-
公开(公告)号：CN113516694A
公开(公告)日：2021-10-19
申请号：CN202110398983.9
申请日：2021-04-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于多Kinect的远程医疗场景的动态可视化控制方法，包括以下步骤：S1、获取单个Kinect设备采集的目标医疗场景的彩色图和深度图进行配准生成点云数据；S2、获取多个Kinect设备通过棋盘格标定法采集的目标医疗场景的带有棋盘格的初始彩色图像；S3、检测初始彩色图像中的棋盘格角点，进行筛选完成二次标定，计算得到Kinect设备之间的初始旋转平移矩阵；S4、根据初始旋转平移矩阵对点云数据进行粗配准，通过SAC‑IA+ICP算法进行精配准，经迭代得到最优旋转平移矩阵，通过最优旋转平移矩阵将点云数据进行融合，实现目标医疗场景的动态可视化场景重建。与现有技术相比，本发明具有实现多视图融合和动态可视化，提高远程医疗场景的全面性和实时性等优点。
-
公开(公告)号：CN111160421A
公开(公告)日：2020-05-15
申请号：CN201911287231.4
申请日：2019-12-14
Applicant: 同济大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于局部平滑差的无监督领域自适应方法，包括以下步骤：步骤S1：获取源域的源数据，根据所述源数据训练特征生成器与分类器，将所述源数据输入训练完成的特征生成器与分类器中，获得决策边界；步骤S2：获取目标域的目标数据，将所述目标数据输入S1中训练完成的特征生成器与分类器，获得敏感数据；步骤S3：根据所述目标数据和敏感数据训练特征生成器，最小化目标数据的局部平滑差，训练完成后的特征生成器将敏感数据投影到所述目标域里远离决策边界的特征空间中。与现有技术相比，本发明具有使目标数据与源数据更贴合、同时优化决策边界等优点。
-
公开(公告)号：CN104182621B
公开(公告)日：2017-06-13
申请号：CN201410387706.8
申请日：2014-08-08
Applicant: 同济大学
Abstract: 一种基于深度信念网络的ADHD判别分析方法，包括步骤为：步骤1，预处理；步骤2，特征提取和分类：依赖于深度信念网络，深度信念网络由限制玻尔兹曼机堆叠组成最后由softmax分类并逐层进行反向调节，限制玻尔兹曼机逐层训练时目标是最大化概率函数的似然函数并引入对比散度，更新权重，使得隐藏层成为可视层的近似表示，并且将第一层的隐藏层作为第二层的可视层，以此类推，得到DBN的RBM层，将最后一个隐藏层作为softmax的输入，得到相应的输出即分类。本发明利用的深度信念网络是一种概率生成模型，通过堆叠多个含有隐藏层和可视层的受限波尔兹曼机构成，它模拟了人脑处理信号的逐层抽象特征的过程，抽象出原始信号的等效特征表达，应用到多动症的分类领域中。
-
公开(公告)号：CN104161518A
公开(公告)日：2014-11-26
申请号：CN201410387812.6
申请日：2014-08-08
Applicant: 同济大学
Abstract: 一种基于社会网络分析的儿童多动症判别方法，分为：步骤1，对核磁数据的预处理：首先，对数据进行规范化统一处理，空间归一化用标准大脑空间衡量不同形状的实验者大脑使其可用一个坐标系来描述；然后，对预处理后的fMRI数据标准划分子分区，以进行后续的处理分析；步骤2，计算基于脑网络的各属性特征集，以图表、折线图的形式展现出来。与社会网络属性特征相结合，提供更加适合的属性特征对特定区域进行深入分析，更好的发挥了社会网络分析相对于现有网络分析研究的优势，利用ADHD和控制组之间的差异性突出表现属性特征的典型意义，同时发现ADHD在特定区域的不同于控制组的表现，以便通过这些特定区域特定表现分析研究ADHD的病变和发展。
-
公开(公告)号：CN103260056A
公开(公告)日：2013-08-21
申请号：CN201310145807.X
申请日：2013-04-25
Applicant: 同济大学
IPC: H04N21/24 , H04N21/258
Abstract: 本发明涉及一种基于视频场景切换性的VOD负载均衡方法，该方法通过使得服务器被访问概率相同化以及将相同文件的请求均匀分配到存有该文件的服务器子组上这两个方面来解决VOD系统的负载不均衡的问题，并最终基于这两方面制定负载均衡策略，采用了这种综合的对负载均衡的分析方式。另外，本发明方法将分块后的视频块块内的访问率变化最小最为分块的原则，然后一步一步将问题推理到以场景切换检测作为分块的原则。再者，通过计算各个分块的点播概率，然后设计的服务器访问概率平均的存储方法。
-
Patent Agency Ranking
公开(公告)号：CN103248964A
公开(公告)日：2013-08-14
申请号：CN201310117793.0
申请日：2013-04-07
Applicant: 同济大学
IPC: H04N21/643 , H04N21/6437 , H04N21/647
Abstract: 一种基于RTP/RTCP的车载视频传输系统，其特征在于，是由网络传输控制模块和若干N个可以移动的客户端共同构建成了本发明整个车载视频传输系统，各个车载终端形成VANET网络，所述客户端为安放于车内的车载终端，每个车载终端都安装有IntelIPP库，所述车载视频传输系统为客户/服务器模式。本发明通过设计基于RTP/RTCP的车载视频传输系统，考虑到视频压缩参数不同对最终的传输质量会有影响，动态地根据系统检测的丢包率，实时调节视频压缩质量，本发明系统可动态调整视频传输质量。
-
公开(公告)号：CN1956056A
公开(公告)日：2007-05-02
申请号：CN200610117188.3
申请日：2006-10-16
Applicant: 同济大学
Abstract: 一种语音合成装置以及方法，用于具有GPS导航装置的GPS语音导航系统中，其主要包括语音存储单元、索引存储单元，分析单元以及播放单元：其储存道路导航过程中所使用到的以词段为单位的语音格式道路信息，并对应地生成至少包含所述语音格式道路信息的文本描述、偏移量及数据长度的文本格式道路信息，在播放一导航语句之前，先将导航语句拆分为多个语音格式道路信息，并以一预定关键词检索基本资料库中的文本格式道路信息，接着解析检索到的文本格式道路信息，获得与之对应的语音格式道路信息，最后将所述导航语句涉及到的以词段为单位的语音格式道路信息重组，再进行语音播报，本发明还提供一种包括上述语音合成装置的GPS语音导航系统。
-
公开(公告)号：CN118587438A
公开(公告)日：2024-09-03
申请号：CN202410687511.9
申请日：2024-05-30
Applicant: 同济大学
IPC: G06V10/26 , G06V10/24 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及一种基于互校正和像素级对比学习的半监督医学图像分割方法，包括构建由两个差异化的子网络组成的交叉伪监督分割框架，并为有标签数据和无标签数据计算监督损失和交叉伪监督损失用于训练；针对两个子网络输出的预测不一致区域，构建校正损失模块以校正潜在错误；构建像素级对比学习模块优化低不确定性区域像素的特征表示。与现有技术相比，本发明的校正模块有效缓解了半监督医学图像分割中存在的确认偏差问题，提高了伪标签的质量，对比学习模块在控制计算资源消耗的同时建模像素之间的关系并优化特征表示，最终显著提高了医学图像的分割准确率。
-
公开(公告)号：CN113780750B
公开(公告)日：2024-03-01
申请号：CN202110947815.0
申请日：2021-08-18
Applicant: 同济大学
IPC: G16H50/30 , G16H30/00 , G06V10/26 , G06V10/764
Abstract: 本发明涉及一种基于医学图像分割的医疗风险评估方法，具体包括以下步骤：S1、获取待评分图像及对应的背景与各类对象，分别进行人工分割和机器分割，得到标准分割结果和通过分割算法得出的实际分割结果；S2、根据标准分割结果和实际分割结果，计算得到多分类混淆矩阵；S3、提取待分割的目标区域对应列的所有元素，组成过渡风险矩阵；S4、将过渡风险矩阵中错分的像素的绝对值转化为相对值，得到风险矩阵；S5、获取预设的初始权重矩阵，进行归一化得到风险权重矩阵；S6、根据风险矩阵和风险权重矩阵，计算风险值。与现有技术相比，本发明具有实现从医疗风险维度对分割结果进行评估，提高最终得出的分割方案的准确性和稳定性等优点。
-
公开(公告)号：CN117292124A
公开(公告)日：2023-12-26
申请号：CN202311169954.0
申请日：2023-09-12
Applicant: 同济大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/80 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于动态概率权重的医学图像分割方法、设备、存储介质，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，所述损失函数包括动态概率权重函数。与现有技术相比，本发明根据像素点的分类的置信程度来动态决定来调整训练权重，可以指导提升网络的学习能力，提高网络训练的性能。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.019 seconds)
