-
公开(公告)号:CN114724720A
公开(公告)日:2022-07-08
申请号:CN202210649767.1
申请日:2022-06-10
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京大学
IPC: G16H50/30 , G16H50/20 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , A61B8/02
Abstract: 本发明提供了一种基于深度学习的产前电子胎心监护自动识别系统,包括:数据预处理模块,用于对监测的目标病人的电子胎心监护数据进行数据预处理;单片段胎心监护评价模块,用于获取预处理后的数据所对应的单片段数据,并基于主干网络以及序回归模型,得到单片段数据的当下评分,判定目标病人是否需要继续监测;多片段胎心监护综合评价模块,用于当需要继续监测时,获取对应的多片段数据,并进行综合诊断,获取胎心判读结果,且对胎心判读结果进行准确性评估,获取监测建议。可以实现对胎儿心跳健康情况进行评估,并对评估结果的准确性进行衡量,在提高效率和准确率的同时,为医生提供可靠的结果评价。
-
公开(公告)号:CN114724720B
公开(公告)日:2022-09-09
申请号:CN202210649767.1
申请日:2022-06-10
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京大学
IPC: G16H50/30 , G16H50/20 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , A61B8/02
Abstract: 本发明提供了一种基于深度学习的产前电子胎心监护自动识别系统,包括:数据预处理模块,用于对监测的目标病人的电子胎心监护数据进行数据预处理;单片段胎心监护评价模块,用于获取预处理后的数据所对应的单片段数据,并基于主干网络以及序回归模型,得到单片段数据的当下评分,判定目标病人是否需要继续监测;多片段胎心监护综合评价模块,用于当需要继续监测时,获取对应的多片段数据,并进行综合诊断,获取胎心判读结果,且对胎心判读结果进行准确性评估,获取监测建议。可以实现对胎儿心跳健康情况进行评估,并对评估结果的准确性进行衡量,在提高效率和准确率的同时,为医生提供可靠的结果评价。
-
公开(公告)号:CN113065634B
公开(公告)日:2024-07-09
申请号:CN202110218469.2
申请日:2021-02-26
IPC: G06V10/82 , G06V10/774 , G06V10/764 , G06V10/74 , G06N3/045 , G06N3/08
Abstract: 本申请实施例公开一种图像处理方法、神经网络的训练方法以及相关设备,应用于人工智能领域的图像处理领域中,方法包括:根据第一相似度信息对每个第一类别信息进行更新,得到N个第二类别信息,第一相似度信息指示各个第一类别信息之间的相似度,第二类别信息指示一类支撑图像的更新后的特征信息;通过第一神经网络得到与查询图像对应的第一特征信息,根据第二类别信息对第一特征信息进行更新得到第二特征信息,根据第二特征信息执行特征处理操作得到预测结果;根据第一损失函数对第一神经网络进行训练,第一损失函数指示预测结果和期望结果之间的相似度;降低第二特征信息过拟合于少量图像的概率,提高整个神经网络输出的预测结果的精度。
-
公开(公告)号:CN112287954A
公开(公告)日:2021-01-29
申请号:CN201910672533.7
申请日:2019-07-24
IPC: G06K9/62
Abstract: 本申请涉及人工智能领域中的图像识别技术,提供了图像分类方法、图像分类模型的训练方法及其装置。涉及人工智能领域,具体涉及计算机视觉领域。该方法包括:获取待处理图像;根据预设的全局类别特征,对所述待处理图像进行分类,得到所述待处理图像的分类结果,其中,所述全局类别特征包括根据训练集中的多个训练图像训练得到的多个类别特征,所述全局类别特征中的多个类别特征用于指示所述训练集中的所有类别的视觉特征,所述训练集中的所有类别为所述训练集中的所有训练图像所属的类别,所述训练集包括基类中的图像和新类中的图像。本申请实施例中的图像分类方法,能够更好地对图像进行分类。
-
公开(公告)号:CN118520967A
公开(公告)日:2024-08-20
申请号:CN202310171526.5
申请日:2023-02-20
IPC: G06N20/00
Abstract: 公开了一种模型训练方法、装置及设备,涉及机器学习技术领域。由于不同的计算设备具有不同的数据组织形式,训练设备获取每个计算设备按照相同的训练方向(第一梯度)确定的修正数据,使得训练设备利用该修正数据来训练模型时无需考虑数据组织形式的不同,避免了模型训练的稳定性较差的问题。而且,不同的计算设备都按照相同的训练方向来运行模型和输出修正数据,有利于训练设备获取更准确的模型训练方向,从而减少模型训练的轮次,也降低了训练设备和计算设备之间的通信次数,有利于提高模型收敛的速度以及模型的训练效率。
-
公开(公告)号:CN113742520A
公开(公告)日:2021-12-03
申请号:CN202010476330.3
申请日:2020-05-29
Applicant: 北京大学 , 北京三星通信技术研究有限公司
IPC: G06F16/732 , G06F16/78 , G06F16/783 , G06K9/62
Abstract: 本发明公布了一种基于半监督学习的密集视频描述算法的视频查询检索方法,通过半监督学习的方法训练密集视频描述网络模型,利用大量的无标注视频数据,提升密集视频描述算法的性能;实现的视频查询检索系统包括:密集视频描述网络模型、半监督学习模块和视频查询检索模块、视频数据库。采用本发明提供的技术方案,能够有效提高视频查询检索的精度。
-
公开(公告)号:CN111797893B
公开(公告)日:2021-09-14
申请号:CN202010454031.X
申请日:2020-05-26
Abstract: 本申请实施例公开了一种神经网络的训练方法、图像分类系统及相关设备,可应用于人工智能领域,其通过原型网络对训练集(由第一集合和第二集合构成)中的图像提取特征,得到第一集合多个图像在特征空间中的第一特征点和第二集合多个图像的第二特征点,第一特征点用于计算图像的分类类别的原型,第二特征点用于更新原型网络的网络参数,通过获取第二集合中图像的分类类别之间的语义相似度计算图像的分类类别之间的边际取值,再根据边际取值调整损失函数。通过在损失函数引入自适应的边际取值,即在相似类别间加入较大边际取值、不太相似的类别间加入较小边际取值来自适应调整类别之间的边际,从而更容易区分各个类别,提高原型网络的分类精度。
-
公开(公告)号:CN113065634A
公开(公告)日:2021-07-02
申请号:CN202110218469.2
申请日:2021-02-26
Abstract: 本申请实施例公开一种图像处理方法、神经网络的训练方法以及相关设备,应用于人工智能领域的图像处理领域中,方法包括:根据第一相似度信息对每个第一类别信息进行更新,得到N个第二类别信息,第一相似度信息指示各个第一类别信息之间的相似度,第二类别信息指示一类支撑图像的更新后的特征信息;通过第一神经网络得到与查询图像对应的第一特征信息,根据第二类别信息对第一特征信息进行更新得到第二特征信息,根据第二特征信息执行特征处理操作得到预测结果;根据第一损失函数对第一神经网络进行训练,第一损失函数指示预测结果和期望结果之间的相似度;降低第二特征信息过拟合于少量图像的概率,提高整个神经网络输出的预测结果的精度。
-
公开(公告)号:CN111797893A
公开(公告)日:2020-10-20
申请号:CN202010454031.X
申请日:2020-05-26
Abstract: 本申请实施例公开了一种神经网络的训练方法、图像分类系统及相关设备,可应用于人工智能领域,其通过原型网络对训练集(由第一集合和第二集合构成)中的图像提取特征,得到第一集合多个图像在特征空间中的第一特征点和第二集合多个图像的第二特征点,第一特征点用于计算图像的分类类别的原型,第二特征点用于更新原型网络的网络参数,通过获取第二集合中图像的分类类别之间的语义相似度计算图像的分类类别之间的边际取值,再根据边际取值调整损失函数。通过在损失函数引入自适应的边际取值,即在相似类别间加入较大边际取值、不太相似的类别间加入较小边际取值来自适应调整类别之间的边际,从而更容易区分各个类别,提高原型网络的分类精度。
-
公开(公告)号:CN110309856A
公开(公告)日:2019-10-08
申请号:CN201910464523.4
申请日:2019-05-30
Abstract: 本申请提供了图像分类方法、神经网络的训练方法及装置。涉及人工智能领域,具体涉及计算机视觉领域。其中,该图像分类方法包括:获取处理图像;根据预先训练好的神经网络模型对该待处理图像进行卷积处理,得到待处理图像的卷积特征图,并根据该待处理图像的卷积特征图对该待处理图像进行分类,得到该待处理图像的分类结果。由于神经网络模型在训练时不仅采用了多个训练图像的标签,还采用了多个训练图像的类层次结构信息,神经网络模型在训练时利用了训练图像更丰富的信息,因此,本申请能够更好地对图像进行分类。
-
-
-
-
-
-
-
-
-