-
公开(公告)号：CN116843661A
公开(公告)日：2023-10-03
申请号：CN202310839302.7
申请日：2023-07-10
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/00 , G06T7/10 , G06N3/0455 , G06N3/096
Abstract: 本发明公开了一种肺炎医学图像分割方法，该方法包括S1：对收集的肺炎数据集进行预处理；S2：预训练标准概率模型；S3：预训练编解码模块；将需要分割的肺炎医学数据集输入到预训练后的标准概率模型中，得到加了噪声的标注图像；S5：将得到加了噪声的标注图像送入训练后的编解码模块，得到变换结果；S6：将变换结果经过编解码模块的编码层下采样，经过两个编码层后，得到隐层特征，并将隐层特征还原到原图尺寸，得到分割图像，通过标准概率模型，神经网络可以很好地学习带有噪声的病灶特征，并将其与输入图像特征融合，本申请构建了一个编解码器模块，让神经网络学习分割新冠病灶区域的能力，优化了损失函数，使模型更容易收敛。
-
公开(公告)号：CN114913343A
公开(公告)日：2022-08-16
申请号：CN202210674288.5
申请日：2022-06-14
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于通道自监督的在线知识蒸馏方法，包括：粗粒度特征提取步骤：将数据进行归一化处理后的输出结果output分别输入到两个网络模型中进行特征提取；自监督学习步骤：将经过粗粒度特征提取步骤后的特征图输入到样本多样性模块中进行特征转换操作，对数据输出不同的联合标签；在线动态蒸馏步骤：通过对两个网络模型分别设置一个动态系数对具有同样特征转换的分支之间进行相互学习，不断优化两个网络多样性模块的权重，并在损失函数值最小时输出输入样本的标签。本发明随着样本、网络和分支多样性的增强，样本数据量变大，人工标注标签任务繁琐，在知识蒸馏中加入自监督学习，使其不需要人工干预，可以降低成本和资源。
-
公开(公告)号：CN114972791B
公开(公告)日：2025-04-25
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
公开(公告)号：CN114626481B
公开(公告)日：2025-04-18
申请号：CN202210314022.X
申请日：2022-03-28
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F18/214 , G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F16/2458
Abstract: 本发明涉及一种基于类特征的多尺度度量少样本学习方法，包括：S1、数据预处理步骤；S2、特征嵌入步骤；S3、类特征提取步骤：通过动态路由机制融合支撑集同类的多个样本特征，并通过迭代的方式数输入向量的权重向量进行更新得到类整体特征；S4、多尺度度量步骤：通过融合三种度量准则对支撑集类特征与查询集样本之间进行相似度度量。本发明采用动态路由机制生成类整体特征，相比于直接加权平均的算法，通过该算法得到的类整体特征更具有代表性。在度量模块中，在有参网络的度量方法中引入了注意力机制，另外结合了多种度量方式的优劣，共同决定样本特征间相似度，从而得到了表现力更好的CFMMN网络模型。
-
公开(公告)号：CN116091860A
公开(公告)日：2023-05-09
申请号：CN202211492454.6
申请日：2022-11-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/20 , G06V10/764 , G06V10/82 , G06T7/11 , G06T3/40
Abstract: 本发明涉及一种丰富数据模式的数据增强方法，包括：将每个样本图像框选一个与样本图像大小一样的图像框，将样本图像朝图像框某一个方向移动，且移动的距离小于移动方向上样本图像的长度；将移出图像框外的图像信息作为填充部分重新填充会完成图像移动步骤后图像框中的空白区域，与图像框内的图像信息构成跟原始样本图像大小相同的新样本图像，实现样本数据的增强。本发明通过简单有效地操作，产生新的训练样本，可以在已有的数据增强方法上无缝叠加，能在已有的数据增强方法产生的样本基础上，生成更多的新的训练样本，而更多的训练样本意味着训练数据集具有更为丰富的数据模式，从而提高网络模型的性能，以及网络模型的鲁棒性和泛化性。
-
Patent Agency Ranking
公开(公告)号：CN114972791A
公开(公告)日：2022-08-30
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
公开(公告)号：CN114972790A
公开(公告)日：2022-08-30
申请号：CN202210625461.2
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质，涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本，将图像样本输入至图像分类模型，在图像分类模型中的任意一层卷积层中，从图像样本中提取出多张具有不同通道的特征图像。其中，不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签，以及该图像样本已标注的类型标签，计算得到图像分类模型的损失值，基于该损失值调整图像分类模型的参数。重复执行上述步骤，以使可以达到预期训练目标。如此，由于没有增加输入图像分类模型的图像样本的数量，使得每次模型训练耗费的时间更少。
-
公开(公告)号：CN114626481A
公开(公告)日：2022-06-14
申请号：CN202210314022.X
申请日：2022-03-28
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F16/2458
Abstract: 本发明涉及一种基于类特征的多尺度度量少样本学习方法，包括：S1、数据预处理步骤；S2、特征嵌入步骤；S3、类特征提取步骤：通过动态路由机制融合支撑集同类的多个样本特征，并通过迭代的方式数输入向量的权重向量进行更新得到类整体特征；S4、多尺度度量步骤：通过融合三种度量准则对支撑集类特征与查询集样本之间进行相似度度量。本发明采用动态路由机制生成类整体特征，相比于直接加权平均的算法，通过该算法得到的类整体特征更具有代表性。在度量模块中，在有参网络的度量方法中引入了注意力机制，另外结合了多种度量方式的优劣，共同决定样本特征间相似度，从而得到了表现力更好的CFMMN网络模型。
-
公开(公告)号：CN114756651B
公开(公告)日：2025-02-25
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/334 , G06F16/36 , G06F40/295 , G06N5/02
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
公开(公告)号：CN119400366A
公开(公告)日：2025-02-07
申请号：CN202411500354.2
申请日：2024-10-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H30/40 , G16H50/50 , G06N3/096 , G06T7/00 , G06V10/774 , G06V10/82 , G06V10/764
Abstract: 本发明涉及一种利用术前CT图像对转换疗法进行预测的方法，属于图像处理领域，包括：对数据进行预处理得到用于对深度学习模型进行训练的图像；在知识蒸馏的基础上加入多次模型迭代，并引入标签平滑、余弦动态学习率调整和模型噪声，得到对模型进行训练的渐进式蒸馏方法；按照设定比例划分的训练集和测试集对采用EfficientNet并加载ImageNet的模型进行多轮次训练和测试，并通过经过多轮次训练和测试后的最终模型进行预测，得到预测结果。本发明能够将原发性肿瘤的计算机断层扫描征象与人工智能相结合，预测胃癌晚期患者对转换疗法的反应，产生很好的诊断效果。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.05 seconds)
