-
公开(公告)号：CN111080579B
公开(公告)日：2023-05-26
申请号：CN201911194448.0
申请日：2019-11-28
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/06 , G06N3/08 , G06T7/155
Abstract: 本发明公开一种基于深度学习实现图像分割和分类的骨龄评估方法。本发明包含以下步骤：1、使用数字图像处理方法对数据集进行处理，得到更高质量的样本数据；2、手动标记部分手骨图像，利用这部分图像来训练图像分割网络U‑Net，然后，使用训练好的U‑Net对数据集进行分割，得到去除背景后的数据集，并按照一定比例制作成训练集、验证集和测试集；3、利用处理好的数据集对改进的图像分类网络VGG16进行训练；4、利用测试集对训练好的模型进行测试并对结果进行评价。本发明提出的改进方法与原始骨龄评估方法相比，有效地提高了模型对手骨图像评估的准确率，同时有着更高的效率。
-
公开(公告)号：CN115688752A
公开(公告)日：2023-02-03
申请号：CN202211131763.0
申请日：2022-09-16
Applicant: 杭州电子科技大学
IPC: G06F40/279 , G06F40/30 , G06F16/36 , G06N5/02 , G06N3/0442 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/09 , G06N7/01
Abstract: 本发明公开了一种基于多语义特征的知识抽取方法，所述基于多语义特征的知识抽取方法包括如下步骤：步骤一、语义向量表示；步骤二、特征编码；步骤三、实体识别；步骤四、关系分类。与现有技术相比的优点在于：本发明提出了一种新的关系三元组抽取方法。该方法首先对通过预训练语言模型获得单词向量表示，然后利用Bi‑LSTM对字符级特征进行特征编码，以及通过多头自注意力机制对上下文语义信息进行编码，获得句子的内部结构以及长距离依赖关系。然后将不同层次的语义特征进行拼接，得到高效的语义表示，为实体识别和关系分类提供更准确的特征向量，有效提高了抽取关系三元组的性能。
-
公开(公告)号：CN115035335A
公开(公告)日：2022-09-09
申请号：CN202210637518.0
申请日：2022-06-07
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/762 , G06N20/00
Abstract: 本发明提出一种基于伪标签改进的迁移学习方法，用于解决迁移学习中因目标伪标签不精准造成目标分类器精度效果受损的问题。本发明方法首先通过将目标域样本聚类后与源域已确定的类别中心进行类别匹配(类心匹配)，获取伪标签；并且通过添加特征投影减小原始样本差异。最后结合投影后的低维样本和伪标签进行目标加权，学习目标分类器。与现有技术相比，本发明能够通过改善伪标签精度以及对样本进行特征投影处理，来提高样本的加权效果和提升目标样本的分类精度。
-
公开(公告)号：CN114983446A
公开(公告)日：2022-09-02
申请号：CN202210685857.6
申请日：2022-06-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于肌电信号的手指多关节连续运动估计方法，本发明首先采集六种抓握动作模式的手臂相关肌肉的表面肌电信号和手指关节的实时角度，再对表面肌电信号进行去噪后提取肌电积分值、均方根值、波形长度和方差作为特征值，并将四种特征结合为一种新的特征作为输入。分别对特征数据和手指关节角度数据进行归一化处理，最终使用卷积长短时记忆神经网络模型进行预测，实现对手指多关节的连续运动估计；本方法能有效地解码肌电信号的时空信息，建立关联肌电信号和手指关节角度的预测模型，实现对手指多关节连续运动的精确估计。
-
公开(公告)号：CN114419665A
公开(公告)日：2022-04-29
申请号：CN202111579207.5
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于twins多层级特征的行人重识别方法，方法流程如图1所示。首先提取twins的第三阶段和第四阶段的特征图，将第三阶段的特征图经过设计的一个Convblock，其中包括二维卷积，均值归一化层，SE注意力层，激活函数层，水平切分得到两局部特征图，再经过池化，降维等操作得到两个特征向量；将第四阶段的特征图经过池化降维等操作得到一个特征向量。将这三个特征向量分别经过三个分类层得到三个预测分类。最后将特征向量送入三元组损失，预测分类送入交叉熵损失和中心损失进行联合训练。训练80个迭代后，模型进入拟合状态，最后用数据集的query集和gallery集来评估模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN114332103A
公开(公告)日：2022-04-12
申请号：CN202111680676.6
申请日：2021-12-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进FastFCN的图像分割方法；本发明创新地提出用于提取非线性特征的双重并行非对称卷积模块和用于捕捉多尺度信息的串行空洞空间金字塔池化模块模块。将非对称卷积模块、串行空洞空间金字塔池化模块、双重注意力CBAM模块以及瓶颈层融入子模块中，构建语义文本信息子模块。然后将语义文本信息子模块嵌入到编码器结构优化后的FastFCN网络，结构优化主要表现在编码器部分通过增添特征跳连路径来增强信息流。训练前无需复杂的预处理，训练时采用多尺度深度监督，测试时使用翻转测试。本发明方法取得了优异的分割性能和极低的模型参数量，其中Jaccard指数为84.05％，模型参数量仅为0.96M。
-
公开(公告)号：CN114041808A
公开(公告)日：2022-02-15
申请号：CN202111564088.6
申请日：2021-12-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多通道表面肌电信号分解的传递熵耦合分析方法，本发明首先运用卷积核补偿方法将多通道表面肌电信号进行运动单元分解，将原先由多个运动单元叠加在一起的肌电信号分解。运动单元分解后，使用传递熵建立相关性矩阵，运用阈值法或固定加权边法去除较弱的连接边，构建与运动功能相关的肌间网络模型，绘制肌电各频段无向图，计算出连通率、小世界特性等肌间网络指标建立复杂网络，揭示肢体运动区之间的功能连接和相互影响。通过运动单元分解，计算传递熵构建复杂网络从根本上分析肌电信号的耦合特性。为研究肌间耦合分析提供新方法。
-
公开(公告)号：CN113159142A
公开(公告)日：2021-07-23
申请号：CN202110363331.1
申请日：2021-04-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种用于细粒度图像分类的损失函数可变超参数确定方法，首先将图像数据集的数据输入网络进行训练；其次，确定TriHard损失函数中的超参数数值，通过将样本间的距离矩阵与标签信息进行关联，然后根据标签的信息定量的得出标签对任务的影响程度，进而来确定超参数，本发明属于深度学习技术领域，具体是指一种用于细粒度图像分类的损失函数可变超参数确定方法。
-
公开(公告)号：CN111870241A
公开(公告)日：2020-11-03
申请号：CN202010637325.6
申请日：2020-07-03
Applicant: 杭州电子科技大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明公开了一种基于优化的多维样本熵的癫痫发作信号检测方法。在这项研究中，本发明采用多维样本熵作为特征来区分癫痫发作状态和正常状态，并对其进行了优化，提高了计算效率。此外，通过结合多维样本熵征提取和Bi-LSTM，开发了一种新的预测方法来预测癫痫发作。结果表明，该方法取得了良好的表现，可预测5分钟后脑电的多维样本熵，准确率高达80.09％，误报率为0.26/h。本研究的结果表明，所提出的预测方案更适合于实际癫痫发作预测。
-
公开(公告)号：CN111833352A
公开(公告)日：2020-10-27
申请号：CN202010598005.4
申请日：2020-06-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于八度卷积改进U-net网络的图像分割方法，可以用于卵巢CT图像的分割处理。首先构建八度卷积尺度特征融合模块和分层残差跳连模块；再分别用八度卷积和分层残差跳连替代普通卷积和传统的复制跳连，构建基于八度卷积改进U-net网络；分别将进行平均池化后的原始图像与不经处理的原始图像作为低频与高频输入；对构成的网络进行训练，得到分割网络模型；本发明方法结合八度卷积尺度特征融合模块和分层残差跳连模块，与传统卷积神经网络相比，在卷积层以更小的运算量获取更大的感受野和更多不同尺度的特征信息，在跳连部分以残差模块弥补下采样引起的语义差异和信息缺失，从而减少训练时间、提高分割精度，缓解图像分割不足和误分割问题。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.089 seconds)
