-
公开(公告)号：CN118608547B
公开(公告)日：2024-10-25
申请号：CN202411081243.2
申请日：2024-08-08
Applicant: 之江实验室 , 上海人工智能创新中心
IPC: G06T7/11 , G06T7/194 , G06V10/774 , G06V10/764 , G06V10/82 , G06V20/69 , G06V20/70 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于原型和半监督深度学习的细胞核分割方法和系统，方法包括：将病理图像构建为有标签图像和无标签图像；构建基于半监督学习的深度学习细胞核分割网络，首先利用有标签图像仅对细胞核分割网络中的学生网络进行监督训练；利用无标签图像对细胞核分割网络中的教师网络和学生网络进行引入类别原型的学习和训练；利用训练后的学生网络进行待测病理图像细胞核分割。本发明能够利用基于原型的半监督学习的方法减少标注成本并实现高精度的细胞核分割，具有标注数据量少、自动化和成本低等特点，对基于病理图像的医学诊断具有重大意义。
-
公开(公告)号：CN118608547A
公开(公告)日：2024-09-06
申请号：CN202411081243.2
申请日：2024-08-08
Applicant: 之江实验室 , 上海人工智能创新中心
IPC: G06T7/11 , G06T7/194 , G06V10/774 , G06V10/764 , G06V10/82 , G06V20/69 , G06V20/70 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于原型和半监督深度学习的细胞核分割方法和系统，方法包括：将病理图像构建为有标签图像和无标签图像；构建基于半监督学习的深度学习细胞核分割网络，首先利用有标签图像仅对细胞核分割网络中的学生网络进行监督训练；利用无标签图像对细胞核分割网络中的教师网络和学生网络进行引入类别原型的学习和训练；利用训练后的学生网络进行待测病理图像细胞核分割。本发明能够利用基于原型的半监督学习的方法减少标注成本并实现高精度的细胞核分割，具有标注数据量少、自动化和成本低等特点，对基于病理图像的医学诊断具有重大意义。
-
公开(公告)号：CN117975202B
公开(公告)日：2024-07-26
申请号：CN202410388685.5
申请日：2024-04-01
Applicant: 之江实验室
IPC: G06V10/774 , G06V10/10 , G06V10/30
Abstract: 本说明书公开了模型训练方法、业务执行方法、装置、介质及设备，专用设备通过将获取的初始残缺点云数据进行填充处理，得到待处理点云数据，而后将待处理点云数据以及该待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中进行去噪，进而得到第一输出点云数据，根据此第一输出点云数据以及初始残缺点云数据对应的标签点云数据，即可对点云处理模型进行训练。训练后的点云处理模型可以将残缺点云数据对应的待处理点云数据去噪，从而获取残缺点云对应的去噪后的点云数据。该去噪后的点云数据相对于残缺点云数据更加完整，可通过此去噪后的点云数据作为还原点云数据，从而构建人体模型，进而执行目标业务。
-
公开(公告)号：CN118197636A
公开(公告)日：2024-06-14
申请号：CN202410319916.7
申请日：2024-03-20
Applicant: 之江实验室 , 上海人工智能创新中心
IPC: G16H50/50
Abstract: 本申请涉及一种基于多模态生物力学的腹主动脉瘤生长预测方法和装置，该方法包括计算腹主动脉瘤血管壁的个体化初始材料参数；基于个体化初始材料参数，分析血液‑血管壁的瞬态双向耦合作用；基于个体化初始材料参数，构建随时间和空间演变的血管壁的组织成分的应变能函；基于组织成分的应变能函数，分析腹主动脉瘤的生长与重塑过程；基于血液‑血管壁的瞬态双向耦合作用和腹主动脉瘤的生长与重塑过程，分析大时间尺度下的血液‑血管壁‑组织成分耦合作用；基于血液‑血管壁‑组织成分耦合作用预测腹主动脉瘤的生长过程，解决了预测结果与实际情况往差异较大的问题，极大程度地提高预测动脉瘤生长过程的精度。
-
公开(公告)号：CN118171045A
公开(公告)日：2024-06-11
申请号：CN202410364271.9
申请日：2024-03-28
Applicant: 之江实验室 , 上海人工智能创新中心
Abstract: 本发明涉及一种基于同步采样的斩波噪声消除方法及系统，该方法包括：基于系统时钟信号，通过分频处理，得到同步的第一时钟信号和第二时钟信号；根据第一时钟信号，针对脑电采集设备采集的信号进行斩波调制，输出得到脑电信号；根据第一时钟信号，对脑电信号进行放大处理后再进行斩波解调制，并返回至原始的脑电信号频段，得到放大脑电信号；根据第二时钟信号，通过模数转换对放大脑电信号进行采样，并转换为离散数字信号输出，得到清晰且没有噪声点的脑电信号。与现有技术相比，本发明能够有效消除脑电信号通过斩波放大器带来的斩波噪声的影响，提高信号的实时性和精度，节省硬件使用面积、功耗和硬件冗余，同时减少对计算能力和存储资源的需求。
-
Patent Agency Ranking
公开(公告)号：CN117830564B
公开(公告)日：2024-06-11
申请号：CN202410250378.0
申请日：2024-03-05
Applicant: 之江实验室
IPC: G06T17/20 , G06V20/40 , G06V40/20 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 本说明书公开了一种姿态分布指导的三维虚拟人模型重建方法，该方法适用于从视频中生成出三维人体网格序列，首先可以提取得到视频数据对应的视频图像特征、语义特征以及视频序列特征，将视频图像特征和语义特征输入到重建模型中的U形神经网络中，得到中间层输出结果，将语义特征、视频序列特征和U形神经网络的中间层输出结果输入到重建模型中的稳定扩散网络中，得到人体姿态特征，以及确定出视频数据对应的原始分布，通过流方法将视频数据中人体的原始分布进行转换，得到姿态分布，根据姿态分布对人体姿态特征进行强化，得到强化后的人体姿态特征，以根据强化后的人体姿态特征，进行人体三维模型重建，从而提高了人体三维模型重建的准确度。
-
公开(公告)号：CN118155280A
公开(公告)日：2024-06-07
申请号：CN202410271438.7
申请日：2024-03-11
Applicant: 之江实验室
Abstract: 本发明公开了一种基于多模态数据频域融合的人体行为预测方法，包括：获取多模态数据并清洗数据，其中所述多模态数据包括光学运动捕捉数据、文本数据和视频数据；利用傅里叶变换把各模态的数据分别转换到频域中，得到各模态数据对应的一维频域向量；对得到的一维频域向量进行预处理，拼接为一个一维向量；利用人体行为预测模型对预处理后的一维频域向量进行处理，得到下一预测状态的融合频域信息；对所述融合频域信息进行后处理，并将得到的各模态频域预测信息利用傅里叶逆变换技术转换为各模态对应的时域预测数据。
-
公开(公告)号：CN117934858B
公开(公告)日：2024-06-04
申请号：CN202410329387.9
申请日：2024-03-21
Applicant: 之江实验室
Abstract: 本说明书公开了一种点云的处理方法、装置、存储介质及电子设备，获取目标物的原始粗略点云，将原始粗略点云输入三维表面生成模型的特征提取层，以使特征提取层提取原始粗略点云在若干平面上的平面特征。将平面特征输入三维表面生成模型的流变换层，以使该流变换层对平面特征进行变换，得到变换后的平面特征，并使该流变换层对变换后的平面特征进行去噪，得到去噪后的平面特征。将去噪后的平面特征输入三维表面生成模型的结果预测层，得到结果预测层输出的目标物的最终精准点云。该方法使得得到的最终精准点云构成的目标物的三维表面更精确，也即提高了最终精准点云构成的目标物的形状与目标物的真实形状相似度。
-
公开(公告)号：CN117726760B
公开(公告)日：2024-05-07
申请号：CN202410175200.4
申请日：2024-02-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种用于视频的三维人体重建模型的训练方法及装置，重建模型至少包含特征提取层、运动增强层和回归层，针对每个图像序列，根据该图像序列的初始特征对应的第一张量的帧数轴、高度轴和宽度轴，确定所述初始特征的序列特征元，根据各序列特征元的运动增强特征，得到样本视频中预测三维人体的重建视频，根据各图像序列的速度损失和样本视频的三维重建损失训练该重建模型。在得到各图像序列的初始特征后，以序列特征元为单位，对同一通道的同一图像序列包含的各帧图像的特征进行特征增强，增强了同一图像序列中各帧图像之间联系，并根据速度损失来监督重建模型对帧间连续性的增强。
-
公开(公告)号：CN117953351A
公开(公告)日：2024-04-30
申请号：CN202410355666.2
申请日：2024-03-27
Applicant: 之江实验室
IPC: G06V10/82 , G06V10/44 , G06V10/77 , G06N3/092 , G06N3/0895 , G06N3/0985 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于模型强化学习的决策方法，包括：获取高维图像数据集；利用自监督学习方法从所述高维图像数据集中学习对应的低维特征；在低维特征空间中，利用Transformer架构构建强化学习的世界模型；利用构建的世界模型向前想象若干步，根据想象轨迹的回报进行前向搜索，得出最优策略。与随机决策相比，这种方法减少决策的随机性，可以提高决策效率，根据智能体现有的决策能力进行决策，克服了样本效率过低、增加了处理动态环境中不确定性的能力，进而达到更优且稳健的策略。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.041 seconds)
