-
公开(公告)号：CN118821900B
公开(公告)日：2025-02-18
申请号：CN202410932383.X
申请日：2024-07-12
Applicant: 安徽大学 , 安徽医科大学第一附属医院
IPC: G06N3/0895 , G06N3/0455 , G06V10/44 , G06F40/126 , G06F40/279 , G06V10/82 , G06F18/25 , G16H15/00
Abstract: 本发明公开一种基于视觉‑语言多模态对比学习的超声图像预训练方法，通过单模态局部对比学习与多模态局部对比学习实现特征对齐，并创造性地提出自监督预训练方法，该方法使用医学超声图像数据与诊断报告文本数据学习输入图像和报告文本的单模态和多模态特征表示，利用单模态对比损失与多模态对比损失对齐图像与文本特征。本发明考虑到超声图像与诊断报告的特点，本发明采用局部对比学习的方式来细粒度对齐图像与文本特征。本发明以掩码语言建模和图像文本匹配作为预训练目标进行预训练。
-
公开(公告)号：CN118864383A
公开(公告)日：2024-10-29
申请号：CN202410883238.7
申请日：2024-07-03
Applicant: 安徽大学 , 安徽医科大学第一附属医院
IPC: G06T7/00 , A61B8/00 , G06T7/13 , G06T5/10 , G06T5/20 , G06N3/0455 , G06N3/049 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开一种基于边缘掩码和时序差分的超声视频基础模型的训练方法，先通过小波变换减少超声图像中的斑点噪声，然后使用canny算法对前两帧和后两帧边缘区域进行掩码，同时对中间两帧进行完全掩码，接着利用运动差分注意力模块，通过掩码之后的前两张帧和后两帧进行初始特征重建；最后，将特征一起送入到解码器当中进行视频序列的重建并计算损失，通过多次迭代训练获得最终的训练权重。
-
公开(公告)号：CN118821900A
公开(公告)日：2024-10-22
申请号：CN202410932383.X
申请日：2024-07-12
Applicant: 安徽大学 , 安徽医科大学第一附属医院
IPC: G06N3/0895 , G06N3/0455 , G06V10/44 , G06F40/126 , G06F40/279 , G06V10/82 , G06F18/25 , G16H15/00
Abstract: 本发明公开一种基于视觉‑语言多模态对比学习的超声图像预训练方法，通过单模态局部对比学习与多模态局部对比学习实现特征对齐，并创造性地提出自监督预训练方法，该方法使用医学超声图像数据与诊断报告文本数据学习输入图像和报告文本的单模态和多模态特征表示，利用单模态对比损失与多模态对比损失对齐图像与文本特征。本发明考虑到超声图像与诊断报告的特点，本发明采用局部对比学习的方式来细粒度对齐图像与文本特征。本发明以掩码语言建模和图像文本匹配作为预训练目标进行预训练。
-
公开(公告)号：CN116448117A
公开(公告)日：2023-07-18
申请号：CN202310415309.6
申请日：2023-04-18
Applicant: 安徽大学
Abstract: 本发明公开了一种融合深度神经网络和强化学习方法的路径规划方法，步骤一：机器人在每个离散时间步内，通过传感器获取环境信息以建立相应的数学模型；步骤二：建立当前所处的模拟环境模型；步骤三：根据奖励值更新网络参数和学习更优的行为策略；步骤四：解耦目标Q值动作的选择和目标Q值的计算；步骤五：使用深度神经网络表示智能体的各种组件这些网络的参数通过梯度下降来训练；步骤六：通过迭代；步骤七：根据添加噪音引起的网络输出值变化选择动作。本发明新型涉及机器人路径规划技术领域，具体为具体为一种融合深度神经网络和强化学习方法的路径规划方法。
-
公开(公告)号：CN114359626A
公开(公告)日：2022-04-15
申请号：CN202111533990.1
申请日：2021-12-15
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于条件生成对抗网络的可见光‑热红外显著目标检测方法，本发明基于条件生成对抗网络模型设计两个生成器，基于对抗学习分别提升查全率和查准率并使之达到平衡，从而得到更精细化的显著目标预测结果；通过全局上下文信息模块整合高层语义特征，整合后的特征作为解码器每层的引导特征包含有更丰富的全局上下文信息；本发明的协同注意力模型融合可见光模态和热红外模态特征的同时，进一步突出前景目标区域，抑制冗余的背景噪声影响，本发明的显著图比其他先进的方法具有更高的置信度。
-
Patent Agency Ranking
公开(公告)号：CN115049921B
公开(公告)日：2025-05-06
申请号：CN202210458900.5
申请日：2022-04-27
Applicant: 安徽大学
Abstract: 本发明公开一种基于Transformer边界感知光学遥感图像显著性目标检测方法，本发明通过注意力机制引导浅层特征挖掘更多细节信息；通过基于Transformer全局上下文信息模块来建模全局上下文信息，从全局角度推断不同显著目标以及显著目标内部的关系，有利于生成更加完整的显著性图；此外通过边界感知解码器，将各层特征和边界特征进行交互融合，在强调显著区域的同时关注边界信息，从而得到比其他先进方法更高置信度的显著图。
-
公开(公告)号：CN112801182B
公开(公告)日：2022-11-04
申请号：CN202110111705.0
申请日：2021-01-27
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08 , G06T7/246
Abstract: 本发明公开一种基于困难样本感知的RGBT目标跟踪方法，包括对行可见光图片和热红外图片进行配准标注分成训练集和测试集，然后对构建对应模型对预处理后的图片进行训练和测试；模型中包括实时跟踪网络RT‑MDNet、VGG‑M特征提取模块、前景增强模块、特征嵌入模块和二分类模块，本发明在低光照光照变化强烈等极端条件下跟踪上目标，通过前景增强模块来增强前景信息抑制背景信息，并通过困难样本感知损失函数，挖掘更多困难样本，辅助分类器目标背景的分类。
-
公开(公告)号：CN115049921A
公开(公告)日：2022-09-13
申请号：CN202210458900.5
申请日：2022-04-27
Applicant: 安徽大学
Abstract: 本发明公开一种基于Transformer边界感知光学遥感图像显著性目标检测方法，本发明通过注意力机制引导浅层特征挖掘更多细节信息；通过基于Transformer全局上下文信息模块来建模全局上下文信息，从全局角度推断不同显著目标以及显著目标内部的关系，有利于生成更加完整的显著性图；此外通过边界感知解码器，将各层特征和边界特征进行交互融合，在强调显著区域的同时关注边界信息，从而得到比其他先进方法更高置信度的显著图。
-
公开(公告)号：CN114663371A
公开(公告)日：2022-06-24
申请号：CN202210236171.9
申请日：2022-03-11
Applicant: 安徽大学
Abstract: 本发明公开一种基于模态独有和共有特征提取的图像显著目标检测方法，通过模态共有特征提取模块SFA来建模两种模态之间的强相关性，特征擦除模块(FEB)来建模不同模态之间的差异性；本发明充分利用多模态之间的相关性和差异性，从而使网络获得更强大的模态融合与信息选择的能力；通过特征解码实现各种信息的有利交互，本发明的显著图的置信度高于其他先进的方法。
-
公开(公告)号：CN108898136B
公开(公告)日：2021-09-17
申请号：CN201810725464.7
申请日：2018-07-04
Applicant: 安徽大学
Abstract: 本发明公开了一种跨模态图像显著性检测方法，输入配对的多模态图像，用基于超像素分割算法对不同模态进行分割，获取均匀、大小近似的超像素区域；设计基于图流形排序算法的多模态图像显著性检测模型，引入跨模态软一致性约束和流形排序拟合项稀疏性约束；以图像四边的超像素作为种子节点，计算其他节点与种子节点的相似性，得到初步的显著图；参考上一阶段得到的前景点作为种子节点，计算其他节点到该节点的相似性，得到最终的显著图。本发明提出了一种基于图流形排序算法互补地融合多模态图像的方法，并引入l1范数实现跨模态软一致性约束和流形排序函数拟合项稀疏性约束，即在协同多个模态的基础上，允许部分不一致，增加拟合项的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.019 seconds)
