-
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：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：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。
-
公开(公告)号：CN117933346A
公开(公告)日：2024-04-26
申请号：CN202410339613.1
申请日：2024-03-25
Applicant: 之江实验室
IPC: G06N3/0895 , G06N3/092 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于自监督强化学习的即时奖励学习方法，获取高维图像数据集，高维图像数据集中包括若干带有终止状态成功或者失败标识的图像；利用高维图像数据集训练自监督学习模型，得到对应的低维特征；利用高维图像数据带有的终止状态的标识，基于低维特征，得到成功特征和失败特征；利用监督学习方法训练状态转移模型，并利用状态转移模型预测的下一状态信息和两类特征进行比较分类，得到即时奖励；基于即时奖励，利用强化学习方法进行决策。本发明可以减少强化学习方法中奖励的人工设计及标注，使得即时奖励的获取智能化。同时，这种即时奖励学习方法可以扩充强化学习的应用范围，扩展了强化学习框架的实际应用，具有广阔的场景。
-
公开(公告)号：CN117351571A
公开(公告)日：2024-01-05
申请号：CN202311448990.0
申请日：2023-11-01
Applicant: 之江实验室 , 上海人工智能创新中心
IPC: G06V40/20 , G06V20/40 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及智能识别领域，特别是涉及一种目标实时跟踪的姿态识别方法、装置、计算机设备和存储介质。所述方法包括：利用至少两个相机分别获取包括目标对象的第一视频流；当各所述第一视频流中分别包含多个对象时，基于各所述对象与所述目标对象的相似度，对所述目标对象进行跟踪；获取各所述第一视频流的各视频帧中目标对象的关键点的二维坐标，并基于相同时刻的至少两个二维坐标，得到各时刻的目标对象的关键点的三维坐标；基于所述各时刻的目标对象的关键点的三维坐标，识别所述目标对象的姿态。本发明能够在多个对象的情况下依然能够准确地识别并跟踪目标对象，进而实现鲁棒和准确的三维姿态识别。
-
Patent Agency Ranking
公开(公告)号：CN117953351B
公开(公告)日：2024-07-23
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。
-
公开(公告)号：CN118196183A
公开(公告)日：2024-06-14
申请号：CN202410319903.X
申请日：2024-03-20
Applicant: 之江实验室 , 上海人工智能创新中心
IPC: G06T7/70
Abstract: 本申请涉及动脉瘤形态学参数的提取方法、装置和计算机设备。确定待检测动脉瘤模型的原始中心线、前向中心线和后向中心线；将前向中心线中与原始中心线的相对距离大于距离阈值的点位确定为第一分离点，将后向中心线中与原始中心线的相对距离大于距离阈值的点位确定为第二分离点；其中前向中心线与后向中心线的方向相反，原始中心线用于指示待检测动脉瘤模型的每一切面所对应的中心点；分别基于第一分离点处的第一动脉瘤半径和第二分离点处的第二动脉瘤半径，确定待检测动脉瘤模型的上游瘤颈点和下游瘤颈点；根据上游瘤颈点、下游瘤颈点和待检测动脉瘤模型的几何关系计算待检测动脉瘤模型的形态学参数。本方法能够提高形态学参数获取的准确性。
-
公开(公告)号：CN118155854A
公开(公告)日：2024-06-07
申请号：CN202410271436.8
申请日：2024-03-11
Applicant: 之江实验室
IPC: G16H50/50 , G16H10/60 , G16H80/00 , G06N3/0895 , G06N3/092
Abstract: 本发明公开了一种基于孪生模型的康复场景大模型训练方法，包括：获取训练数据集并进行处理，所述训练数据集中包括康复临床数据、孪生模型数据和多学科数据；获取待训练大模型，基于处理后的训练数据集，利用自监督学习方法训练所述待训练模型；对于自监督学习后的大模型，基于处理后的康复临床数据和孪生模型数据，利用监督学习方法和规范化模板进行进一步训练；对于监督学习后的大模型，基于处理后的康复临床数据，利用强化学习方法进行进一步训练大模型，其中强化学习过程中以人工反馈及相关数据作为评分机制，以引导大模型生成用户认可的创意性回答。
-
公开(公告)号：CN117352126A
公开(公告)日：2024-01-05
申请号：CN202311459346.3
申请日：2023-11-03
Applicant: 之江实验室 , 上海人工智能创新中心
Abstract: 本申请涉及一种肌肉受力可视化方法、装置、计算机设备以及存储介质。所述方法包括：基于世界坐标系，确定摄像机对应的投影矩阵；获取待检测图像，并通过目标检测模型根据待检测图像确定目标追踪对象；获取目标追踪对象的关节点热图，根据关节点热图确定关节点二维坐标；基于投影矩阵，根据关节点二维坐标确定关节点三维坐标，并根据关节点三维坐标驱动数字人模型运动，确定数字人模型的关节运动信息；根据关节运动信息确定目标追踪对象的肌肉受力信息，并将肌肉受力信息进行可视化展示。上述方法，可以提高获取的患者肌肉受力情况的准确性，为患者提供可靠的康复训练参考数据，同时减少对肌肉受力情况的计算成本。
-
公开(公告)号：CN117933346B
公开(公告)日：2024-07-23
申请号：CN202410339613.1
申请日：2024-03-25
Applicant: 之江实验室
IPC: G06N3/0895 , G06N3/092 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于自监督强化学习的即时奖励学习方法，获取高维图像数据集，高维图像数据集中包括若干带有终止状态成功或者失败标识的图像；利用高维图像数据集训练自监督学习模型，得到对应的低维特征；利用高维图像数据带有的终止状态的标识，基于低维特征，得到成功特征和失败特征；利用监督学习方法训练状态转移模型，并利用状态转移模型预测的下一状态信息和两类特征进行比较分类，得到即时奖励；基于即时奖励，利用强化学习方法进行决策。本发明可以减少强化学习方法中奖励的人工设计及标注，使得即时奖励的获取智能化。同时，这种即时奖励学习方法可以扩充强化学习的应用范围，扩展了强化学习框架的实际应用，具有广阔的场景。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.028 seconds)
