-
公开(公告)号：CN114913377A
公开(公告)日：2022-08-16
申请号：CN202210546904.9
申请日：2022-05-19
Applicant: 济南大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06K9/62 , G06T7/00 , G06T7/13 , G06T7/73 , G06T7/11 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于空间上下文变分自动编码器的图像异常检测方法，所述方法通过使用空间上下文变分自动编码器，进行图像生成与注意力校正，检测异常图像；所述空间上下文变分自动编码器包括两个不同的变分自动编码器：第一个为空间变分自动编码器，用于学习正常图像的空间特征；第二个为上下文变分自动编码器，用于学习正常图像的全局上下文特征。本发明通过使用空间上下文变分自动编码器学习正常图像的分布，检测不符合正常图像分布的疾病图像，通过准确学习正常图像的空间特征和上下文特征，在有效检测异常的同时降低误报；同时使用注意力校正方法，进一步提高异常检测的准确率。
-
公开(公告)号：CN113096766A
公开(公告)日：2021-07-09
申请号：CN202110375397.2
申请日：2021-04-08
Applicant: 济南大学
Abstract: 本发明公开了一种个性化精准放疗计划中的三维剂量预测方法及系统，所述方法包括以下步骤：步骤1，获取电子计算机断层扫描图像、危险器官结构掩膜图像以及与三维剂量分布图像等放疗相关信息；步骤2、对步骤1的图像进行数据预处理操作；步骤3、将获取的图像数据输入到两阶段的生成器网络，生成三维剂量分布图像和置信度图；步骤4、采用马尔科夫鉴别器对抗三维剂量分布预测图像和三维剂量分布真实图像；步骤5、通过重建损失函数、带置信度权重的重建损失函数和对抗损失函数联合优化预测模型；步骤6、利用训练好的预测模型生成三维剂量分布。通过本发明的技术方案，能够减少放疗计划中人工的干预，提高剂量预测的精度，实现个性化精准放疗。
-
公开(公告)号：CN113096137A
公开(公告)日：2021-07-09
申请号：CN202110375473.X
申请日：2021-04-08
Applicant: 济南大学
Abstract: 本发明公开了一种OCT视网膜图像领域适应分割方法及系统，方法包括以下步骤：步骤1、获取OCT视网膜图像数据，并进行图像预处理；步骤2、结合特征提取网络、特征分类网络和特征鉴别网络分别构建域内分割模型和跨域分割模型；步骤3、根据域内分割模型和跨域分割模型分别获得目标域的伪标签；步骤4、利用自选择主动学习策略选择有效的伪标签和原始图像，加入源域丰富图像数据，再次训练跨域分割模型；步骤5、利用训练的跨域分割模型对目标域OCT视网膜图像进行分割。通过本发明技术方案，能有效提升分割模型的泛化性能，为临床眼科疾病诊断提供可靠的量化数据，实现计算机辅助的个性化治疗。
-
公开(公告)号：CN117195232A
公开(公告)日：2023-12-08
申请号：CN202311197594.5
申请日：2023-09-18
Applicant: 济南大学
IPC: G06F21/57 , G06F18/213 , G06F18/241 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进图卷积神经网络的智能合约漏洞检测方法，实现了智能合约漏洞的自动检测，具体包括：构建智能合约源码数据集；对智能合约源码进行预处理；利用智能合约图生成工具生成合约图；利用智能合约图规范化工具生成规范化图；利用改进后的图卷积神经网络模型进行学习和训练，获得高表达性的向量集；构建分类器模型进行学习和训练，将图卷积神经网络提取的特征向量集输入分类器模型，输出智能合约漏洞检测结果；相较于现有的智能合约漏洞检测工具，本发明结合了图卷积神经网络模型，并根据智能合约特点对模型进行改进，进一步的提高了检测结果的准确率。
-
公开(公告)号：CN116664483A
公开(公告)日：2023-08-29
申请号：CN202310405451.2
申请日：2023-04-17
Applicant: 济南大学
Abstract: 本发明公开了一种多指标协同的OCT视网膜图像病变演进预测方法，所述方法通过融合多种影像和临床指标的空间和时序特征，建模患者前两次随访的OCT视网膜图像与病变区域发展的关系。具体来说，首先通过多种技术提取前两次随访的OCT视网膜图像与病变发展有关的影像与临床指标。接着，使用全卷积神经网络和长短时记忆网络分别提取OCT视网膜图像和多种指标的空间和时序特征。最后，将时序和空间特征融合，预测后续随访时间病变区域的发展。
-
Patent Agency Ranking
公开(公告)号：CN113887661A
公开(公告)日：2022-01-04
申请号：CN202111243560.6
申请日：2021-10-25
Applicant: 济南大学
Abstract: 本发明公开了基于表示学习重构残差分析的图像集分类方法及系统，所述方法利用高斯核函数，将获取的图像集数据的低维特征映射到高维空间中，然后通过构建残差判别分析模型学习一个投影矩阵，使得投影后的图像集特征类内重建残差最小，类间重建残差最大。本发明通过输入来自于视频序列、影集或监控系统的图像集数据；对所述图像集进行数据预处理操作；将获取的图像数据输入到重构残差分析模型进行模型训练，得到最优投影矩阵；基于最优投影矩阵构建新的图像集分类器；将测试图像集输入到分类器中进行分类，得到对应的类别标签。
-
公开(公告)号：CN118626675A
公开(公告)日：2024-09-10
申请号：CN202410750171.X
申请日：2024-06-12
Applicant: 济南大学
IPC: G06F16/783 , G06F16/735 , G06V20/40 , G06V10/82 , G06V10/80
Abstract: 本发明提供一种基于大模型的粗细粒度相结合的哈希视频检索方法，通过获取视频数据集数据；对视频数据集进行划分和预处理操作；将视频输入分别输入到CLIP帧特征提取模块和Transformer视频特征提取模块；将得到的帧特征信息通过提出的多粒度融合模块中的空间注意力机制进行加权得到帧融合视频信息；将得到的粗粒度视频信息与帧融合视频信息按照给定的特定超参数进行加权融合，最终得到视频信息；将得到的视频信息输入哈希码生成模块中，并通过损失函数，优化网络；将测试样本与数据库中的样本根据汉明距离进行排序，检索到的正确结果。通过采用本发明的技术方案，能够有效增加视频检索的速度，提高视频检索的精度。
-
公开(公告)号：CN114913377B
公开(公告)日：2024-08-06
申请号：CN202210546904.9
申请日：2022-05-19
Applicant: 济南大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06T7/00 , G06T7/13 , G06T7/73 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于空间上下文变分自动编码器的图像异常检测方法，所述方法通过使用空间上下文变分自动编码器，进行图像生成与注意力校正，检测异常图像；所述空间上下文变分自动编码器包括两个不同的变分自动编码器：第一个为空间变分自动编码器，用于学习正常图像的空间特征；第二个为上下文变分自动编码器，用于学习正常图像的全局上下文特征。本发明通过使用空间上下文变分自动编码器学习正常图像的分布，检测不符合正常图像分布的疾病图像，通过准确学习正常图像的空间特征和上下文特征，在有效检测异常的同时降低误报；同时使用注意力校正方法，进一步提高异常检测的准确率。
-
公开(公告)号：CN116309638A
公开(公告)日：2023-06-23
申请号：CN202310234689.3
申请日：2023-03-13
Applicant: 济南大学 , 济南嘲风智能科技有限公司
IPC: G06T7/11 , G06T7/136 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及图像分析方法，特别涉及一种基于语义增强变分自动编码器的图像异常分割方法。包括训练阶段和测试阶段，所述训练阶段为通过引入图像和特征空间分布约束，构建一个语义增强变分自动编码器模型，对正常图像分布进行刻画；所述测试阶段为通过计算融合通道域和空间域的异常注意力图，捕获全局和局部异常变化，分割异常图像中与正常图像有明显差异的异常区域。
-
公开(公告)号：CN116958631A
公开(公告)日：2023-10-27
申请号：CN202310352099.0
申请日：2023-03-30
Applicant: 济南大学
IPC: G06V10/764 , G06V10/774 , G06V10/772 , G06V20/40
Abstract: 本发明提供了一种快速图像集合分类方法及系统，所述方法通过对获得的图像集合数据使用静态建模方法进行建模表示，生成每个图像集合的协方差矩阵；使用对数函数将所述协方差矩阵映射到切空间，把矩阵数据转换为向量，并使用PCA进行降维，最后将降维后的数据输入到流形低秩字典对学习方法中，优化求解后得到每类所对应的最优的合成字典及分析字典。本发明通过输入视频序列数据；对视频数据进行预处理操作，以获得图像集数据；对获得的图像集合数据使用静态建模方法进行建模表示，即生成每个图像集合的协方差矩阵；使用对数函数将协方差矩阵映射到切空间；把矩阵数据转换为向量，并使用PCA进行降维，最后将降维后的数据输入到流形低秩字典对学习方法中，优化求解后得到每类所对应的最优的合成字典及分析字典。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.017 seconds)
