公开(公告)号：CN118781072A

公开(公告)日：2024-10-15

申请号：CN202410880876.3

申请日：2024-07-02

Applicant: 哈尔滨理工大学

Inventor： 李伟卓 ,  刘欢 ,  张前贺 ,  罗智泰

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/774 ,  G06V10/776 ,  G06F16/332 ,  G06N3/045 ,  G06N3/08 ,  G06F21/62 ,  G16H30/20 ,  G16H50/20

Abstract: 本发明涉及医疗图像处理和计算机医疗辅助诊断技术领域，具体涉及一种基于多模态模型的创新医疗图像处理方法，旨在解决传统医疗图像处理中存在的多模态信息处理不足和信息损失问题。该方法通过数据整理和模型微调两个主要步骤，利用ChatGLM‑6B语言模型和Qwen‑VL多模态对话语言模型，对2D肺部X光影像和2D肺部CT影像进行处理和微调训练。实验结果表明，该方法能够全面且准确地处理不同结构的医学图像，并将图像数据转化为信息丰富的文本数据，有助于生成详细的辅助诊断信息。该方法特别适用于肺部医学影像处理，能够提高医疗影像的语义理解和信息处理能力，有效应对医疗影像数据的多模态性和多源性问题。

公开(公告)号：CN118781342A

公开(公告)日：2024-10-15

申请号：CN202410883862.7

申请日：2024-07-02

Applicant: 哈尔滨理工大学

Inventor： 张前贺 ,  杨锦锋 ,  李伟卓 ,  吴延庆 ,  罗智泰 ,  王俊逍

IPC: G06V10/26 ,  G06V10/22 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/82 ,  G06N3/08 ,  G06T5/30 ,  G06T5/70 ,  G06T5/80 ,  G06V10/44

Abstract: 本发明涉及大田作物农机作业导航技术领域，提出了一种基于机器视觉的智能农业导航方法。首先，采集不同环境和长势的大田作物行图像，使用标注工具进行数据处理，并通过数据增强生成用于模型训练的数据集。其次，基于U‑Net架构和Swin Transformer构建轻量级图像分割网络，通过特征提取和损失比较，获得最优的作物行分割模型。最后，通过形态学处理和透视变换矩阵进行中心线提取及视角变换，结合摄像头标定信息计算实际的作物行偏移量，并传递给机械系统以完成导航任务。本发明通过图像分割网络的构建和数据训练，得到了适用于常规大田作物的分割模型，结合后处理操作获取真实偏移信息，从而实现农机导航，在实际应用中具有重要价值。

公开(公告)号：CN119274649A

公开(公告)日：2025-01-07

申请号：CN202411489525.6

申请日：2024-10-23

Applicant: 哈尔滨理工大学

Inventor： 姚登举 ,  吴延庆 ,  张博 ,  张前贺 ,  罗智泰

IPC: G16B20/00 ,  G16B40/00 ,  G16B50/30 ,  G06N3/042 ,  G06F18/22 ,  G06F17/16 ,  G06N3/045 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0464

Abstract: 本发明涉及生物信息学技术领域，提出了一种由原始通道和交互通道构成的CDA预测模型。首先从circ2Disease与circR2Disease俩个开源数据库中获取原始数据。将原始数据加工，筛选出人类的circRNA和疾病关联并构造稀疏矩阵，基于稀疏矩阵进行多种相似度计算获取初始特征，随后进入两个通道：在通道一中使用双注意力机制，提取高阶特征并保留重要信息；在通道二中，使用度分割和Wave模块，融合不同样本特征的潜在信息关联。随后，通过通道融合模块整合俩通道信息以生成最终输出，最后通过五折交叉验证以及评估指标来找到性能最优的模型。基于两个数据集的实验结果表明，该模型在CDA预测任务中的性能优于现有方法，进一步的案例研究和泛化分析验证了其有效性和广泛适用性。

公开(公告)号：CN118887247A

公开(公告)日：2024-11-01

申请号：CN202410938245.2

申请日：2024-07-12

Applicant: 哈尔滨理工大学

Inventor： 王莉莉 ,  罗智泰 ,  杨海陆 ,  陈晨 ,  李伟卓 ,  张前贺 ,  吴延庆

IPC: G06T7/136 ,  G06V10/764 ,  G06V10/80 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0464 ,  G06V10/776 ,  G16H30/00

Abstract: 本发明公开了一种基于多尺度对比学习的涂鸦监督医学图像分割方法，涉及医学图像分割技术领域。该方法采用混合的CNN‑ASPP双分支网络结构，无需完全标注的未配对掩码；基于阈值的硬伪标签机制使两个分支相互学习，融合CNN主分支的局部细粒度特征与ASPP辅助分支的多尺度上下文和全局信息，隐式学习全局形状先验知识；通过结合区域损失和边界损失优化的硬伪标签监督，引导图像块级别的对比学习，充分挖掘医学图像中非目标切片的解剖结构信息，从而增强模型对前景和背景区域的区分能力，减少噪声标签的干扰，提升了分割模型的鲁棒性和泛化能力。

公开(公告)号：CN118734360A

公开(公告)日：2024-10-01

申请号：CN202410880877.8

申请日：2024-07-02

Applicant: 哈尔滨理工大学

Inventor： 李伟卓 ,  刘欢 ,  张前贺

IPC: G06F21/62 ,  G06N20/20 ,  G06F21/60 ,  G06F16/27 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/084 ,  G06N3/096 ,  G06N3/126 ,  G06N7/01

Abstract: 本发明涉及联邦学习中分布式AI模型训练中的隐私保护问题，具体涉及一种基于联邦学习的隐私保护型大型模型训练与部署方法。通过自适应隐私保护层，动态调整数据扰动、访问控制和加密策略，确保数据安全。模型鲁棒性增强算法结合异常值检测和对抗性样本，提高模型稳定性。智能合约和区块链技术实现模型参数更新的不可篡改记录和验证，增强透明度和可追溯性。实时性能监控和模型可解释性技术提升模型可靠性和决策透明度。跨领域知识迁移框架和自动化调参工具解决数据分布不均和领域差异问题，实现隐私保护与模型性能的最佳平衡。安全启动技术保障客户端启动安全。本发明应用于自然语言处理、图像识别及医疗健康等行业，具有广泛应用前景和价值。