-
公开(公告)号：CN101236663B
公开(公告)日：2010-12-08
申请号：CN200710307247.8
申请日：2007-12-29
Applicant: 浙江工业大学
Abstract: 一种基于NURBS曲面积分的心脏容积计算方法，包括以下步骤：1)数据的获取与处理：给定大量的心脏医学图像，从这些图像中获取心脏表面的三维点；2)取上述心脏的三维点云的预设点作为控制点，进行NURBS曲面拟合；3)将NURBS曲面用矩阵表示；4)对上述的NURBS曲面进行积分得到心脏的容积，令A(z)为在高度z处的横截面积，则体积为：本发明提供一种计算精度高、运算速度快、符合临床诊断所需的要求的基于NURBS曲面积分的心脏容积计算方法。
-
公开(公告)号：CN101853485A
公开(公告)日：2010-10-06
申请号：CN201010191582.8
申请日：2010-06-04
Applicant: 浙江工业大学
Abstract: 一种基于近邻传播聚类的非均匀点云简化处理方法，包括以下步骤：1)首先对整体点云进行k近邻计算；2)根据每一个点的密度信息以及曲率信息进行自适应的均匀重采样；3)进行近邻传播聚类简化，设初始点云为D，输出简化后点云为FD，设定简化目标点数目为阈值；对初始点云D采用均匀网格曲率适应性采样方法获得其子点集SD；计算SD中点与点之间的相似度，得到相似度矩阵S，并通过索引获得SD中点的u值；运用近邻聚类算法，S和u作为AP算法输入，计算点间的代表度矩阵和适选度矩阵；每次选出的代表点标号加入到同一个矩阵中，直到达到目标值得到最终点集FD。本发明简化计算、减少占用的内存容量、能有效简化非均匀点云。
-
公开(公告)号：CN101639895A
公开(公告)日：2010-02-03
申请号：CN200910101609.7
申请日：2009-08-14
Applicant: 浙江工业大学
Abstract: 一种基于Similarity-Pictorial结构模型的计算机视觉图像特征提取和匹配方法，包括以下步骤：1)将待提取的计算机视觉图像建立PS模型，PS模型的代价函数包appearance代价函数和结构代价函数；2)在待提取的计算机视觉图像中，用顶点的绝对坐标l i 来表示顶点，并随机的选择其中的一个点作为原点，其他所有点和原点之间的相对关系是确定的；一旦m和D确定下来，PS模型中的结构代价函数t ij (v i ，v j )也就随之确定；3)将基于自相似描述子的模板匹配算法引入PS模型，4)找出代价函数L * 的最小值，即确定计算机视觉图像的匹配点。本发明能够适应不同的光照变化、具有良好的提取效果。
-
公开(公告)号：CN101625761A
公开(公告)日：2010-01-13
申请号：CN200910101515.X
申请日：2009-08-06
Applicant: 浙江工业大学
IPC: G06T7/00
Abstract: 一种基于全局和局部算法的计算机双目视觉匹配方法，包括以下步骤：(1)对双目立体视觉传感器获得的左右两幅图像使用图割法获得一个分层的匹配结果；(2)使用不同窗口大小的窗口匹配法在全局匹配结果的一个小的领域里获得多个不同的局部匹配结果；(3)将这多个局部匹配结果置于一个带有二阶光滑能量函数的马尔可夫随机场中进行迭代优化，得到匹配结果。本发明提供一种能够兼顾全局最优和局部特征、得到更精确的匹配结果的基于全局和局部算法的计算机双目视觉匹配方法。
-
公开(公告)号：CN101320474A
公开(公告)日：2008-12-10
申请号：CN200810063691.4
申请日：2008-06-25
Applicant: 浙江工业大学
IPC: G06T7/00
Abstract: 一种旋转立体视觉的摄像机外参数自标定方法，包括如下：1)旋转立体视觉的半自标定方法就是在一个方向上对摄像机进行手工标定，对得到的摄像机投影矩阵进行分解得到内外参数矩阵；2)再通过从两个方向上对同一物体所拍摄图片求取极点坐标，根据极点坐标、摄像机内参数和旋转矩阵的关系获得旋转轴方向及旋转轴在第一个摄像机坐标系下的平移量；3)最后根据上面得到的参数计算任意方向上的摄像机投影矩阵。本发明提供一种计算简单、只需要两个方位的物体图片就能获取摄像机外参数的自标定方法。
-
Patent Agency Ranking
公开(公告)号：CN114036934B
公开(公告)日：2025-05-27
申请号：CN202111203313.3
申请日：2021-10-15
Applicant: 浙江工业大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06F16/28
Abstract: 一种中文医学实体关系联合抽取方法，包括：医疗关系嵌入表示模块、医疗文本中头实体和尾实体的头尾位置获取模块、医疗文本字词向量及其相对距离计算模块、词汇增强后的字向量输出模块、医疗文本的关系预测模块、医疗文本的字符对向量生成模块、主谓宾三元组输出模块、联合抽取模型训练模块、联合抽取模型的F1分数计算模块、循环训练联合抽取模型模块、医疗文本实体关系获取模块。本发明还包括一种中文医学实体关系联合抽取系统。本发明解决了中文医疗文本中复杂语句的实体嵌套和关系重叠问题，缓解了TPLinker解码矩阵的稀疏，提升了联合抽取模型的收敛速度，通过词汇增强编码单元缓解了中文医疗文本中存在许多专业词汇即使结合上下文也无法准确识别的难题。
-
公开(公告)号：CN119649088A
公开(公告)日：2025-03-18
申请号：CN202411560361.1
申请日：2024-11-04
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于随机图像掩码和双流神经网络的图像分类方法，包括获取待分类图像，输入至训练好的双流神经网络，得到该待分类图像所属的类别。本基于随机图像掩码和双流神经网络的图像分类方法通过掩码图像和拼接图像，实现了对图像数据的双重表征，掩码图像则是通过掩码块对原始图像进行覆盖，迫使网络学习从剩余信息中推断整体内容的能力，拼接图像则是通过拼接被掩码块覆盖的原始图像的局部信息，提供了更为细致的局部特征视图，有助于网络捕获图像的精细结构，同时通过掩码图像和拼接图像训练网络，使网络仅通过图像中的部分信息学习整体的特点，有助于提高网络的泛化能力。
-
公开(公告)号：CN118941786A
公开(公告)日：2024-11-12
申请号：CN202410888284.6
申请日：2024-07-04
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 一种基于双分支证据融合和图卷积神经网络的医学图像分割后处理方法，在预训练好的基础模型MedSAM的基础上，通过Dropout操作重构两个相互独立的输出分支，分别获取双分支的像素分类证据并进行融合，得到融合后的不确定性；以工作区域ROI内的像素点为节点，根据其融合后的不确定性进行标记，低不确定性的节点标签为基础模型的原分割结果，高不确定度的节点没有标签，通过图连接构建加权的半标记图；用加权半标记图中有标签的节点输出计算包含交叉熵损失和Dice损失的联合优化损失，训练图卷积神经网络并对未标记的点进行分类，融合不确定性低的节点标签，得到最终的分割结果。本发明提升了原分割结果中不确定高的区域的分割精度。
-
公开(公告)号：CN118781021A
公开(公告)日：2024-10-15
申请号：CN202410907417.X
申请日：2024-07-08
Applicant: 浙江工业大学
Abstract: 一种基于多尺度轻量化扩散模型的头部皮肤镜影像修复方法，包括以下步骤：步骤1：对原始训练数据进行预处理，对每张影像的毛发遮挡部分制作所对应的mask，并形成各自最后的masked图像；步骤2：构建采用多尺度训练方式的扩散模型，构建全局和局部两个分支，利用全局的图像信息对其局部的修复做结构指导；步骤3：设定网络的输入；步骤4：经过指导及训练生成的patch会修复其各自mask部分，并最终组合到原图形成修复后图像，与对应原始医学图像一起进入判别器计算得分，提高生成质量；步骤5：最小化步骤4中生成图像和对应原始医学图像的之间的误差，对双分支模型进行训练。本发明有效去除原影像遮挡皮肤病理的毛发。
-
公开(公告)号：CN112488048B
公开(公告)日：2024-03-22
申请号：CN202011483184.3
申请日：2020-12-16
Applicant: 浙江工业大学
IPC: G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F17/14
Abstract: 一种基于深度学习及随机阵列的声信号差分特征融合方法，包括波束成形方法和波达方向估计方法，波束成形方法的过程为：输入空间矩阵；空间矩阵通过系数估计CNN得到差分卷积核；构建随机声阵列输入声信号；将声信号变换成频域信号输入随机阵列模拟器；将信号输入差分卷积网络；根据多种选取模式，以取平均的方式完成差分特征提取；处理完成后输入空间滤波CNN，给出结果；波达方向估计方法的过程和波束成形方法总体相似，其中差分卷积核不接受提供的卷积核而是自行初始化；通过波达估计CNN而不是空间滤波CNN输出空间矩阵的估计。本发明通过深度学习的方法提高波达方向估计精度和波束成形的指向性。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.021 seconds)
