-
公开(公告)号：CN118656059A
公开(公告)日：2024-09-17
申请号：CN202411131546.0
申请日：2024-08-19
Applicant: 南开大学 , 先进计算与关键软件(信创)海河实验室 , 天开宏图(天津)科技有限公司
Abstract: 本发明提供了一种边端设备误触管控检测方法、装置和存储介质，涉及软件工程技术领域，包括：基于页面遍历算法检测各个页面的可访问性；根据页面相似度判定每一个新页面是否需要测试；对当前页面中的控件进行筛选，以确定待检测控件；对待检测控件的中心点进行模拟点击，生成中心点击结果；在距待检测控件的中心点一定距离的控件边缘处进行模拟点击，生成边缘点击结果；将边缘点击结果与中心点击结果进行比较，以确定待检测控件是否存在可访问性问题。本发明结合了静态检测，动态检测，通过模拟用户操作后的资源变化和页面变化来判断待检测控件是否存在可访问性问题。以便为开发人员提供更可靠的可访问性评估和改进建议。
-
公开(公告)号：CN115587627A
公开(公告)日：2023-01-10
申请号：CN202211271767.9
申请日：2022-10-18
Applicant: 南开大学
Abstract: 本发明提供了一种细粒度导向的小目标检测方法，包括以下步骤：预处理小目标检测数据集，利用滑动窗口对训练图像进行裁剪；根据标注框位置信息，生成分割分支伪标签；对裁剪后的小目标图像做数据增强，再分别输入特征提取网络模型；将输出的特征矩阵输入到小目标检测分支和分割分支；小目标检测分支和分割分支并行训练、独立优化；直至特征提取网络模型收敛，训练阶段结束；测试阶段，移除分割分支，分割分支不参与模型推理过程。本发明在网络训练过程中，新增分割分支，引导特征提取网络对于输入图像细粒度特征的学习，并设计分割分支伪标签，消除背景噪音的影响，且在不增加模型推理计算代价的前提下针对性地提高模型对小目标检测能力。
-
公开(公告)号：CN114881148A
公开(公告)日：2022-08-09
申请号：CN202210507772.9
申请日：2022-05-11
Applicant: 南开大学
Abstract: 本发明提供了一种基于特征重路由的多分类器优化方法，包括以下步骤：S1：构建MCN模型；S2：对于骨干网的每一层权值wi和输出的特征fi按比例参数τi拆分成；S3：MCN模型的前向传播Forward与反向传播Backward为：πi(·)表示该分类器的输出；表示被多个分类器共享的权值wi对应的多个分类器对其梯度的总和。本发明通过分拆多分类器共享的特征值来减少各个分类器的共享权值数量，从而避免学习冲突，同时通过复用不同分类器学习到的不同尺度的特征，提升MCN的性能；此外，基于特征重路由，MCN在训练过程中还可以降低反向传播计算复杂度，从而加速MCN的训练。
-
公开(公告)号：CN111768002B
公开(公告)日：2021-06-22
申请号：CN202010661226.1
申请日：2020-07-10
Applicant: 南开大学
Abstract: 本发明提供了一种基于弹性有效位的深度神经网络量化方法，将定点数或者浮点数量化为具有弹性有效位数的量化值，丢弃多余的尾数部分，并采用可行求解的方式来定量评价量化值与原始数据的分布差异。本发明具有弹性有效位的量化值，通过不同的有效位，量化值的分布可以覆盖从长尾到均匀的一系列钟形分布，适应DNNs的权值/激活分布，从而保证低的精度损失；乘法计算在硬件上可以由多次的移位加法实现，提升量化模型的整体效率；分布差异函数定量地估计不同量化方案带来的量化损失，可以在不同的条件下选择最优的量化方案，实现更低的量化损失，提升量化模型的精度。
-
公开(公告)号：CN110223291A
公开(公告)日：2019-09-10
申请号：CN201910534317.6
申请日：2019-06-20
Applicant: 南开大学
Abstract: 本发明公开一种基于损失函数的训练眼底病变点分割网络方法，使用损失函数来训练深度分割网络，来对眼底病变点进行高效地分割。根据指示器函数的结果，判断负样本被保留还是丢弃，指示器函数取值为1则保留负样本，反之则丢弃负样本。以此来提高网络的判别能力和学习速率，其中，易分样本以较高的概率丢弃，难分样本以较低的概率丢弃；在保留难分样本的情况下，可以节约大量的样本选择时间，从而使得网络集中在难分样本的学习上。本发明可解决类平衡交叉熵损失函数造成的分割网络误分情况多和学习效率较低的问题，对眼底病变点进行高效分割。
-
Patent Agency Ranking
公开(公告)号：CN119991691A
公开(公告)日：2025-05-13
申请号：CN202510475199.1
申请日：2025-04-16
Applicant: 南开大学
IPC: G06T7/10 , G06N3/0895 , G06N3/096
Abstract: 本发明涉及医疗图像处理技术领域，具体涉及一种跨频协同训练的半监督口腔科影像分割方法，旨在解决现有半监督分割方法在医学图像分割中教师模型自学习能力不足、忽视频域信息及混合机制破坏病变结构的问题；通过小波变换将图像分解为低频、高频和全频图像，采用两个专长学生网络和一个综合教师网络协同训练，利用交叉熵与Dice损失监督有标注数据，结合跨频一致性与全频一致性损失挖掘无标注数据；通过不确定性跨频混合机制，在高置信度图像块间双向循环混合生成新样本，保留目标结构完整性。提供了一种高效、准确的分割方案，为口腔治疗术前评估提供可靠支持，降低临床劳动成本并提升治疗成功率。
-
公开(公告)号：CN118656125B
公开(公告)日：2024-11-15
申请号：CN202411146900.7
申请日：2024-08-21
Applicant: 南开大学 , 先进计算与关键软件(信创)海河实验室 , 天开宏图(天津)科技有限公司
Abstract: 本发明提供了一种云边端协同检测克隆代码的方法、装置和存储介质，涉及软件工程技术领域，包括：对两个待比较的可执行文件进行解析筛选出疑似克隆代码对；进行符号执行，获取路径约束特征，进行符号执行期间遵循如下策略：当符号执行运行在某个节点的时间超过第一阈值后，舍弃此分支；当符号执行运行在某个分支时，检测到占用内存空间资源超过第二阈值，舍弃此分支；当符号执行遇到循环结构或者递归调用结构时，只运行一次循环和递归调用的内部代码，再跳出循环和递归；使用特解判断疑似克隆代码对的约束表达式是否等价。本发明通过符号执行技术获取二进制代码新的代码特征，路径约束，从而实现代码语义克隆检测，提升了代码克隆检测准确度。
-
公开(公告)号：CN118656059B
公开(公告)日：2024-10-25
申请号：CN202411131546.0
申请日：2024-08-19
Applicant: 南开大学 , 先进计算与关键软件(信创)海河实验室 , 天开宏图(天津)科技有限公司
Abstract: 本发明提供了一种边端设备误触管控检测方法、装置和存储介质，涉及软件工程技术领域，包括：基于页面遍历算法检测各个页面的可访问性；根据页面相似度判定每一个新页面是否需要测试；对当前页面中的控件进行筛选，以确定待检测控件；对待检测控件的中心点进行模拟点击，生成中心点击结果；在距待检测控件的中心点一定距离的控件边缘处进行模拟点击，生成边缘点击结果；将边缘点击结果与中心点击结果进行比较，以确定待检测控件是否存在可访问性问题。本发明结合了静态检测，动态检测，通过模拟用户操作后的资源变化和页面变化来判断待检测控件是否存在可访问性问题。以便为开发人员提供更可靠的可访问性评估和改进建议。
-
公开(公告)号：CN116579030A
公开(公告)日：2023-08-11
申请号：CN202310561814.1
申请日：2023-05-18
IPC: G06F21/78 , G06F12/1009 , G06F9/54
Abstract: 本发明提供了一种扩展物联网设备上安全资源的内存优化方法，包括以下步骤：步骤1：对计算任务进行预处理，获得计算任务运行需要的内存大小和计算任务输入参数的内存大小；步骤2：根据计算任务运行需要的内存大小确定安全内存大小；根据计算任务输入参数的内存大小和传输延迟确定共享内存大小；步骤3：在物理内存中设置共享内存地址域和安全内存地址域；步骤4：优化页表重映射操作：完成页表的全部映射后重置页表的映射。本发明从软硬件协同角度共同修改，扩展了物联网设备可用安全内存大小，可以将计算任务全部部署在TEE内，保护计算任务的全部过程，并且仅需一次世界切换操作即可在TEE内完成所有的计算，提高了计算效率。
-
公开(公告)号：CN116258730B
公开(公告)日：2023-08-11
申请号：CN202310545669.8
申请日：2023-05-16
Applicant: 先进计算与关键软件(信创)海河实验室 , 南开大学
IPC: G06T7/10 , G06N3/0455 , G06N3/084 , G06N3/0895 , G06T7/00
Abstract: 本发明提供了一种基于一致性损失函数的半监督医学图像分割方法，属于神经网络技术领域，使用基于频域和多粒度相似度一致性约束来训练分割网络，通过利用有限标注样本和大量无标注样本来对医学图像进行高效地分割。根据频域和区域多粒度一致性约束，可以为无标注数据提供相应的监督信号，进而模型可以同时利用有标注和无标注数据训练模型，其中，频域一致性利用离散余弦变换将图像变换到频域；多尺度区域一致性可以利用区域一致性信息，可以为模型提供丰富的区域语义信息。本发明可减少全监督深度学习分割模型对标注数据的需求，从而减少90%标注成本，可以使得模型在有限标注样本的指导学习下利用大量无标注数据。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.022 seconds)
