-
公开(公告)号：CN117237381A
公开(公告)日：2023-12-15
申请号：CN202311244917.1
申请日：2023-09-25
Applicant: 上海交通大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种对于缺失模态鲁棒的多模态MRI脑瘤图像分割方法及系统，包括：步骤S1：采集多模态MRI图像数据，并对多模态MRI图像数据进行预处理得到预处理后的多模态MRI图像数据；步骤S2：将预处理后的单模态MRI图像数据分别输入多个不同的编码器‑解码器3D‑UNet网络得到各自模态的判别性表征；步骤S3：将预处理后的多模态MRI图像数据在通道维度上进行连接，并输入至前交互的编码器‑解码器3D‑UNet网络得到前交互融合表征；步骤S4：将前交互融合表征和各自模态的判别性表征基于注意力机制进行自适应动态融合，得到后交互融合表征；步骤S5：将各自模态的判别性表征、前交互融合表征和后交互融合表征分别输入不同的一层深度卷积神经网络得到各自的肿瘤分割图。
-
公开(公告)号：CN116629323A
公开(公告)日：2023-08-22
申请号：CN202310475194.X
申请日：2023-04-27
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06N3/0475 , G06N3/094 , G06T11/00
Abstract: 本发明公开一种扩散模型的优化方法，其首先在迷你批次中从扩散过程的马尔可夫链路径中对步骤进行随机采样，得到当前批次中的步骤t，然后对步骤t的图像中的每个像素点进行随机加噪，得到步骤t的噪声图像，并基于其通过模型对原图进行预测，得到模型预测的噪声，然后计算模型预测的噪声与真实噪声之间的均方损失，最后从遵循预设分布的标签集合中进行采样，得到额外的随机标签，并基于随机标签对噪声图像的噪声进行重新预测，并计算分布调整损失。该方法在采样过程中调整条件转移概率，隐含地迫使生成的图像在每个采样步骤中逼近目标先验分布，补全了针对基于长尾分布数据训练更稳健的生成模型方向的研究空缺。
-
公开(公告)号：CN118734903A
公开(公告)日：2024-10-01
申请号：CN202410722391.1
申请日：2024-06-05
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于混合低秩适配器的异构数据训练方法和系统，方法包括以下步骤：获取异构数据集，并输入预先构建的神经网络模型中进行模型训练，以通过训练好的神经网络模型进行数据预测；所述神经网络模型包括配置有混合低秩适配器的卷积层，对配置有混合低秩适配器的卷积层，通过设置两个低秩因子描述低秩适配器的贡献权重，并配置一个共享的初始权重；并分别针对已知目标与未知目标的场景，提出基于梯度的混合低秩适配器与基于路由的混合低秩适配器。与现有技术相比，本发明算法所需计算开销更少，有着更好的鲁棒性与泛用性，且适用于大规模多任务学习场景。
-
公开(公告)号：CN117893768A
公开(公告)日：2024-04-16
申请号：CN202311720346.4
申请日：2023-12-14
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06V10/44 , G06V10/82 , G06F18/213 , G06N3/0895 , G06N3/09 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06N3/0985
Abstract: 本发明涉及一种多域胸片数据处理方法、设备及介质，该方法基于统一与分治两阶段预训练框架来实现；在所述统一阶段，引入图文对比学习和有监督学习，使数据处理模型捕捉多域数据的共有特征；在所述分治阶段，引入多专家架构并利用域对比学习，使来源相似的数据被分入到相似专家控制的疾病查询网络中。与现有技术相比，本发明具有充分挖掘多域胸片数据的共有特征及特有属性，在多种医疗场景下取得了显著的性能提升等优点。
-
公开(公告)号：CN117372695A
公开(公告)日：2024-01-09
申请号：CN202311319317.7
申请日：2023-10-11
Applicant: 上海交通大学
IPC: G06V10/26 , G06V10/40 , G06V10/762 , G06F18/213 , G06N3/0895 , G06N3/084 , G06N3/0464 , G06V10/82
Abstract: 本发明提供了一种基于原型类中心的弱监督开放词汇语义分割方法及系统，包括：步骤S1：利用文本特征提取器提取文本目标为文本向量特征；步骤S2：利用视觉特征提取器提取目标图片的视觉特征，并将视觉特征基于可学习类别中心进行聚类操作得到全局类别中心；步骤S3：利用原型模型提取图像‑文本对的原型类别中心用以监督全局类别中心；步骤S4：将全局类别中心和文本向量特征进行对比学习，利用梯度下降法对文本特征提取器和视觉特征提取器进行训练；步骤S5：利用训练好的文本特征提取器和视觉特征提取器对测试图像和测试文本进行推理得到测试图像分割结果。本发明提出基于原型类中心的学习策略，大幅提升了弱监督开放词汇语义分割的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116992396A
公开(公告)日：2023-11-03
申请号：CN202310981766.1
申请日：2023-08-04
Applicant: 上海交通大学
IPC: G06F18/25 , G06F18/2415 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F18/213
Abstract: 本发明提供了一种冗余自适应的多模态鲁棒融合学习方法及系统，包括：使用预训练好的单模态特征提取网络提取单模态初始特征；将各单模态初始特征编码为概率分布；对各单模态概率分布进行正则化约束；为每个单模态均值分配元素级特征权重；利用各权重分配后的单模态均值产生多模态特征；对各单模态分布采样，产生相应的单模态特征向量；利用各单模态、多模态特征向量得到相应特征的概率预测分布。本发明考虑多模态数据间冗余性对模型鲁棒性的影响，促使模型在捕获全部单模态信息的同时，动态地识别其中的无损信息用于融合，实现更鲁棒且准确的多模态预测。
-
公开(公告)号：CN118551819A
公开(公告)日：2024-08-27
申请号：CN202410699534.1
申请日：2024-05-31
Applicant: 上海交通大学
IPC: G06N3/08 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 本发明涉及一种用于训练深度神经网络的在线批数据处理方法和设备，方法包括如下步骤：从给定的数据集中采样得到一个数据批次；利用基于正交化的目标函数从所述数据批次中选取子集S；基于子集S对目标深度神经网络进行训练。与现有技术相比，本发明利用正交化方法去除子集间的冗余，提供了基于正交化去冗余相关性的目标函数来同时衡量子集的多样性与代表性，并提供了基于目标函数的高效优化方法与对应的数据选择算法，能够高效的挑选多样且有代表性的子集。
-
公开(公告)号：CN118503468A
公开(公告)日：2024-08-16
申请号：CN202410624128.9
申请日：2024-05-20
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06F16/535 , G06F16/583
Abstract: 本发明涉及一种基于几何结构一致性的鲁棒跨模态检索方法、设备及介质，该方法利用跨模态和模态内几何结构一致性对噪声样本识别进行识别，同时针对几何结构一致性设定来设计相应训练流程，并采用基于动量的变量更新策略与双网络架构来改进训练流程。与现有技术相比，本发明具有在跨模态和模态内两个层面上进行识别大幅提升了噪声识别的准确性等优点。
-
公开(公告)号：CN116796865A
公开(公告)日：2023-09-22
申请号：CN202310432186.7
申请日：2023-04-20
Applicant: 上海人工智能创新中心 , 上海交通大学
IPC: G06N20/20 , G06F18/214
Abstract: 本发明公开一种联邦学习的泛化调整方法，其首先在本地终端计算泛化差异，然后在本地终端进行第r轮训练，得到第r轮次的本地模型，并将第r轮次的本地模型及泛化差异上传至服务器端，最后在服务器端进行全局模型参数聚合，得到第r+1轮次的全局模型。其可以最小化联邦学习训练过程中各个本地终端的泛化差异方差，进而有效地降低全局模型在跨域时的泛化误差，改善联邦领域的泛化问题。
-
公开(公告)号：CN109523012B
公开(公告)日：2021-06-04
申请号：CN201811184604.0
申请日：2018-10-11
Applicant: 上海交通大学
Abstract: 本发明提供一种基于变分解耦合方式对符号有向网络的表达学习方法，读取社交网站的符号有向网络数据，符号有向网络数据主要包括节点间边正负和方向的网络数据；令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A+表示，所述负无向图用邻接矩阵A‑表示；令邻接矩阵A+、A‑输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；基于符号有向网络中节点间的关系构建结构解码器，依照目标损失函数进行修正，得到优化后向量表达；令优化后向量表达应用于设定的数据挖掘任务。通过分离符号有向网络形成正无向网络、负无向网络，学习节点的符号化局部连续性特征，充分挖掘节点间的依赖性模式，适合于社交网络中用户推荐。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.015 seconds)
