-
公开(公告)号：CN109754404A
公开(公告)日：2019-05-14
申请号：CN201910002630.5
申请日：2019-01-02
Applicant: 清华大学深圳研究生院
Abstract: 本发明涉及一种基于多注意力机制的端到端的肿瘤分割方法，该方法主要包括主干网络部分和注意力模块部分，其中主干网络包括三个子网络，由改进的3D Residual U-net构成；注意力模块由特殊设计的双分支结构构成。该方法能够弥补现有技术的训练效率低，分割精度差的不足，将对多个肿瘤子区域多类分割问题转化成多个二类分割任务，注意力机制将对肿瘤外周水肿区域的分割结果作为一种软注意力添加到进一步对于肿瘤核部分的分割子任务中，同样将肿瘤核部分的分割结果通过注意力机制添加到对于肿瘤核内部的增强区域的分割子任务中。该方法适用于包括脑瘤在内的具有类似层次结构的肿瘤病变组织的3D影像的分割，包括MRI，CT图像等，能够提供更加精确的分割结果。
-
公开(公告)号：CN111027602B
公开(公告)日：2023-04-07
申请号：CN201911167676.9
申请日：2019-11-25
Applicant: 清华大学深圳国际研究生院
IPC: G06V10/82 , G06V10/762 , G06V10/764 , G06V10/25 , G06V10/40 , G06N3/0464
Abstract: 本发明提供一种多级结构目标检测方法，包括：获取输入图像的特征并由特征获取图像的前景中心信息和前景长宽信息；根据前景中心信息、前景长宽信息得到输入图像的前景区域的位置和大小，计算前景区域的模糊度并根据模糊度和预先设置的阈值将前景区域分为模糊和清晰两个类别；根据前景区域的位置和大小以及图像特征得到固定维度的前景特征，前景特征根据前景区域的类别分开检测获得前景中心修正信息，前景长宽信息，前景目标种类分类信息；根据前景中心信息和前景中心修正信息得到目标准确位置；根据前景长宽信息和前景长宽修正信息得到目标准确大小，由前景分类信息得到目标的目标种类分类结果。
-
公开(公告)号：CN112836618A
公开(公告)日：2021-05-25
申请号：CN202110118997.0
申请日：2021-01-28
Applicant: 清华大学深圳国际研究生院
Abstract: 本发明提供一种三维人体姿态估计方法及计算机可读存储介质，方法包括：采用人体检测网络从原始图像中获取单人图像并做标准化处理；使用二维姿态估计方法从单人图像中预测关键点的二维坐标；将二维坐标生成三维坐标，包括：使用三维姿态生成器预测关键点的第一三维坐标；根据人体关节的对称结构将所述二维坐标作对称处理，再使用三维姿态生成器预测关键点的第二三维坐标；第一三维坐标和第二三维坐标分别与对应的标签计算差值，结果求和用于反向传播，得到三维人体姿态估计。充分利用了人体关键点间的连接关系及对称关系，能够达到优化预测结果的目的；同时在原有数据集的基础上，实现了训练数据的扩充，增强了模型的鲁棒性。
-
公开(公告)号：CN109977212A
公开(公告)日：2019-07-05
申请号：CN201910244935.7
申请日：2019-03-28
Applicant: 清华大学深圳研究生院
IPC: G06F16/332 , G06F17/27 , G06F17/22
Abstract: 本发明提供一种对话机器人的回复内容生成方法和终端设备，方法包括：获取对话文本并进行数据预处理得到神经网络生成模型的训练样本；选取基于编码器‑解码器结构的神经网络生成模型；在解码器中引入词预测网络并在词预测网络添加损失函数，进而修正原始负对数似然损失函数；在修正的原始负对数似然损失函数中增加最大熵正则项，得到最终损失函数；对神经网络生成模型进行模型训练得到最优参数；训练好的所述神经网络生成模型接收用户的输入并生成相应的回复。具有良好的泛化能力：不限于特定结构的编码器‑解码器模型，可以与任何端到端模型相结合。显著提高回复多样性的同时，又能兼顾回复的质量，令用户拥有更好的交互体验。
-
公开(公告)号：CN108364512A
公开(公告)日：2018-08-03
申请号：CN201810162396.8
申请日：2018-02-27
Applicant: 清华大学
CPC classification number: G09B5/12 , G06Q50/205
Abstract: 本发明实施例公开了一种基于大规模网络公开课MOOC的英语自适应学习系统，包括：用户学习子系统，用于为学员提供学习接口，并对学员不同维度的信息进行搜集和分析，根据分析结果生成适合当前学员的自适应学习方案；还用于将学员学习中的需求和学习情况反馈给词汇分级管理子系统；词汇分级管理子系统，用于为用户学习子系统提供词汇分级管理功能，为用户学习子系统的自适应方案生成提供数据；根据用户学习子系统的反馈记录用户词汇学习过程和结果；向学员提供英语水平自测功能。该实施例方案，针对不同学员的不同英语能力，提供了有针对性的学习方案，吸引学员在轻松愉悦的环境中实现了英语水平的提高。
-
Patent Agency Ranking
公开(公告)号：CN118350369A
公开(公告)日：2024-07-16
申请号：CN202410504107.3
申请日：2024-04-25
Applicant: 清华大学深圳国际研究生院
IPC: G06F40/295 , G16H50/20 , G16H15/00 , G06N3/0455
Abstract: 一种病理诊断文本数据集生成方法，包括：根据病理诊断报告选择影响决策的细胞类型、属性及属性值；基于选定的细胞类型、属性及属性值，构建语料库；利用语料库生成病理诊断文本段落；对病理诊断文本段落进行BIO标注，以识别并标记文本中的命名实体。一种病理诊断命名实体识别方法，包括：使用生成的病理诊断文本数据集，微调预训练的生物医学语料大模型BioBERT；使用病理诊断文本数据集在微调后的模型上进行训练；利用训练后的模型对新的病理诊断文本进行实体识别。本发明不仅能够生成高质量的病理诊断文本数据集，还能够对新的病理诊断文本中的细胞种类及其相关属性进行准确的识别和分类，辅助医生进行更快速、更准确的疾病诊断。
-
公开(公告)号：CN110969105B
公开(公告)日：2023-07-14
申请号：CN201911159199.1
申请日：2019-11-22
Applicant: 清华大学深圳国际研究生院
IPC: G06V40/20 , G06V40/10 , G06V10/25 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种人体姿态估计方法，包括：采用人体检测网络从原始图形中获取单人图像，原始图形中包括至少一个单人图像；采用人体姿态估计网络对每个单人图像进行关键点检测，得到各个关键点的位置的分布热图；获取每个单人图像的边框与原始图形中其他单人图像的边框的重叠程度，判断单人图像是否存在遮挡问题；若单人图像不存在遮挡问题，则由分布热图得到单人图像中关键点的最终坐标；若单人图像存在遮挡问题则将单人图像中全部分布热图构成图的形式，并通过图神经网络对每个分布热图进行优化，然后由优化后的分布热图得到单人图像中关键点的最终坐标。用图神经网络充分提取图的整体结构信息，以实现对关键点位置的校正效果，提高检测准确率。
-
公开(公告)号：CN112862089B
公开(公告)日：2023-05-23
申请号：CN202110075543.X
申请日：2021-01-20
Applicant: 清华大学深圳国际研究生院
IPC: G06N3/08 , G06N3/0464 , G06T7/00 , G16H50/20
Abstract: 一种具有可解释性的医学图像深度学习方法，包括如下步骤：1)获取原始医学图像，对原始医学图像进行图像增强并增加图像数量，作为输入图像输入到网络之中；2)对所述输入图像利用VGG‑16网络提取图像特征，得到符合中间临床特征的医学预测图；3)将获得的预测图与标准中间临床特征相对比，计算二者的交叉熵损失Lossx，y，调整VGG‑16网络参数，使计算的交叉熵损失小于设定的阈值，从而完成网络的学习，使VGG‑16网络得到的预测图符合关于比对结果的要求。由本发明得到的网络具有更好的检测精度，同时具有更好的可解释性，方便根据需求进行后续网络优化。
-
公开(公告)号：CN112862089A
公开(公告)日：2021-05-28
申请号：CN202110075543.X
申请日：2021-01-20
Applicant: 清华大学深圳国际研究生院
Abstract: 一种具有可解释性的医学图像深度学习方法，包括如下步骤：1)获取原始医学图像，对原始医学图像进行图像增强并增加图像数量，作为输入图像输入到网络之中；2)对所述输入图像利用VGG‑16网络提取图像特征，得到符合中间临床特征的医学预测图；3)将获得的预测图与标准中间临床特征相对比，计算二者的交叉熵损失Lossx，y，调整VGG‑16网络参数，使计算的交叉熵损失小于设定的阈值，从而完成网络的学习，使VGG‑16网络得到的预测图符合关于比对结果的要求。由本发明得到的网络具有更好的检测精度，同时具有更好的可解释性，方便根据需求进行后续网络优化。
-
公开(公告)号：CN111490872A
公开(公告)日：2020-08-04
申请号：CN202010197449.7
申请日：2020-03-19
Applicant: 清华大学深圳国际研究生院
Abstract: 一种基于公私钥对的深度学习模型水印的嵌入和提取方法，包括：通过将深度卷积神经网络模型中的批归一化层转换成水印层，将鉴权信息通过水印嵌入损失函数在模型的训练过程中嵌入模型的任意一层或者任意几层，形成特异性水印，其中，将所述批归一化层中的缩放因子变成公钥和私钥，所述私钥为不可学习的缩放因子，在模型初始化阶段随机选取特征图生成，所述公钥为可学习的缩放因子，在训练过程中所述公钥随着所述私钥的改变而产生同步变化。通过对模型水印中的鉴权信息进行提取，能够实现模型所有权的认证。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.018 seconds)
