-
公开(公告)号：CN113610177A
公开(公告)日：2021-11-05
申请号：CN202110941361.6
申请日：2021-08-17
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种甲状腺SPECT图像分类方法，包括以下步骤：在甲状腺SPECT图像中提取人工特征；以甲状腺SPECT图像和人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；将人工特征和自动特征合并输入分类器实现分类，获得分类结果；评估分类结果，合格后获得完成训练图像分类模型，进行甲状腺SPECT图像的分类。本发明将自动提取的深度特征与人工选择的特征相融合，提升了特征信息的丰富度和图像识别的效果；通过引入注意力机制，对模型提取的特征进行筛选，提升模型的特征提取能力，同时使模型训练更方便高效，实现了图像高准确率的自动分类。
-
公开(公告)号：CN104751447A
公开(公告)日：2015-07-01
申请号：CN201510016568.7
申请日：2015-01-10
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种锂电池单元缺陷检测方法，其主要思想是，对锂电池单元正反两面图像进行采集，运用支持Tucker机方法，先利用预处理后的有缺陷和无缺陷的电池单元图像集进行训练，得到权重张量和核心张量及其他参数，然后应用训练得到的参数对待检测的单元图像应用支持Tucker机的方法进行判断，完成有缺陷和无缺陷的分类，从而得到检测结果。本发明利用支持Tucker机，使用Tucker分解得到张量形式的权重参数，这种方法可以完整保留图像数据的信息和结构，提高了分类准确度。本发明可以广泛应用于基于图像的缺陷检测。
-
公开(公告)号：CN113837224A
公开(公告)日：2021-12-24
申请号：CN202110978848.1
申请日：2021-08-25
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种基于SPECT影像的甲状腺结节性质分类方法，包括：获取甲状腺的SPECT影像数据集，并将所述甲状腺的SPECT影像数据集输入甲状腺结节性质分类模型进行训练，获得完成训练的甲状腺结节性质分类模型，其中所述甲状腺结节性质分类模型的网络结构包括分类卷积神经网络和孪生神经网络；基于所述完成训练的甲状腺结节性质分类模型，输入待测SPECT影像，获得甲状腺结节性质分类结果。本发明通过独特的网络结构和对困难样本挖掘，以极少的训练样本训练出了合格的分类模型，节省了成本、提高了效率，实现了高准确率的自动分类。
-
公开(公告)号：CN113643400B
公开(公告)日：2022-05-24
申请号：CN202110966379.1
申请日：2021-08-23
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种图像生成方法，包括：获取训练数据集，所述训练数据集包括若干张第一图像和若干张第二图像；其中，所述第一图像为原图像，所述第二图像为待生成类别的图像；基于CycleGAN和VAE建立神经网络模型；通过所述训练数据集对所述神经网络模型进行训练，训练好的所述神经网络模型用于进行图像生成。本发明采用CycleGAN与VAE结合的方式，通过VAE网络产生图像的编码分布，将产生的编码输入到CycleGAN网络作为其生成图像的噪声信号，并对生成的图像加上类别限制，能够保证生成的图像是期望的图像，使生成的图像逼真的同时也具有较好的细节信息。
-
公开(公告)号：CN109727227A
公开(公告)日：2019-05-07
申请号：CN201811402574.6
申请日：2018-11-23
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供一种基于SPECT影像的甲状腺疾病诊断方法，使用一种改进的DenseNet网络结构的卷积神经网络进行图像分类，在Dense block中的跨层连接中增加对于权重有影响的参数，并使得以前各层的特征图的权重在训练中进行动态调整，从而使得网络具有更大的灵活性，提高分类性能。实施实例表明该方法能够获得优于其他深度学习方法的性能。本发明可以广泛应用于甲状腺疾病的诊断和其他图像分类问题。
-
Patent Agency Ranking
公开(公告)号：CN115470645B
公开(公告)日：2024-12-27
申请号：CN202211160745.5
申请日：2022-09-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/20 , G06F18/10 , G06F111/04 , G06F111/08 , G06F111/10
Abstract: 本发明公开了一种变分模态分解的参数确定方法，所述方法包括如下步骤：第一步、确定K和α的搜索范围，确定总迭代次数NT，当前迭代次数NC设置为0；第二步、在搜索范围内，选取P个不同的变分模态分解参数(K,α)；第三步、对所有P个变分模态分解参数，计算每个变分模态分解参数的目标函数；第四步、保留获得小的目标函数结果的变分模态分解的参数，对其余获得大的目标函数结果的每一个变分模态分解的参数，采用优化算法，得到更新后的参数；第五步、NC加1；如果NT大于NC，转到第三步；如果NT等于NC，参数自动寻优结束，获得最小的目标函数结果的参数就是最优参数。该方法对变分模态分解的K和α进行自动寻优的方法，解决了手工设置两个参数导致分解结果不正确的问题。
-
公开(公告)号：CN115470645A
公开(公告)日：2022-12-13
申请号：CN202211160745.5
申请日：2022-09-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/20 , G06K9/00 , G06F111/04 , G06F111/08 , G06F111/10
Abstract: 本发明公开了一种变分模态分解的参数确定方法，所述方法包括如下步骤：第一步、确定K和α的搜索范围，确定总迭代次数NT，当前迭代次数NC设置为0；第二步、在搜索范围内，选取P个不同的变分模态分解参数(K,α)；第三步、对所有P个变分模态分解参数，计算每个变分模态分解参数的目标函数；第四步、保留获得小的目标函数结果的变分模态分解的参数，对其余获得大的目标函数结果的每一个变分模态分解的参数，采用优化算法，得到更新后的参数；第五步、NC加1；如果NT大于NC，转到第三步；如果NT等于NC，参数自动寻优结束，获得最小的目标函数结果的参数就是最优参数。该方法对变分模态分解的K和α进行自动寻优的方法，解决了手工设置两个参数导致分解结果不正确的问题。
-
公开(公告)号：CN113837224B
公开(公告)日：2022-06-24
申请号：CN202110978848.1
申请日：2021-08-25
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种基于SPECT影像的甲状腺结节性质分类方法，包括：获取甲状腺的SPECT影像数据集，并将所述甲状腺的SPECT影像数据集输入甲状腺结节性质分类模型进行训练，获得完成训练的甲状腺结节性质分类模型，其中所述甲状腺结节性质分类模型的网络结构包括分类卷积神经网络和孪生神经网络；基于所述完成训练的甲状腺结节性质分类模型，输入待测SPECT影像，获得甲状腺结节性质分类结果。本发明通过独特的网络结构和对困难样本挖掘，以极少的训练样本训练出了合格的分类模型，节省了成本、提高了效率，实现了高准确率的自动分类。
-
公开(公告)号：CN113643400A
公开(公告)日：2021-11-12
申请号：CN202110966379.1
申请日：2021-08-23
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明公开了一种图像生成方法，包括：获取训练数据集，所述训练数据集包括若干张第一图像和若干张第二图像；其中，所述第一图像为原图像，所述第二图像为待生成类别的图像；基于CycleGAN和VAE建立神经网络模型；通过所述训练数据集对所述神经网络模型进行训练，训练好的所述神经网络模型用于进行图像生成。本发明采用CycleGAN与VAE结合的方式，通过VAE网络产生图像的编码分布，将产生的编码输入到CycleGAN网络作为其生成图像的噪声信号，并对生成的图像加上类别限制，能够保证生成的图像是期望的图像，使生成的图像逼真的同时也具有较好的细节信息。
-
公开(公告)号：CN104821166A
公开(公告)日：2015-08-05
申请号：CN201510016656.7
申请日：2015-01-10
Applicant: 哈尔滨工业大学(威海)
IPC: G10K11/178
Abstract: 本发明提供一种基于粒子群算法的有源噪声控制方法，其主要特点是：惯性权重随迭代次数动态变化；利用所有粒子个体最优值的平均值替代速度更新中某个粒子的个体最优值；根据声通道突变前后两次均方误差的差值会突然变大的特点设定重新初始化粒子的触发条件。本发明充分利用粒子个体最优信息，增强了种群的多样性，提高了粒子群算法的收敛速度和全局优化能力，在对误差信号逐个采样的基础上提出的有源噪声控制方法不仅可以降低噪声信号，提高信噪比，还能有效应对声通道的突变。本发明可以广泛应用于有源噪声控制设备或者装置中。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.114 seconds)
