-
公开(公告)号：CN116740463B
公开(公告)日：2024-08-13
申请号：CN202310822010.2
申请日：2023-07-05
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种sMRI图像顺序多分类方法，包括：将一定数量的sMRI图像分成训练集、验证集和测试集；构建网络模型，构建的网络模型包括特征提取和分类模型、排序模型和困难样本识别矫正模型；将训练集中所有的样本图像分批次输入到构建的网络模型中进行训练，并使用验证集中所有图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；最后将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。优点在于：通过排序模型使这些不同类别的样本通过模型得到的特征向量之间的距离和在实际病理中的距离保持一致，从而使提取的不同类别的sMRI图像间的特征具有顺序特性，并提升网络分类性能。
-
公开(公告)号：CN114120154B
公开(公告)日：2022-10-28
申请号：CN202111395954.3
申请日：2021-11-23
Applicant: 宁波大学
IPC: G06V20/17 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种高层建筑玻璃幕墙破损的自动检测方法，包括构建检测网络并使用样本集对构建的检测网络进行训练和验证，得到具有最优参数的检测网络，其中，检测网络的构建方法具体为：先构建YOLO v4网络，将YOLO v4网络中的卷积层用依次相连接的扩展卷积、逐通道卷积和逐点卷积进行替换，得到新的卷积层，最后将替换完成的YOLO v4网络作为构建的检测网络；之后根据所有BN层的缩放因子向量对具有最优参数的检测网络进行剪枝；最后利用样本集对剪枝后的具有最优参数的检测网络进行微调，得到最终的检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
公开(公告)号：CN112949728B
公开(公告)日：2021-09-14
申请号：CN202110266006.3
申请日：2021-03-11
Applicant: 宁波大学
Abstract: 一种基于切片图像筛选和特征聚合的MRI图像分类方法，训练时：获取训练集和验证集中每幅MRI图像的切片图像及每张切片图像对应的切片向量，并对所有切片向量进行聚类，组成切片图像簇；根据切片图像簇对切片图像分类模块进行训练和验证，并提取知识性簇；将知识性簇输入到知识性切片特征提取模块中得到切片特征图集合；根据切片特征图集合对切片特征聚合模块进行训练和验证，并输出切片特征向量；使用切片特征向量对MRI分类网络中进行训练和验证。测试时：按上述方法提取测试集的知识性簇的切片特征图集合，将切片特征图集合输入到训练完成的切片特征融合模块和MRI分类网络中得到图像的分类结果。该分类方法的分类准确率高。
-
Patent Agency Ranking
公开(公告)号：CN112949728A
公开(公告)日：2021-06-11
申请号：CN202110266006.3
申请日：2021-03-11
Applicant: 宁波大学
Abstract: 一种基于切片图像筛选和特征聚合的MRI图像分类方法，训练时：获取训练集和验证集中每幅MRI图像的切片图像及每张切片图像对应的切片向量，并对所有切片向量进行聚类，组成切片图像簇；根据切片图像簇对切片图像分类模块进行训练和验证，并提取知识性簇；将知识性簇输入到知识性切片特征提取模块中得到切片特征图集合；根据切片特征图集合对切片特征聚合模块进行训练和验证，并输出切片特征向量；使用切片特征向量对MRI分类网络中进行训练和验证。测试时：按上述方法提取测试集的知识性簇的切片特征图集合，将切片特征图集合输入到训练完成的切片特征融合模块和MRI分类网络中得到图像的分类结果。该分类方法的分类准确率高。
-
公开(公告)号：CN115565068A
公开(公告)日：2023-01-03
申请号：CN202211210404.4
申请日：2022-09-30
Applicant: 宁波大学
Abstract: 本发明涉及一种基于轻量型深度卷积神经网络的高层建筑玻璃幕墙破损的全自动检测方法，包括构建YOLO网络，将YOLO网络中的卷积层用依次相连接的扩展卷积、逐通道卷积、逐点卷积和剪枝层进行替换，得到新卷积层，最后将替换完成的YOLO网络作为构建的第一检测网络；之后对剪枝层中的待学习参数wi进行稀疏约束以及对第一检测网络中的新卷积层进行剪枝，得到第二检测网络；最后再对第二检测网络中每个BN层的缩放因子向量进行稀疏约束和剪枝，得到第三检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
公开(公告)号：CN116740463A
公开(公告)日：2023-09-12
申请号：CN202310822010.2
申请日：2023-07-05
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种sMRI图像顺序多分类方法，包括：将一定数量的sMRI图像分成训练集、验证集和测试集；构建网络模型，构建的网络模型包括特征提取和分类模型、排序模型和困难样本识别矫正模型；将训练集中所有的样本图像分批次输入到构建的网络模型中进行训练，并使用验证集中所有图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；最后将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。优点在于：通过排序模型使这些不同类别的样本通过模型得到的特征向量之间的距离和在实际病理中的距离保持一致，从而使提取的不同类别的sMRI图像间的特征具有顺序特性，并提升网络分类性能。
-
公开(公告)号：CN115565068B
公开(公告)日：2023-04-18
申请号：CN202211210404.4
申请日：2022-09-30
Applicant: 宁波大学
Abstract: 本发明涉及一种基于轻量型深度卷积神经网络的高层建筑玻璃幕墙破损的全自动检测方法，包括构建YOLO网络，将YOLO网络中的卷积层用依次相连接的扩展卷积、逐通道卷积、逐点卷积和剪枝层进行替换，得到新卷积层，最后将替换完成的YOLO网络作为构建的第一检测网络；之后对剪枝层中的待学习参数wi进行稀疏约束以及对第一检测网络中的新卷积层进行剪枝，得到第二检测网络；最后再对第二检测网络中每个BN层的缩放因子向量进行稀疏约束和剪枝，得到第三检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
公开(公告)号：CN114120154A
公开(公告)日：2022-03-01
申请号：CN202111395954.3
申请日：2021-11-23
Applicant: 宁波大学
Abstract: 本发明涉及一种高层建筑玻璃幕墙破损的自动检测方法，包括构建检测网络并使用样本集对构建的检测网络进行训练和验证，得到具有最优参数的检测网络，其中，检测网络的构建方法具体为：先构建YOLO v4网络，将YOLO v4网络中的卷积层用依次相连接的扩展卷积、逐通道卷积和逐点卷积进行替换，得到新的卷积层，最后将替换完成的YOLO v4网络作为构建的检测网络；之后根据所有BN层的缩放因子向量对具有最优参数的检测网络进行剪枝；最后利用样本集对剪枝后的具有最优参数的检测网络进行微调，得到最终的检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
