-
公开(公告)号：CN111047557A
公开(公告)日：2020-04-21
申请号：CN201911138590.3
申请日：2019-11-20
Applicant: 浙江工业大学
Abstract: 一种基于深度学习的淋巴癌图像分割的数据增强方法，所述方法包括以下步骤：步骤1.数据准备阶段：1.1)对于每个训练的病人，首先根据其医生的标注信息，获取其淋巴癌的位置信息；1.2)对于一个小区域内，不相连的局部独立病灶视为一个整体；1.3)对于每个独立的病灶，计算能包裹病灶的长方体空间；1.4)每个矩形，记录其在患者身体中的具体位置(x1,y1,z1)(x2,y2,z2)；5)对所有训练集患者重复1.1)～1.4)，截取所有的病灶以及保存所有的位置信息，形成一个完整的淋巴癌数据库；步骤2.训练数据阶段。本发明对使用深度学习进行淋巴癌分割的性能提升明显，在各种神经网络结构中结果稳定。
-
公开(公告)号：CN110942465A
公开(公告)日：2020-03-31
申请号：CN201911085032.5
申请日：2019-11-08
Applicant: 浙江工业大学
Abstract: 一种基于ResUnet的3视图PET图像分割方法，包括以下步骤：步骤1，针对淋巴瘤病灶特点设计或修改网络模型，使之适合淋巴瘤的分割；步骤2，将3维的训练数据沿3个视图方向(俯视，正视，左视)进行切片，得到3个视图方向的2维数据；步骤3，将3个视图方向的2维数据分别输入到网络中进行训练，得到3个分割模型，分别对应3个视图方向的数据；步骤4、将测试数据分别输入到3个预测模型，将3个预测结果进行加权求和得到测试数据的最终的预测结果。本发明增加了2维模型对3维数据的空间信息利用，提高了分割的准确率。
-
公开(公告)号：CN110706234A
公开(公告)日：2020-01-17
申请号：CN201910950415.8
申请日：2019-10-08
Applicant: 浙江工业大学
Abstract: 本发明公开了一种图像的自动精细分割方法，包括以下步骤：1)通过具有实例分割功能的Mask RCNN算法对输入的原始图像进行初步的分割，得到初始掩膜；2)通过SLIC超像素分割算法对原始图像进行超像素分割得到超像素块，并结合超像素块对初始掩膜的边缘进行扩展；3)结合扩展后的掩膜和初始掩膜进行形态学操作得到GrabCut算法分割的初始三元图；4)利用改进的GrabCut算法建立高斯混合模型，并反复迭代高斯混合模型参数，最后利用最大流最小割算法得到最优目标分割结果。本发明分割所得到的物体掩膜，分割效果在直观上能保证物体的完整性，基本能够将物体的所有信息都分割出来，边缘精度较高，具有很好的视觉效果。
-
公开(公告)号：CN110287538A
公开(公告)日：2019-09-27
申请号：CN201910455296.9
申请日：2019-05-29
Applicant: 浙江工业大学
IPC: G06F17/50
Abstract: 一种面向门级电路的精确快速敏感性单元定位方法，所述方法包括以下步骤：步骤1：解析网表，相关量初始化并生成满足均匀非伯努利序列分布特点的输入向量；步骤2：利用剪枝技术生成敏感性电路单元集合；步骤3：基于基准化分析策略，对Sensitive_set中的敏感性电路单元实施定位。本发明通过引入剪枝技术，极大地缩小了问题的求解空间，使加快了问题的求解速度；再基于所构建的基准化分析方法，实现了多输入向量下敏感性电路单元的快速有效定位；该发明在保证计算精度的前提下，大幅降低了问题求解的时间开销。
-
公开(公告)号：CN108573287A
公开(公告)日：2018-09-25
申请号：CN201810446279.4
申请日：2018-05-11
Applicant: 浙江工业大学
Abstract: 一种基于深度神经网络的图像编解码器的训练方法，所述训练方法包括以下步骤：第一步、空间解耦：用于解除编解码器和生成模型的耦合，并解除隐变量编码与重建模块的耦合；第二步，时间分治：在训练编解码器的不同阶段优化不同的损失函数并使用不同的学习速率来提高训练的速度与稳定性。本发明提供了一种有效避免多个误差函数相互干扰的基于深度神经网络的图像编解码器的训练方法。
-
Patent Agency Ranking
公开(公告)号：CN115035080B
公开(公告)日：2025-05-27
申请号：CN202210718538.0
申请日：2022-06-16
Applicant: 浙江工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 一种基于跨子网同层稠密连接的深度级联网络的快速磁共振成像(Magnetic Resonance Imaging，MRI)方法，该方法充分利用参考模态中丰富的细节信息辅助重建目标模态中的缺失信息：首先，采用深度级联网络结构，将多个MRI重建子网级联起来，使得用户输入的参考模态和目标模态数据可以多次直接参与网络的辅助重建；其次，在各子网内部加入了“同层稠密连接”，以加强各子网络间的特征流动，避免学习冗余特征；最后，在各个子网的末端加入了k空间集成学习模块，以更有效地利用参考模态的频域数据和各个子网的重建结果进行MRI重建。相比于已有的MRI辅助重建方法，本发明所提供的方法达到了更好的重构效果，具有很强的实用性。
-
公开(公告)号：CN119693141A
公开(公告)日：2025-03-25
申请号：CN202411775419.4
申请日：2024-12-05
Applicant: 浙江工业大学
IPC: G06Q40/04 , G06N3/0455 , G06N3/084 , G06Q10/04
Abstract: 本发明公开了一种基于深度学习的跨周期稀疏金融时间序列波动率预测模型方法，具体实施过程如下：计算特定周期下不同波动率，建立多因素输入模型，在传统时间序列数据的基础上，结合市场情绪指标相关数据、宏观经济数据，并添加随机扰动，模拟市场的小幅振动；基于稀疏长时间序列预测框架及Transformer模型，建立优化模型，并进行模型校准和验证。本发明建立了一个更加全面的波动率预测框架，提升预测结果的准确性，帮助投资者更好地进行风险度量、金融衍生品定价和资产配置。
-
公开(公告)号：CN115082584B
公开(公告)日：2025-02-25
申请号：CN202210686315.0
申请日：2022-06-16
Applicant: 浙江工业大学
IPC: G06T11/00 , G06V10/774 , G06V10/82 , G06T7/168 , G06N3/0464 , A61B5/055
Abstract: 一种基于加速比细分的MRI重建网络的训练方法，首先，通过对目标加速比的深度细分，构建一系列具有不同加速比的MRI数据；其次，基于序贯训练方式，从低倍加速比到高倍加速比，依次学习各欠采样的MRI图像到全采样的MRI图像的映射关系，并且，针对每种加速比只进行少量期次的迭代训练；最后，针对目标加速比，进行多个期次的迭代训练。本发明所提供的方法能够有效利用小规模训练样本对高倍欠采样的MRI图像进行重建，具有很强的实用性。
-
公开(公告)号：CN119229675A
公开(公告)日：2024-12-31
申请号：CN202411218461.6
申请日：2024-09-02
Applicant: 浙江工业大学
IPC: G08G1/0967 , G08G1/07 , G08G1/01
Abstract: 一种基于博弈论的高速入口匝道强制合并决策模型的建立方法和装置，该方法包括以下步骤：首先进行数据处理，利用合成少数类过采样技术进行数据增强，以解决数据不平衡导致的模型不准确问题。随后，基于博弈论建立双层决策模型，当上层决策模型输出的主道车辆策略为礼貌避让时，启动下层博弈模型，以进一步决策是减速直行避让还是换道避让。接下来，对模型进行校准，确定最佳模型参数，以最小化数据集中的实际合并决策与模型预测合并决策之间的差异。最后，采用混淆矩阵对模型准确性进行验证，评估模型性能。
-
公开(公告)号：CN118365950A
公开(公告)日：2024-07-19
申请号：CN202410562360.4
申请日：2024-05-08
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/0464
Abstract: 一种基于梯度粒度的卷积神经网络领域泛化分类方法，包括以下步骤：步骤1：使用卷积神经网络分别构建模型的特征提取器以及判别分类器；步骤2：设定网络的输入，将不同源域的图片输入至特征提取器中，将经过特征提取器出来的特征进一步输入至判别分类器中；步骤3：分层并切片不同特征在判别分类器中产生的梯度，并对这些分层切片后的梯度进一步进行自适应的主导梯度衰减的平滑操作；步骤4：通过梯度手术对梯度进行修改以去除梯度的冲突方向分量，使用修改完的梯度对模型进行参数更新；步骤5：最小化图片经过分类器产生的伪标签和真实标签之间的误差，对网络进行训练。本发明能够学习到通用的表征，能够应对各种复杂的情景。
-
-
-
-
-
-
-
-
-
Search Results
139
records
(took 0.022 seconds)
