-
公开(公告)号：CN120068386A
公开(公告)日：2025-05-30
申请号：CN202510017820.X
申请日：2025-01-06
Applicant: 清华大学
IPC: G06F30/20 , G06F119/08 , G06F119/14
Abstract: 本申请涉及一种航空发动机建模方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。所述方法包括：获取航空发动机的基础模型结构和液氢的第一物性参数，并根据基础模型结构确定空气的第二物性参数；基于第一物性参数和第二物性参数模拟液氢对航空发动机的冷却，得到换热器中液氢对应的第一出口物性参数和空气对应的第二出口物性参数；基于基础模型结构、第一出口物性参数、第二出口物性参数和物性参数修正组件模拟氢燃料燃烧，确定目标物性参数；根据目标物性参数确定航空发动机的仿真结果。采用本方法能够对氢燃料发动机进行仿真模拟，并保证了仿真结果的准确性。
-
公开(公告)号：CN112562819B
公开(公告)日：2022-06-17
申请号：CN202011454009.1
申请日：2020-12-10
Applicant: 清华大学
Abstract: 本发明公开了一种针对先心病的超声多切面数据的报告生成方法，其特征在于包括以下步骤：步骤1、完成训练数据及预处理；步骤2、利用超声图像特征提取器，完成超声图像特征提取，在超声图像的特征提取器中，采用残差结构来传递浅层的纹理、颜色信息，采用了4个卷积模块，每个卷积模块内部2个卷积层、2个批标准化层和2个激活函数；步骤3、设置病理标签图；步骤4、采用多帧超声图像注意力机制，提取信息；步骤5、建立多帧超声图像报告生成模型，基于先心病超声的多切面报告生成模型的结构，该模型建立在临床的基础需求上，由于对网络速度的要求，没有选用非常复杂的网络结构，而依照这一标准构建的模型也达到了临床要求的精度标准。
-
公开(公告)号：CN112541917B
公开(公告)日：2022-06-10
申请号：CN202011456744.6
申请日：2020-12-10
Applicant: 清华大学
IPC: G06T7/10 , G06V10/40 , G06K9/62 , G06V10/764
Abstract: 本申请公开了一种针对脑出血疾病的CT图像处理方法，包括：步骤1，对样本数据集进行数据预处理操作，标注样本数据集中每例数据中每帧CT图像的切面数据；步骤2，构建基于单帧CT图像的图像分类模型，并对切面数据进行数据分割，生成切面数据的数据分割结果；步骤3，利用全连接层和reshap函数，对数据分割结果进行分类，生成数据分类结果；步骤4，提取数据分割结果、数据分类结果中的检索特征，并根据检索特征，生成切面数据的识别结果。通过本申请中的技术方案，对CT图像进行分割、分类和检索处理，以便起到助于医生理解CT图像的作用。
-
公开(公告)号：CN112419313A
公开(公告)日：2021-02-26
申请号：CN202011454017.6
申请日：2020-12-10
Applicant: 清华大学
Abstract: 本发明公开了一种针对先心病的超声多切面数据分类方法，其特征在于，包括以下步骤：步骤1、进行训练数据及预处理，选取正常人切面数据和先天性心脏病房间隔缺损病人切面数据若干份；步骤2、设置单帧超声图像分类模型，以ResNet18网络作为基础，设计基于单帧超声图像的单帧超声图像分类模型；步骤3、设置通道注意力模块，在单帧超声图像分类模型的训练中，对各个通道分配不同的权重，并在网络中通过训练得到权重的参数；步骤4、设置单点注意力模块，网络聚焦在关键区域的特征中进行分类；步骤5、设置联合注意力模块，充分融合特征图的区域权重信息和通道权重信息等。该方法利用人工智能的方式提高了超声图像的识别效率，降低了医生的劳动强度。
-
公开(公告)号：CN113987307A
公开(公告)日：2022-01-28
申请号：CN202111093576.3
申请日：2021-09-17
Applicant: 清华大学
IPC: G06F16/906 , G06F16/901
Abstract: 本申请提出一种基于超图结构的大规模数据分类方法和装置，其中，方法包括：将超图结构通过矩阵变换转化为图结构，其中，将表示节点和超边联系的超图关联矩阵转化为表示节点直接关联的邻接矩阵；根据邻接矩阵进行批次采样，得到每个批次目标计算节点的邻居节点集合；采用平均池化算法，将邻居节点集合的特征聚合到目标计算节点；利用神经网络对聚合后的目标计算节点特征进行变换，得到变换后的特征；根据分类算法对变换后的特征进行分类，以输出分类结果。本发明实现了从超图结构的大规模数据进行节点分类，提高了超图结构神经网络计算的时间和空间效率，优化了大规模超图结构数据节点分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN112562819A
公开(公告)日：2021-03-26
申请号：CN202011454009.1
申请日：2020-12-10
Applicant: 清华大学
Abstract: 本发明公开了一种针对先心病的超声多切面数据的报告生成方法，其特征在于包括以下步骤：步骤1、完成训练数据及预处理；步骤2、利用超声图像特征提取器，完成超声图像特征提取，在超声图像的特征提取器中，采用残差结构来传递浅层的纹理、颜色信息，采用了4个卷积模块，每个卷积模块内部2个卷积层、2个批标准化层和2个激活函数；步骤3、设置病理标签图；步骤4、采用多帧超声图像注意力机制，提取信息；步骤5、建立多帧超声图像报告生成模型，基于先心病超声的多切面报告生成模型的结构，该模型建立在临床的基础需求上，由于对网络速度的要求，没有选用非常复杂的网络结构，而依照这一标准构建的模型也达到了临床要求的精度标准。
-
公开(公告)号：CN112541917A
公开(公告)日：2021-03-23
申请号：CN202011456744.6
申请日：2020-12-10
Applicant: 清华大学
Abstract: 本申请公开了一种针对脑出血疾病的CT图像处理方法，包括：步骤1，对样本数据集进行数据预处理操作，标注样本数据集中每例数据中每帧CT图像的切面数据；步骤2，构建基于单帧CT图像的图像分类模型，并对切面数据进行数据分割，生成切面数据的数据分割结果；步骤3，利用全连接层和reshap函数，对数据分割结果进行分类，生成数据分类结果；步骤4，提取数据分割结果、数据分类结果中的检索特征，并根据检索特征，生成切面数据的识别结果。通过本申请中的技术方案，对CT图像进行分割、分类和检索处理，以便起到助于医生理解CT图像的作用。
-
公开(公告)号：CN112419313B
公开(公告)日：2023-07-28
申请号：CN202011454017.6
申请日：2020-12-10
Applicant: 清华大学
IPC: G06T7/00 , G16H30/20 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种针对先心病的超声多切面数据分类方法，其特征在于，包括以下步骤：步骤1、进行训练数据及预处理，选取正常人切面数据和先天性心脏病房间隔缺损病人切面数据若干份；步骤2、设置单帧超声图像分类模型，以ResNet18网络作为基础，设计基于单帧超声图像的单帧超声图像分类模型；步骤3、设置通道注意力模块，在单帧超声图像分类模型的训练中，对各个通道分配不同的权重，并在网络中通过训练得到权重的参数；步骤4、设置单点注意力模块，网络聚焦在关键区域的特征中进行分类；步骤5、设置联合注意力模块，充分融合特征图的区域权重信息和通道权重信息等。该方法利用人工智能的方式提高了超声图像的识别效率，降低了医生的劳动强度。
-
公开(公告)号：CN110717445B
公开(公告)日：2022-08-23
申请号：CN201910953010.X
申请日：2019-10-09
Applicant: 清华大学
Abstract: 本发明公开了一种用于自动驾驶的前车距离跟踪系统和方法，其中：数据采集单元用于从摄像头获取等时间间隔的图像序列；车辆检测单元用于从图像中提取前方车辆的轮廓框线；坐标定位单元用于根据图像中的车辆轮廓框线的像素坐标以及摄像机参数计算前方车辆的真实位置；车辆跟踪单元通过串联图像序列中各个图像的前车轮廓框线，识别多个图像中相同的车辆，将车辆进行编号；根据由坐标定位单元计算的车辆位置和由车辆跟踪单元计算的车辆编号，该系统将输入的图像序列转化为前方车辆距离序列的XML格式文件。通过本发明中的技术方案，可以用单个车载摄像机实现对道路上前方车辆位置的检测和跟踪，有利于自动驾驶系统中的路面感知、自动避障和辅助决策。
-
公开(公告)号：CN112614091A
公开(公告)日：2021-04-06
申请号：CN202011453966.2
申请日：2020-12-10
Applicant: 清华大学
Abstract: 本申请公开了一种针对先心病的超声多切面数据检测方法，包括：多尺度检测网络和深层特征提取网络；多尺度检测网络用于检测超声多切面图中的焦点区域，焦点区域包括房间隔区域和/或室间隔区域；深层特征提取网络用于根据超声多切面图和焦点区域，进行特征提取，提取出的特征用于对超声多切面图进行分类检测。通过本申请中的技术方案，提出同时使用焦点区域和原始图像，对超声多切面图进行分类的方式，有效保留了原始图像中其它区域的信息，提高异常区域检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
