-
公开(公告)号：CN115147647A
公开(公告)日：2022-10-04
申请号：CN202210739513.9
申请日：2022-06-28
Applicant: 大连理工大学
IPC: G06V10/764 , G06V10/774 , G06F21/57 , G06N20/00
Abstract: 本发明属于深度学习系统安全技术领域，一种基于有损图像压缩的深度学习模型后门构造方法。从训练数据集中的每个标签类选取部分原始图像作为待投毒样本；通过基于DCT变换的有损图像压缩技术对待投毒样本进行图像压缩并将待投毒样本的标签类修改为目标标签类别，得到中毒样本；中毒样本与其余干净样本混合得到中毒训练集；使用中毒训练集训练模型或将其作为第三方数据集直接由用户训练，从而得到含有后门漏洞的深度学习图像分类模型；该模型对正常输入样本保持正常性能的预测，同时会将经过有损图像压缩的中毒图像预测为攻击目标类标签。本发明隐蔽性强、抗压缩、省时高效且健壮，使后门攻击的威胁性大大增加，为深度学习模型安全性研究作出了贡献。
-
公开(公告)号：CN115131821A
公开(公告)日：2022-09-30
申请号：CN202210746927.4
申请日：2022-06-29
Applicant: 大连理工大学
Abstract: 本发明属于目标检测和多目标跟踪技术领域，提出一种基于改进YOLOv5+DeepSort的校园人员穿越警戒线检测方法。获取摄像头图像视频流并划取任意条警戒线；摄像头图像输入改进的YOLOv5模型进行特征提取，将输入图像分割成若干大小相同的网格；对检测到的校园人员给出多个预测框，获得最优目标框即目标位置；将目标位置信息和目标框信息同步到DeepSort目标跟踪算法；通过卡尔曼滤波器来预测校园人员运动趋势。本发明改进的YOLOv5模型与DeepSort目标跟踪算法进行融合，对校园人员目标进行实时跟踪并得到校园人员中心与警戒线的距离，报警阈值基于跟踪边界框的曼哈顿距离，及时指导人员进行保卫工作。
-
公开(公告)号：CN113269133B
公开(公告)日：2025-01-03
申请号：CN202110667185.1
申请日：2021-06-16
Applicant: 大连理工大学
IPC: G06V20/17 , G06V20/40 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0455
Abstract: 本发明属于无人机视觉领域，涉及一种基于深度学习的无人机视角视频语义分割方法。本发明针对图像语义分割问题，设计一种“编码器‑解码器”非对称网络结构，其中编码器阶段融合通道分片(Channel Split)和通道重组(ChannelShuffle)去改进Bottleneck结构，以进行下采样和特征提取，解码器阶段基于空间金字塔多特征融合模块以抽取丰富的特征并进行融合，最后进行上采样得到分割结果。随后，针对视频语义分割问题，将本发明设计的图像分割模型作为视频语义分割的分割模块，结合光流法改进关键帧选择策略并进行特征传递，减少冗余，加快视频分割速度。
-
公开(公告)号：CN116758350A
公开(公告)日：2023-09-15
申请号：CN202310715739.X
申请日：2023-06-16
Applicant: 大连理工大学
IPC: G06V10/764 , A61B8/08 , A61B8/00 , G06V10/774 , G06V10/82 , G06T7/00 , G16H50/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于人工智能的乳腺癌超声图像诊断辅助方法，目的是提供一种高精度分类模型辅助医生进行诊断。所述方法包括图像预处理和卷积神经网络模型的训练。首先，在数据预处理部分，本发明采用拉普拉斯算子对图像进行边缘提取与锐化，增强图像清晰度，同时对图像进行数据增强和标准化处理。其次，在模型训练部分，本发明采用RepVGG作为基线模型，结合注意力机制模块，将位置信息嵌入通道注意力中，并替换网络模型的最后一层为自定义多分支卷积结构，采用交叉熵损失和焦点损失的加权和结果作为模型的损失函数，最后通过消融实验，得出网络的最优模型。本发明对乳腺超声图像的自动分析和诊断具有重要意义。
-
公开(公告)号：CN116050247A
公开(公告)日：2023-05-02
申请号：CN202211555055.X
申请日：2022-12-06
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/13 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 一种用于求解未知外部驱动力作用下的有界振动杆位移分布的耦合物理信息神经网络，提出一种新的PINN，称为C‑PINN，用于求解有界振动杆在具有较少或甚至没有任何先验信息的外部驱动力作用下的位移分布。包含两个神经网络，NetU和NetG。NetU逼近满足所研究有界振动杆的位移分布；NetG用于正则化NetU中的u以满足NetU逼近的位移分布。将两个网络集成为一个数据‑物理混合的损失函数中。此外，利用所提出的分层训练策略对该损失函数进行优化，实现两个网络的耦合。最后，验证C‑PINN在求解有界振动杆在外部驱动力作用时位移分布的性能。本发明的C‑PINN适用于解决具有外部驱动作用下并与时间空间具有依赖关系的多类动态系统，即包括求解在外部热源作用下的温度分布，电磁波在外源影响下的电磁分布等。
-
Patent Agency Ranking
公开(公告)号：CN113269133A
公开(公告)日：2021-08-17
申请号：CN202110667185.1
申请日：2021-06-16
Applicant: 大连理工大学
Abstract: 本发明属于无人机视觉领域，涉及一种基于深度学习的无人机视角视频语义分割方法。本发明针对图像语义分割问题，设计一种“编码器‑解码器”非对称网络结构，其中编码器阶段融合通道分片(Channel Split)和通道重组(ChannelShuffle)去改进Bottleneck结构，以进行下采样和特征提取，解码器阶段基于空间金字塔多特征融合模块以抽取丰富的特征并进行融合，最后进行上采样得到分割结果。随后，针对视频语义分割问题，将本发明设计的图像分割模型作为视频语义分割的分割模块，结合光流法改进关键帧选择策略并进行特征传递，减少冗余，加快视频分割速度。
-
公开(公告)号：CN107133686A
公开(公告)日：2017-09-05
申请号：CN201710198680.6
申请日：2017-03-30
Applicant: 大连理工大学
Abstract: 本发明属于多学科和技术相互交叉结合的应用领域，具体涉及一种基于时空数据模型的城市级PM2.5浓度预测方法。首先利用开发的在线数据采集系统采集城市级PM2.5浓度数据；综合考虑模型可解释性、数据易获得和模型复杂度，确定最佳的模型预测因子，进而确定模型类型和模型结构；再根据实际采集PM2.5浓度数据的缺失情况和确定的模型结构，确定对缺失PM2.5浓度数据的插值算法；最后根据模型预测精度，确定能进行实时在线预测的算法。本发明能够充分利用随手可得的数据，确定模型结构，进而建立有效的城市级PM2.5浓度预测模型。
-
公开(公告)号：CN118887282A
公开(公告)日：2024-11-01
申请号：CN202410932020.6
申请日：2024-07-12
Applicant: 大连理工大学
Abstract: 本发明属于医学影像处理技术领域，提出基于医学影像数据提取血管中心线及其形态学参数的方法。该方法包括以下步骤：S1、获取血管医学影像数据；S2、基于血管医学影像数据对血管进行三维重建；S3、对重建后的血管数据进行分割处理，提取分割后的血管中心线，计算血管中心线的形态学参数。本发明提供了一种无需建立精确数学模型、仅依赖血管中心线点的三维坐标即可获取血管中心线形态学参数的方法，实现通过医学影像数据确定血管形态学参数，提高血管影像的可用性和诊断准确性，便于分析病因与血管形态学参数之间的相关性，为临床医生提供更可靠的决策支持，从而更好地服务于临床需求。
-
公开(公告)号：CN118196116A
公开(公告)日：2024-06-14
申请号：CN202410298319.0
申请日：2024-03-15
Applicant: 大连理工大学
Abstract: 本发明属于医学与人工智能交叉应用领域，公开一种基于深度学习的MRI图像分割方法，步骤如下：首先，在数据预处理部分，采用一种基于高斯‑拉普拉斯组合滤波方式对图像进行降噪和边缘提取，增强不同区域间的对比度，同时对图像进行数据增强和标准化处理。其次，在模型训练部分，本发明采用nnU‑Net作为基线模型，结合2D UNet主干网络，其网络中包含着对称的编码器和解码器，通过提取我们传入图像的特征，并将特征图上采样到原始图像大小的操作，来进行分割预测。同时采用Dice和交叉熵作为模型的损失函数，最后通过集成选择，得出网络的最优模型。
-
公开(公告)号：CN117710887A
公开(公告)日：2024-03-15
申请号：CN202311727307.7
申请日：2023-12-15
Applicant: 大连理工大学
IPC: G06V20/52 , G06V40/20 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于目标检测领域，特别是涉及一种基于YOLOv5的行人携物检测方法。本发明将整个行人携物检测图像作为网络输入，并直接在输出层回归边界框的位置和类别，将目标检测问题转化为回归问题，从端到端一步解决。本发明提出了MOB‑YOLO网络结构，选择轻量化网络MobileNet v2作为特征提取的主干网络，大大减少模型的参数和计算量，并提高模型的运行速度。使用EIoU损失函数修正并优化原有的边界框损失函数。虽然非线性激活函数作为ReLU的替代品可以显著提高神经网络的准确性，但在移动设备等嵌入式环境中计算成本较高，本发明通过分段线性的非线性激活函数Hard‑Swish在保证准确性的同时降低计算成本。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.022 seconds)
