-
公开(公告)号：CN114239744B
公开(公告)日：2024-07-02
申请号：CN202111576827.3
申请日：2021-12-21
Applicant: 南京邮电大学
IPC: G06F18/214 , G06N3/094
Abstract: 本发明公开了一种基于变分生成对抗网络的个体处理效应评估方法，采用变分自编码器推断观测特征的隐表示，来获取完整的潜在因素，设计生成对抗网络推断反事实结果并指导变分自编码器更好地解耦潜在因素为工具因素，混淆因素以及调整因素，同时引入了一种自适应加权的方法基于解耦的混淆因素进一步控制数据偏差。本发明基于变分自编码器与生成对抗网络设计协同学习策略，提出变分生成对抗网络模型来估计个体处理效应，与现有方法相比，提高了个体处理效应评估的准确率。
-
公开(公告)号：CN115661500B
公开(公告)日：2023-04-28
申请号：CN202211681207.0
申请日：2022-12-27
Applicant: 南京邮电大学
IPC: G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及不确定性估计领域及目标检测领域，公开了基于二阶分布及不确定性感知聚类融合的目标检测方法。所述方法包括：定义目标类别服从先验分布为狄利克雷分布的类别分布，并基于主观逻辑理论，将其转化为等价的主观意见从而得到类别不确定性评估以及类别预测；定义目标位置偏移量服从先验分布为高斯逆伽马分布的高斯分布，并对目标位置标签进行逆运算，基于神经网络学习得到的二阶分布计算得到目标框位置信息以及回归不确定性估计；基于空间邻近性对模型输出的预测框聚类得到预测框簇，并引入加权信念融合方法对预测框簇中的狄利克雷分布进行融合，最终针对同一目标，得到结合了不同预测框证据的单一预测框作为最终结果。
-
公开(公告)号：CN119942088A
公开(公告)日：2025-05-06
申请号：CN202510244087.5
申请日：2025-03-03
Applicant: 南京邮电大学
Abstract: 本发明公开了一种可信遥感目标检测方法，包括以下步骤：S1.获取训练数据集；S2.以Oriented‑RCNN为基线模型，构建可信遥感目标检测模型；S3.训练可信遥感目标检测模型；S4.获取遥感目标检测测试数据集；S5.将测试图像输入训练好的遥感目标检测模型中，分别获取经过上下文增强后的RoI区域和未经过上下文增强的RoI区域，随后使用可信遥感目标检测模型获取分类结果和预测框位置；S6.对分类结果进行D‑S证据融合以获取融合后的分类结果，并与预测框位置一同输出，获取最终的预测结果。本发明解决了遥感目标检测中由于过度自信而难以应用于风险敏感领域的问题以及不合时宜引入上下文导致的性能下降问题。
-
Patent Agency Ranking
公开(公告)号：CN114239744A
公开(公告)日：2022-03-25
申请号：CN202111576827.3
申请日：2021-12-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于变分生成对抗网络的个体处理效应评估方法，采用变分自编码器推断观测特征的隐表示，来获取完整的潜在因素，设计生成对抗网络推断反事实结果并指导变分自编码器更好地解耦潜在因素为工具因素，混淆因素以及调整因素，同时引入了一种自适应加权的方法基于解耦的混淆因素进一步控制数据偏差。本发明基于变分自编码器与生成对抗网络设计协同学习策略，提出变分生成对抗网络模型来估计个体处理效应，与现有方法相比，提高了个体处理效应评估的准确率。
-
公开(公告)号：CN113658721A
公开(公告)日：2021-11-16
申请号：CN202110812104.2
申请日：2021-07-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种阿尔兹海默疾病进程预测方法，患者在固定时间间隔内测量得到多视图数据，阿尔兹海默疾病进程预测方法包括对多视图数据进行预处理；使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；在隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；并使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。本发明通过多视图融合神经网络为每个时间点的多视图数据习得各视图间共享的隐表示矩阵，同时，最小门控单元预测得到的下一个时间点的数据用于填补缺失的数据，利用最小门控单元进行未来任意时间点的评分数据预测。
-
公开(公告)号：CN119625319A
公开(公告)日：2025-03-14
申请号：CN202510078057.1
申请日：2025-01-17
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了证据不确定性渐进引导的可信医学影像分割方法及设备，其中方法包括：S1、获取训练样本及对应标签；S2、根据训练样本及对应标签，训练可信医学影像分割模型；S3、获取测试样本；S4、将测试样本输入训练后的可信医学影像分割模型中进行预测，计算狄利克雷分布的参数，计算狄利克雷分布的期望张量；S5、计算分割证据不确定性矩阵；S6、令类别概率最大的类别为预测类别，则可信医学影像分割模型基于测试样本输出的预测分割结果为：predictioni＝argmax pi；S7、将测试样本的预测分割结果和分割证据不确定性矩阵进行可视化。本发明提高了分割精度，既大幅减少了计算代价，又提供了更精准的不确定性估计。
-
公开(公告)号：CN113658721B
公开(公告)日：2024-03-19
申请号：CN202110812104.2
申请日：2021-07-19
Applicant: 南京邮电大学
IPC: G16H70/60 , G16H50/70 , G06N3/0442 , G06N3/082
Abstract: 本发明公开了一种阿尔兹海默疾病进程预测方法，患者在固定时间间隔内测量得到多视图数据，阿尔兹海默疾病进程预测方法包括对多视图数据进行预处理；使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；在隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；并使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。本发明通过多视图融合神经网络为每个时间点的多视图数据习得各视图间共享的隐表示矩阵，同时，最小门控单元预测得到的下一个时间点的数据用于填补缺失的数据，利用最小门控单元进行未来任意时间点的评分数据预测。
-
公开(公告)号：CN115661500A
公开(公告)日：2023-01-31
申请号：CN202211681207.0
申请日：2022-12-27
Applicant: 南京邮电大学
IPC: G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及不确定性估计领域及目标检测领域，公开了基于二阶分布及不确定性感知聚类融合的目标检测方法。所述方法包括：定义目标类别服从先验分布为狄利克雷分布的类别分布，并基于主观逻辑理论，将其转化为等价的主观意见从而得到类别不确定性评估以及类别预测；定义目标位置偏移量服从先验分布为高斯逆伽马分布的高斯分布，并对目标位置标签进行逆运算，基于神经网络学习得到的二阶分布计算得到目标框位置信息以及回归不确定性估计；基于空间邻近性对模型输出的预测框聚类得到预测框簇，并引入加权信念融合方法对预测框簇中的狄利克雷分布进行融合，最终针对同一目标，得到结合了不同预测框证据的单一预测框作为最终结果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
