-
公开(公告)号：CN115602294A
公开(公告)日：2023-01-13
申请号：CN202211175481.0
申请日：2022-09-26
Applicant: 浙江工业大学(CN)
IPC: G16H30/20 , G16H30/40 , G06V10/80 , G06V10/774 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于双通道条件融合的医学图像因果合理性检测方法，包括：获取医学图像数据集并从中选取一张医学图像记为原始医学图像；利用医学图像扰动器获取正样对和负样对；建立双通道条件融合模型，采用双通道分别对正样对和负样对中两张医学图像融合提取其因果特征，根据两次医学图像的时间间隔，有区别的比较与融合来自两张医学图像的抽象特征，并且能抑制因为病人姿态和设备参数不同带来的差异，使得提取的抽象特征对时间高度敏感，增加时间感知能力，可更好的获得因果特征，克服现有技术因果关系提取方法中时间跨度不可调，对因病人姿态、成像参数不同带来的干扰过于敏感的问题，且能够获得更加准确的检测结果。
-
公开(公告)号：CN110706234B
公开(公告)日：2022-05-13
申请号：CN201910950415.8
申请日：2019-10-08
Applicant: 浙江工业大学
Abstract: 本发明公开了一种图像的自动精细分割方法，包括以下步骤：1)通过具有实例分割功能的Mask RCNN算法对输入的原始图像进行初步的分割，得到初始掩膜；2)通过SLIC超像素分割算法对原始图像进行超像素分割得到超像素块，并结合超像素块对初始掩膜的边缘进行扩展；3)结合扩展后的掩膜和初始掩膜进行形态学操作得到GrabCut算法分割的初始三元图；4)利用改进的GrabCut算法建立高斯混合模型，并反复迭代高斯混合模型参数，最后利用最大流最小割算法得到最优目标分割结果。本发明分割所得到的物体掩膜，分割效果在直观上能保证物体的完整性，基本能够将物体的所有信息都分割出来，边缘精度较高，具有很好的视觉效果。
-
公开(公告)号：CN111343458B
公开(公告)日：2022-03-01
申请号：CN202010041098.0
申请日：2020-01-15
Applicant: 浙江工业大学
IPC: H04N19/124 , H04N19/44 , H04N19/85 , G06K9/62 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 一种基于重建残差的稀疏灰度图像编解码方法，包括以下步骤：1)假定所述编解码系统中包含有n对级联的编解码器，则需要将图像扩展为n个通道的数据，其中新的通道以0填充，构成输入数据x；2)输入到编解码系统中，由编码器提取图像特征并将图像特征压缩成一个低维度的编码向量；3)由解码器对编码向量进行解码，获得一个通道的粗重建图像；4)将重建图像与原图像的差作为残差图像填充到x的零值通道中；5)重复步骤2)～4)，直到x中所有零值通道都已被残差图像填充完毕；6)执行步骤2)获得编码向量，然后通过编码量化器进行编码量化；7)将量化后的编码输入到解码器获得最终的重建图像。以及提供一种基于重建残差的稀疏灰度图像编解码系统。本发明旨在提升图像编解码器对于稀疏灰度图像的重建精度，并提高对稀疏灰度图像的压缩率。
-
公开(公告)号：CN108961272B
公开(公告)日：2021-10-26
申请号：CN201810708543.7
申请日：2018-07-02
Applicant: 浙江工业大学
IPC: G06T7/11
Abstract: 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，包括以下步骤：步骤1：对原始训练数据的预处理，对原始训练数据进行分割，得到皮肤病变区域的分割图片；步骤2：深度卷积对抗生成网络结构的建立，使用卷积神经网络来进行分别构建生成器和判别器；步骤3：设定生成网络和分类网络的输入；步骤4：优化目标的设定，对于判别器来说，判别器负责对真假样本进行分类，生成器生成的样本为假，实际输入的真实样本为真，最小化分类误差；对于生成器来说，生成器尽可能的去生成和真实样本一样的假样本；步骤5：网络的训练。本发明利用人工分割出来的皮损样本作为对抗生成网络的训练样本，然后使用对抗生成网络来生成新的皮肤病样本。
-
公开(公告)号：CN108550133B
公开(公告)日：2021-05-18
申请号：CN201810174376.2
申请日：2018-03-02
Applicant: 浙江工业大学
Abstract: 一种基于Faster R‑CNN的癌细胞检测方法，所述方法包括以下步骤：步骤1，对数据进行预处理，对数据集进行人工标定，将数据集做成pascal_voc数据集格式，人工标定的目的是得到图片标签，标签为每张图片中癌细胞目标所在位置的左上角和右上角坐标和目标的类别；步骤2，对数据进行初步检测，将所述数据集和图片标签作为深度学习Faster R‑CNN神经网络的训练集，结合RPN及Fast R‑CNN卷积神经网络对数据进行训练，得到最终癌细胞的初检测模型；步骤3，对数据进行再检测，结合CSA算法进行癌细胞的再检测，得到的检测结果结合初检测结果，分析得到最终的癌细胞检测结果。本发明整体检测精度较高。
-
Patent Agency Ranking
公开(公告)号：CN108650509B
公开(公告)日：2020-08-18
申请号：CN201810293916.9
申请日：2018-04-04
Applicant: 浙江工业大学
IPC: H04N19/14 , H04N19/146 , H04N19/124 , H04N19/85 , G06T9/00
Abstract: 一种多尺度自适应近似无损编解码方法，包括以下步骤：1)将原图像划分为多个大小不同的尺度层级，使用多尺度特征提取器提取不同尺度下的图像特征；2)由细节编码器对不同尺度下的图像特征进行编码，获得原图像的细节隐变量；3)由趋势编码器对最后一层图像特征进行编码，获得原图像的趋势编码隐变量，与细节隐变量共同构成原图像的近似无损编码；4)对趋势隐变量进行解码，获得原图像的模糊轮廓；5)对细节隐变量进行解码，获得原图像的细节信息；6)将解码得到的模糊轮廓与细节信息累加，得到原图像的近似无损还原。以及提供一种多尺度自适应近似无损编解码系统。本发明提高图像的压缩率并解决图像压缩过程中细节丢失的问题。
-
公开(公告)号：CN110610036A
公开(公告)日：2019-12-24
申请号：CN201910812900.9
申请日：2019-08-30
Applicant: 浙江工业大学
IPC: G06F17/50
Abstract: 一种面向输入向量的RTL级电路可靠性计算方法，以模块可计算为原则，通过深度优先搜索算法为每个模块构建了与之相对应的完整性链表，使每个模块的输入源均可从其上层子完整性链表中获得，从而保证了每个模块计算的顺利开展；基于递归原则并借助SCA方法完成了对电路模块可靠性的分析；根据所构建的完整性链表，利用迭代策略实现了对RTL级电路的可靠性计算；针对所提取模块，利用递归算法进行检测，当发现有子模块的组成单元均为基本门时，便调用SCA方法展开计算以保证精度，而当计算结果被反馈到顶层链表时，则调用下一个模块展开迭代计算，直至到达顶层链表的末尾。本发明适用于超大规模集成电路的计算及并行策略的使用，计算高精度。
-
公开(公告)号：CN109959122A
公开(公告)日：2019-07-02
申请号：CN201910178740.7
申请日：2019-03-11
Applicant: 浙江工业大学
Abstract: 一种基于长短期记忆循环神经网络的空调能耗预测方法，包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM‑RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM‑RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。本发明简化了模型训练过程，提升了预测准确率。
-
公开(公告)号：CN108921092A
公开(公告)日：2018-11-30
申请号：CN201810708545.6
申请日：2018-07-02
Applicant: 浙江工业大学
Abstract: 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，所述方法包括以下步骤：步骤1.基于随机掩盖来构建多个具有差异性的不同训练集；步骤2.卷积神经网络模型的构建及使用Focal loss作为模型的惩罚函数；步骤3.卷积神经网络模型的集成及二次集成。通过构建多个具有差异的训练集A、B、C等以及使用Resnet的50层卷积神经网络进行训练，最后根据模型的投票结果先进行一次集成，然后在一次集成的基础上再进行二次集成，旨在提高黑色素瘤自动识别分类的性能。
-
公开(公告)号：CN105908686A
公开(公告)日：2016-08-31
申请号：CN201610241403.4
申请日：2016-04-19
Applicant: 浙江工业大学
IPC: E02B15/10
CPC classification number: E02B15/10
Abstract: 一种漂浮物自动清理装置，包括机架，在机架上安装有浮力轮，浮力轮与驱动电机连接，漂浮物收集器通过支架与机架连接，漂浮物收集器为一斗形结构，漂浮物收集器两侧与支架活动连接；漂浮物收集器上设有横杆，横杆与舵机连杆活动连接，舵机连杆与舵机转盘铰接，舵机转盘与舵机的输出轴连接；舵机安装在支架上。本装置利用浮力轮在水面推动行进，漂浮物收集器没于水面，打捞完成后，通过浮力轮驱动登陆上岸；再通过舵机的转动，使漂浮物收集器倾斜而倒出打捞的废物。
-
-
-
-
-
-
-
-
-
Search Results
139
records
(took 0.027 seconds)
