，得到与原始图像尺寸相同的心肌分割掩膜；分类子网中利用残差注意力机制提取分类所需的深层特征，有效对心脏MRI图像进行分类，得到扩张型心肌病的诊断结果。
-
-
-
-
-
-
-
-
-
Search Results
174
records
(took 0.032 seconds)
