-
公开(公告)号：CN104166548B
公开(公告)日：2017-06-13
申请号：CN201410387838.0
申请日：2014-08-08
Applicant: 同济大学
IPC: G06F9/44
Abstract: 一种基于运动想象脑电数据的深度学习方法，包括：步骤一，对于运动想象脑电数据，对原始数据进行去噪处理，然后通过滤波提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据。步骤二，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器。步骤三，训练后得到判别模型，测试数据放入模型后利用已学习参数进行学习特征，最后根据各个特征进行判别分析。无需人工挑选特征；通过多层抽象后的特征能更好的表达原有数据所要表达的信息，滤除掉多余无用信息，为分类提供方便；利用DL可以有效进行特征提取的优势，分类特征的提取精确性有了保证；依托分类器的分类功能，达到预期的分类效果。
-
公开(公告)号：CN103795611B
公开(公告)日：2016-11-30
申请号：CN201410019462.8
申请日：2014-01-16
Applicant: 同济大学
IPC: H04L12/58
Abstract: 一种基于非时间逆序的微博优先处理方法，实施步骤为：（1）当用户设置关注好友的优先级后，用户就会首先看到最关心的好友的微博，最不关心的好友最后才看到；（2）如果存在以#标记的表达事件的微博，首先显示这样的微博，再显示其他微博；（3）按照好友昵称的字典序显示好友最新发布所有的微博，同一个好友的微博仍然按照时间逆序显示。将与某一个好友或事件相关的微博聚合在一起按照非时间逆序显示给用户，增加用户浏览微博的专注度和便利性。让用户首先看到最关心的用户的微博状态，最不关心的好友微博显示在最末，这样更加符合用户关注外界环境变化的习惯，也有效渐少恶意广告微博等垃圾信息对用户的骚扰。
-
公开(公告)号：CN103260050B
公开(公告)日：2016-02-17
申请号：CN201310120608.3
申请日：2013-04-09
Applicant: 同济大学
IPC: H04N21/231 , H04N21/472 , H04N21/4725 , H04N21/475 , H04N21/647
Abstract: 一种基于Google App Engine云平台的视频点播系统，属于一种互联网应用。本发明的目的在于设计并实现了一套高性能的满足大规模用户实时视频点播需求的分布式系统级方案。通过在Google App Engine云平台上设计视频点播系统，用户面对的不是一个单纯的视频网站，而是一个有分布式服务器集群组成的视频数据传输网络，海量的视频按照点播流行度和相似程度等策略存储在不同性能的分布式服务器节点上，在保证有多份数据冗余的情况下进行视频内容的分发，并且能够根据用户实时请求点播的数量来动态配置视频服务的节点，以满足互联网用户动态变化的视频点播需求，可以提高视频点播的质量，从而增强用户体验。
-
公开(公告)号：CN104166548A
公开(公告)日：2014-11-26
申请号：CN201410387838.0
申请日：2014-08-08
Applicant: 同济大学
IPC: G06F9/44
Abstract: 一种基于运动想象脑电数据的深度学习方法，包括：步骤一，对于运动想象脑电数据，对原始数据进行去噪处理，然后通过滤波提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据。步骤二，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器。步骤三，训练后得到判别模型，测试数据放入模型后利用已学习参数进行学习特征，最后根据各个特征进行判别分析。无需人工挑选特征；通过多层抽象后的特征能更好的表达原有数据所要表达的信息，滤除掉多余无用信息，为分类提供方便；利用DL可以有效进行特征提取的优势，分类特征的提取精确性有了保证；依托分类器的分类功能，达到预期的分类效果。
-
公开(公告)号：CN103325114A
公开(公告)日：2013-09-25
申请号：CN201310233908.2
申请日：2013-06-13
Applicant: 同济大学
Abstract: 一种基于改进视觉注意模型的目标车辆匹配方法，本发明涉及基于图像的目标匹配识别领域，可应用于智能交通管理。本发明改进了视觉注意模型，融合了多种目标车辆的图像特征，因而能更全面的表示目标，减少信息的丢失，提高匹配的准确性。本发明将改进的视觉注意模型应用到海量视频中肇事车辆匹配中，通过融合视觉注意模型和图像匹配提高了目标车辆匹配的准确性和鲁棒性。本发明作为一个准确鲁棒的基于改进视觉注意模型和基于图像的目标匹配算法是智能交通系统必不可少的一部分。
-
Patent Agency Ranking
公开(公告)号：CN118521595A
公开(公告)日：2024-08-20
申请号：CN202410554350.6
申请日：2024-05-07
Applicant: 同济大学
IPC: G06T7/11 , G06V10/80 , G06V10/42 , G06T3/4038 , G06T3/4046 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于提示学习的自适应医学图像分割方法、设备、介质，基于SAM网络医学图像分割模型的训练过程包括：获取待分割图像以及对应的分割任务类型，分别通过图像编码器和文本编码器得到全局图像特征和提示嵌入；将待分割图像和提示嵌入进行拼接，提取在提示嵌入的指导下的待分割图像的细粒度图像特征；基于全局图像特征和细粒度图像特征，实现缩放自适应的特征融合，得到融合特征，对图像编码器进行微调；基于微调后的图像编码器所生成的图像特征，生成预测分割图，基于预测分割图和预先获取的标准分割图，计算损失函数的值并更新医学图像分割模型的参数。本发明具有图像局部知识提取能力强、SAM网络中对图像分割能力强等优点。
-
公开(公告)号：CN117292125A
公开(公告)日：2023-12-26
申请号：CN202311170039.3
申请日：2023-09-12
Applicant: 同济大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06V10/774 , G06N3/08
Abstract: 本发明涉及一种融合结构先验知识的医学图像分割方法、设备、存储介质，方法利用预训练好的基于Swin‑Unet的图像分割模型对获取到的医学图像进行分隔，其中，所述图像分割模型的训练过程包括如下步骤：获取标注后的医学图像数据集；基于所述医学图像数据集，利用损失函数对基于Swin‑Unet的图像分割模型进行训练，得到预训练好的图像分割模型，其中，所述损失函数包括概率先验损失函数。与现有技术相比，本发明具有提高模型学习效果、应用场景广泛等优点。
-
公开(公告)号：CN113129309B
公开(公告)日：2023-04-07
申请号：CN202110241269.9
申请日：2021-03-04
Applicant: 同济大学
IPC: G06T7/11 , G06V10/762 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/088
Abstract: 本发明涉及一种基于对象上下文一致性约束的医学图像半监督分割系统，包括图像粗加工模块，图像粗加工模块包括多个粗加工层，除底部以外的粗加工层设有编码器和解码器，还包括级联的字符识别模块，顶部的粗加工层的编码器获取未标注的初始医学图像，解码器输出粗分割图到字符识别模块，字符识别模块之间设有卷积层，融合来自粗加工层的低层信息和上一级字符识别模块的输出特征，得到细分割图，字符识别模块生成对象上下文特征向量并拼接计算得到增强特征图，从而设置一致性约束，对粗分割图和细分割图进行半监督训练，得到医学标注图像。与现有技术相比，本发明具有有效提升模型的特征提取能力、从无标注数据中学习更抗扰动的全局特征等优点。
-
公开(公告)号：CN113160417B
公开(公告)日：2022-08-05
申请号：CN202110392993.1
申请日：2021-04-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于泌尿系统的多器官三维重建控制方法，具体包括以下步骤：S1、获取泌尿系统医学影像，经分割处理后得到标注数据文件；S2、根据标注数据文件，通过基于深度优先遍历和轮廓线插值的面绘制算法，生成泌尿系统医学影像的三角面片网格模型；S3、通过基于距离加权和线性插值的拉普拉斯网格平滑算法，对三角面片网格模型进行多次迭代优化；S4、根据优化后的三角面片网格模型，通过纹理映射算法渲染出泌尿系统医学影像的三维重建模型。与现有技术相比，本发明具有有效解决泌尿系统中精囊和肿瘤器官不规则形状及多区域而无法插值的问题、更好地消除三维重建模型表面的鳞状效应等优点。
-
公开(公告)号：CN110477909B
公开(公告)日：2021-11-09
申请号：CN201910701025.7
申请日：2019-07-31
Applicant: 同济大学
Abstract: 本发明涉及一种基于静息态脑电数据的性别分类方法，包括以下步骤：S1、采集各性别对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、重新组合去伪迹的静息态脑电数据；S4、构建卷积神经网络，并将去除伪迹的重组静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类。与现有技术相比，本发明将静息态脑电数据进行去伪迹和重组，基于大脑功能性连接的特征，通过卷积神经网络进行特征提取及分析，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.02 seconds)
