-
公开(公告)号：CN102710212A
公开(公告)日：2012-10-03
申请号：CN201210190521.9
申请日：2012-06-11
Applicant: 桂林电子科技大学
Abstract: 本发明为永磁同步直线电机改进的迭代学习控制方法与控制系统，本控制方法采用时间轴与迭代轴的叠加的迭代控制律算法求得永磁同步直线电机定子的控制电压；在迭代控制律算法的时间轴上引入一个初始控制量u0，并设计了自适应因子α；迭代学习律的永磁同步直线电机k+1迭代的控制电压控制电压还增加前馈控制量。本控制系统含嵌入式控制器、与PMLSM定子相连的功率驱动模块、安装于PMLSM的动子位移传感器。本发明避免了初期迭代轨迹的摆动震荡，加快迭代收敛速度；提高了控制精度达0.55%。
-
公开(公告)号：CN120013783A
公开(公告)日：2025-05-16
申请号：CN202510091420.3
申请日：2025-01-21
IPC: G06T5/60 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于深度学习的病理图像批次效应优化方法及系统，该方法包括：获取病理样本图像并进行图像预处理，得到待处理的多中心病理图像数据；引入批次鉴别器训练模块与批次对抗模块，构建批次效应优化神经网络模型；基于批次效应优化神经网络模型对待处理的多中心病理图像数据进行病理图像批次效应优化处理，得到优化后的多中心病理图像数据。通过使用本发明，能够减弱多中心病理图像数据的批次效应，进而提高模型对多个中心数据的适应性和预测准确性。本发明作为一种基于深度学习的病理图像批次效应优化方法及系统，可广泛应用于图像识别技术领域。
-
公开(公告)号：CN119358628A
公开(公告)日：2025-01-24
申请号：CN202411423926.1
申请日：2024-10-12
Applicant: 桂林电子科技大学 , 桂林奥普计算机网络集团有限公司
IPC: G06N3/0895 , G06N3/098 , G06V10/82 , G06V10/771
Abstract: 本发明提出了一种基于联邦学习的自监督预训练方法，以提升肝癌图像分割效果。医学图像分割旨在准确提取感兴趣区域，以辅助诊断与治疗，但传统方法依赖大量标注数据，在医学领域难以获得。本方法利用ViT编码器对无标注的肝癌遮掩图像进行特征学习，并通过ViT解码器重建遮掩像素块，随后传递嵌入特征给下游任务；结合当前本地模型与上一轮全局模型，优化训练过程，减少当前模型与全局模型特征表示距离，同时增加与本地模型特征表示距离，通过对比使客户端模型逐步接近全局模型，获得较优全局模型对肝癌图像进行分割。本方法有效缓解数据异构性导致的性能下降，提高模型的泛化能力，解决数据标签不足的问题，从而推动人工智能辅助医疗领域的应用。
-
公开(公告)号：CN107485387B
公开(公告)日：2024-03-29
申请号：CN201710863101.5
申请日：2017-09-21
Applicant: 桂林电子科技大学
Abstract: 本发明提供了一种穴位自动跟踪系统以及方法，该系统包括穴位采集装置以及服务器。所述穴位采集装置包括手环本体以及设置在所述手环本体上的加速传感器、电子针灸模块、经络信号采集模块、预处理模块、无线通信模块以及报警模块，所述预处理模块与所述加速传感器、所述经络信号采集模块、所述电子针灸模块、所述无线通信模块以及所述报警模块连接，所述穴位采集装置与所述服务器建立无线通信连接。该系统可以缓解目前用户只有在主动进行测量时，才能获取到自己的身体状况，且获取到的身体状况不能体现用户病情严重程度的问题。
-
公开(公告)号：CN117036811A
公开(公告)日：2023-11-10
申请号：CN202311020950.6
申请日：2023-08-14
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/25 , G06V10/26 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于双分支融合网络的病理图像智能分类系统及方法，包括：将病理图像进行图像预处理，获得病理图像的图数据结构和固定大小的病理图像；将所述病理图像的图数据结构和固定大小的病理图像进行特征提取，获得包含病理图像类别信息的图特征和包含病理图像类别信息的深度卷积特征；将所述包含病理图像类别信息的图特征和包含病理图像类别信息的深度卷积特征进行特征融合，获得病理图像的最终分类结果。模型主要针对乳腺癌病理图像分类进行设计，在BRACS上取得了目前最佳的分类性能67.03％。同时模型也在直肠癌CRA数据集上进行验证，同样取得了目前最佳的性能97.33％。
-
Patent Agency Ranking
公开(公告)号：CN116543226A
公开(公告)日：2023-08-04
申请号：CN202310569953.9
申请日：2023-05-19
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/94 , G06N3/092 , G06N3/096 , G06N3/098 , G06N3/0464
Abstract: 本发明公开了一种基于联邦学习和迁移学习的医学图像分类方法，在联邦学习中，由于数据异构性，中央服务器分发的全局模型直接替换本地模型会消除本地模型学习到的知识，并在下一轮迭代中降低其优化效果。本发明拟在本地训练阶段引入增强迁移学习的方法，其在本地模型中更新的步骤主要如下：首先，本方法将本地模型视为源域，全局模型视为目标域，目的是为了让全局模型学习到本地模型的局部知识，避免引起全局模型的性能倒退问题；其次，本方法会让全局模型和本地模型进行相互学习，交换全局知识和本地知识；最后，本方法将全局模型视为源域，本地模型视为目标域，使得全局知识能够最大程度地转移到本地模型中。
-
公开(公告)号：CN116452480A
公开(公告)日：2023-07-18
申请号：CN202310397002.8
申请日：2023-04-14
Applicant: 桂林电子科技大学
Abstract: 本发明是属于图像融合技术领域，具体涉及一种基于卷积与自注意力机制结合的红外与可见光图像融合方法；所述方法包括编码器、融合策略和解码器三个阶段：在编码器阶段，将可将光图像和红外图像分别输入到基于卷积和自注意力机制结合的模块，得到图像特征；在融合策略阶段，将上述得到的特征在Y通道上进行融合，得到融合图像；最后通过级联的解码器重建融合图像，得到最终的红外与可见光融合图像。本发明通过建立一个图像融合的模型，得到红外与可见光融合图像，该图像不仅包含显著目标和丰富的纹理信息，而且有助于高级视觉任务的完成。
-
公开(公告)号：CN114973244A
公开(公告)日：2022-08-30
申请号：CN202210659966.0
申请日：2022-06-12
Applicant: 桂林电子科技大学
IPC: G06V20/69 , G06V10/764 , G06V10/80 , G06T7/00
Abstract: 本发明公开了一种乳腺癌H&E染色病理图像有丝分裂自动识别系统和方法，属于数字图像处理技术技术领域，包括：输入图像预处理模块：对原始图片进行按照预定的patch尺寸切割，并通过图片翻转、旋转等方式进行数据增强；分割模块：通过在训练集中裁剪patches训练一个分割网络，将测试集数据按相应尺寸切割并送入分割网络，得到patch级的分割结果，然后将分割后结果按照其在预处理阶段截取的patch坐标信息来重建出属于原始尺寸的图像。该乳腺癌H&E染色病理图像有丝分裂自动识别系统和方法，对于准确地分割和分类乳腺癌有丝分裂的细胞，特别是样本细胞数量稀少，特征复杂的，具有重要意义。
-
公开(公告)号：CN113408593A
公开(公告)日：2021-09-17
申请号：CN202110613678.7
申请日：2021-06-05
Applicant: 桂林电子科技大学 , 桂林笑微酒店管理有限公司
Abstract: 本发明公开了一种基于改进的ResNeSt卷积神经网络模型的糖尿病性视网膜病变图像分类方法。该方法为：首先从医院获取病变图像；对图像进行预处理，眼科医生手动标注，划分数据集；再搭建实验所需的深度学习服务器平台，然后编写python代码；在ResNeSt卷积神经网络中引入OctConv和SPConv两种轻量且高效的卷积操作，并引入Warm Restart和余弦退火的学习率调解机制；采用ILSVRC2012数据集对改进的ResNeSt网络进行预训练，将得到的模型迁移到预处理后的数据集上进行微调；载入测试集，测试训练好的ResNeSt卷积神经网络分类模型，得出分类的结果，看各分类指标是否符合要求。本发明实现了对糖尿病性视网膜病变图像分类方法，利用改进的ResNeSt模型，有较高的运行效率和分类准确度，应用价值很高。
-
公开(公告)号：CN113191414A
公开(公告)日：2021-07-30
申请号：CN202110450853.5
申请日：2021-04-26
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种双线性金字塔网络花卉图像分类方法，该方法通过将需要分类的花卉原始图像的大小调整至224*224，并随机裁剪为192*192；然后将调整后的图像通过双线性金字塔网络对花卉图像进行特征提取；最后将提取得到的特征输入分类器中进行分类后输出，得到花卉的分类结果；该方法采用花分类双线性金字塔网络，卷积层的特征与卷积层的特征融合，而不是直接通过网络输入最终的分类器。这些从特征金字塔中编码的特征自动携带多层次语义线索，对姿态和尺度的变化具有额外的鲁棒性，在分类识别方面优于单层特征。在基准数据集上进行了广泛的验证，以显示提出的方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.031 seconds)
