-
公开(公告)号：CN117557837A
公开(公告)日：2024-02-13
申请号：CN202311476350.0
申请日：2023-11-07
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于对抗大损失值样本的弱监督多标签分类方法，包括以下步骤：步骤1：将待测图片输入至预测模块进行预测，并输出图片中的各类别存在概率；步骤2：将待测图片输入至目标预处理模块进行预处理，并随机保留一个正确的标签；步骤3：计算模块结合所述预测模块和目标预处理模块的输出，对每张图片和每个类别计算贝叶斯损失值，并进行排序，对其中较大的损失值且目标值为位置类别的，改变其目标值并重新进行计算；通过该方法能够解决如何为一个没有完全标注的数据进行多标签分类的问题，并且在保证正确率的情况下，降低人工标注数据集的成本。
-
公开(公告)号：CN116757980A
公开(公告)日：2023-09-15
申请号：CN202310696821.2
申请日：2023-06-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于特征块分割分离的红外和可见光图像融合方法、系统，该方法包括：根据红外和可见光成像特点设计两种图像增强方式，并使用SIFT算法快速分离出主次特征块；设计一个能够根据特征信息量自适应调节网络输出的融合网络，并对融合网络进行主要特征和次要特征的多任务训练，使得网络能够服务于两种任务；对融合后的主次特征块图像块进行拼接操作，通过柏松融合消除拼接细缝，获得显著特征突出的红外和可见光融合图像。本发明对主要特征图像融合块和次要特征图像融合块的融合结果表现出显著特征区域明显的特点，能够提升后续处理算法的效率和精度，使得本发明较最先进的融合算法表现出更为出色的结果可读性。
-
公开(公告)号：CN116579751B
公开(公告)日：2023-09-08
申请号：CN202310865349.0
申请日：2023-07-14
Applicant: 南京信息工程大学
Abstract: 本发明提供一种农作物检测数据处理方法及系统，调取第一预设农作物图像发送给用户端；将被点击的区域框标记为目标区域框，根据目标区域框对第一预设农作物图像更新得到第二预设农作物图像；基于第二预设农作物图像和病变部位图像，确定多个待定病变类别，和与多个待定病变类别对应的关联区域框，根据关联区域框对第二预设农作物图像更新得到第三预设农作物图像；接收用户端对第三预设农作物图像中的关联区域框的图像采集信息，得到关联部位图像，将关联部位图像和第三预设农作物图像中的关联区域框相对应存储，得到自动判断信息；将自动判断信息分别与各待定病变类别对应的验证图像组比对，得到确定病变类别。
-
公开(公告)号：CN116452482A
公开(公告)日：2023-07-18
申请号：CN202310434322.6
申请日：2023-04-21
Applicant: 南京信息工程大学
IPC: G06T5/50 , G06T7/11 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了基于主次特征分离的红外和可见光图像融合方法、系统，包括使用SIFT算法对数据集所有图像进行预处理，得到主要特征图像集和背景特征图像集；构建两个长度不一的密集残差神经网络DetailFoucs和BackgroundFoucs，并设计损失函数对模型进行预训练，保留模型参数，并将预处理后的训练集输入到密集残差神经网络中进行无监督训练，得到优化后的神经网络，补充图像边缘融合模块，设计整体网络架构；对源图像Ivis和Iir做主次图像分割分类后送入训练好的神经网络中，得到融合图像。本发明将源图像主次特征分离，最大程度的保留源图像的主要特征，提升处理应用面，节约资源。
-
公开(公告)号：CN115836849A
公开(公告)日：2023-03-24
申请号：CN202211724133.4
申请日：2022-12-30
Applicant: 南京信息工程大学
IPC: A61B5/0245 , A61B5/346 , A61B5/00 , G06N3/0464 , G06N3/08 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于对比测试时间适应的心率失常分类方法，首先采集心律失常数据并生成数据集，通过数据集自身标注的Q峰位置采集心拍；再使用SMOTE算法对步骤S1采集的心拍进行类别平衡采样；接着使用多模态图像融合框架将一维心拍转换成二维图像，划分数据集；然后搭建训练阶段的卷积神经网络模型；并根据划分的数据集输入到卷积神经网络模型中进行训练；最后将步骤S5训练好的卷积神经网络模型进行对比测试时间域适应；经过对比测试时间域适应后，在适应的过程中更新源模型的权重参数，将经过调整后的模型用于最终的心率失常分类任务。
-
Patent Agency Ranking
公开(公告)号：CN115105085A
公开(公告)日：2022-09-27
申请号：CN202210661407.3
申请日：2022-06-13
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于自动深度卷积学习模型的十二导联心电图的分类方法，具体为：步骤1：对样本心电信号进行去噪处理；并将去噪处理后的心电信号划分成训练集和测试集；步骤2：构建基于Resnet34的深度卷积学习模型；步骤3：对心电信号中每类心拍类型标签进行One‑Hot编码；步骤4：采用训练集对步骤3的深度卷积学习模型进行训练；训练完成后，保存准确率最高的模型参数和准确率；并采用测试集测试训练后的深度卷积学习模型的准确度。步骤5：将实际的心电信号输入至训练后得到的基于Resnet34的深度卷积学习模型中，得到实际的心电信号的类别。本发明提高了分类的精度，并且增加了模型的可解释性。
-
公开(公告)号：CN114255464A
公开(公告)日：2022-03-29
申请号：CN202111530794.9
申请日：2021-12-14
Applicant: 南京信息工程大学
IPC: G06V30/146 , G06V30/148 , G06K9/62 , G06N3/04 , G06N3/08 , G06V20/62
Abstract: 本发明公开了基于CRAFT和SCRN‑SEED框架的自然场景文字检测识别方法，包括如下步骤：(1)利用真实数据集和合成数据集建立图像数据集，将图像数据集分为训练集和测试集；(2)利用图像数据集训练CRAFT网络；(3)利用真实数据集训练不规则文本纠正网络SCRN；(4)将SCRN与SEED网络结合，训练结合后的SCRN‑SEED网络；(5)将CRAFT网络与SCRN‑SEED网络连接，构建完整的模型并进行训练。本发明能够充分检测弯曲变形文本或长篇文本实例，通过精确地定位每一个字符，然后再把检测到的字符通过亲和力机制连接成一个文本达到检测的目的，对于弯曲、变形或者极长的文本都适用；通过不规则文本图片的矫正以及将语义信息用于全局信息的检测，能够精确的识别低质量的文本实例。
-
公开(公告)号：CN114118226A
公开(公告)日：2022-03-01
申请号：CN202111293471.2
申请日：2021-11-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于时间卷积网络模型的ECG数据分类方法，具体为：从多个ECG数据库中获取ECG数据组成心电图样本集，并对心电图样本集中的ECG数据进行预处理；构建时间卷积网络模型，并设置时间卷积网络模型的超参数：学习率、样本训练批次数、阈值、迭代次数以及丢弃率；采用预处理后的ECG数据对时间卷积网络模型进行训练，保留时间卷积网络模型的最优参数；对训练好的时间卷积网络模型进行测试；获取待分类的ECG数据，采用时间卷积网络模型对待分类的ECG数据进行分类，得到分类结果。本发明时间卷积网络模型避免了循环神经网络RNN中经常出现的爆炸或消失梯度的问题，同时在处理相同规模数据集的条件下，本发明时间卷积网络模型对数据分类效率更快。
-
公开(公告)号：CN113679393A
公开(公告)日：2021-11-23
申请号：CN202110978438.7
申请日：2021-08-25
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于对比预测编码的ECG数据特征生成模型，包括如下步骤：首先将划分ECG训练数据,横向看是正样本对与负样本对，正样本对是相同类别的数据，负样本对是不同类别的数据，纵向看是训练数据与待训练数据，然后通过编码器将训练数据与待训练数据都进行编码,接着把训练数据经过编码得到的结果放入自回归模型得到上下文信息Context，Context进入预测模型后得到未来多步的预测值，最后将预测值与待训练数据经过编码后的值一起计算点积得到损失值。本发明可以扩展样本数量不足的数据，提高下游任务的泛化能力。
-
公开(公告)号：CN114970612B
公开(公告)日：2025-01-07
申请号：CN202210497273.6
申请日：2022-05-09
Applicant: 南京信息工程大学
IPC: G06F18/241 , G06F18/10 , G06F18/2131 , G06F18/2415 , G06F18/23213 , G06N3/0464 , A61B5/00 , A61B5/363 , A61B5/366 , G06N3/047
Abstract: 本发明公开了一种基于持续学习的心律失常实时分类方法，包括：定位QRS波，截取出ECG信号中的心拍，针对不同心拍类型，各自采样得到若干个数据流；基于深度卷积神经网络构建心拍分类模型；基于聚类算法计算得到同类数据的原型，将每类数据的原型和部分数据流一起存储至缓冲区；分批量多次导入数据流，从缓冲区中读取相同批量大小的数据，合成新的训练数据，采用指数加权平均的方式对每次输入后的原型进行迭代更新，对心拍分类模型进行训练和参数更新；将待识别的ECG新拍数据导入完成训练的心拍分类模型，进行心拍类型识别。本发明能够高效准确的实现数据不平衡条件下的心律失常分类，同时能够在持续学习下实现心律失常分类。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.033 seconds)
