-
公开(公告)号：CN119323803A
公开(公告)日：2025-01-17
申请号：CN202411874279.6
申请日：2024-12-19
Applicant: 衢州海易科技有限公司 , 电子科技大学长三角研究院(衢州) , 衢州学院 , 衢州市公安局交通警察支队
Inventor： 吴磊 , 程凯 , 单文煜 , 陈鹏 , 周小龙 , 黄忠京 , 刘明 , 曹曙烽 , 夏云霓 , 陈坚武 , 岑沛丰 , 詹虎山 , 柴凌勇 , 李俊 , 李曦 , 何东飞 , 刘念伯 , 曾晟珂 , 李秀华
IPC: G06V40/10 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于深度学习面向车路协同的行人检索方法，属于行人重识别技术领域，包括以下步骤：建立训练集；在ReID模型中设置一个无监督鉴别器网络结构；S3：使用训练集通过预热学习对ReID模型进行预设数量回合的迭代训练；完成预设数量回合的训练后，部署训练好的ReID模型；将待识别图像输入训练完成的ReID模型中，根据自适应阈值n，选取前n%的结果，判定为目标人物，得到检测结果，本申请在ReID模型中引入了无监督鉴别器网络结构，不仅提高了特征的代表性和区分能力，还显著提升了行人识别的准确率，本申请还设置了行人阈值n的判定，保证了检索的高效性和精准性。
-
公开(公告)号：CN118941670A
公开(公告)日：2024-11-12
申请号：CN202411201472.3
申请日：2024-08-29
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了基于图神经网络的人体图像生成方法，涉及人工智能领域，包括S1、构建初始的人体图像生成模型S2、获取实验数据集；S3、实验数据集导入初始的人体图像生成模型，并构建损失函数Lfull作为人体图像生成模型的约束条件，通过反向传播和梯度下降算法进行训练优化得到优化后的人体图像生成模型；S4、获取待生成的人体图像；S5、利用优化后的人体图像生成模型生成待生成的人体图像的人体图形；利用各向同性特征提取模块和图形信息模块，有效处理人体图像的非均匀特征和多尺度属性；各向同性特征提取模块的分层结构与人的异质组成部分相匹配，提高特征提取的准确性和灵活性；图形信息模块的设计鼓励特征在不同层次间的转换，增强了对细节的捕捉能力，包括服装纹理等。
-
公开(公告)号：CN117278106A
公开(公告)日：2023-12-22
申请号：CN202311293311.7
申请日：2023-10-08
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04B7/185 , G06N3/092 , G06N3/042 , G06N3/045 , G06N3/047 , G06N3/048 , G06N5/01 , G16Y20/00 , G16Y30/00 , G16Y40/10 , G16Y40/35 , G16Y40/60 , H04L67/12
Abstract: 本发明涉及一种基于深度强化学习的无人机数据按需收集方法，包括Sink模式和Carrier模式；在Sink模式下，具有卫星链接的无人机充当移动接收器，通过深度强化学习规划最优无人机的飞行路径，飞向各种传感器收集数据并上传到卫星网络；在Carrier模式下，无人机作为设备载体携带独立的卫星链路设备，通过深度强化学习规划最优无人机的飞行路径将卫星链路设备投放到传感器上，对传感器上的设备进行采集，并在数据采集完成后回收卫星链路设备。本发明为端设备计算迁移的端到端延迟提供了统计性保证，同时使用尽可能少的资源；提出一种Carrier模式，用于无人机高效共享卫星链路，在长时间感知方面表现出优异的性能。
-
公开(公告)号：CN118379208A
公开(公告)日：2024-07-23
申请号：CN202410816691.6
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于混合损失函数扩散模型的增强CT图像生成方法及装置，该方法包括：采集CT图像数据及其配对的造影剂增强CT图像数据，并采用数据增强方法和面向数据的正则化方法对其进行预处理，以按比例划分为训练集、测试集和验证集；构建用于生成造影剂增强CT图像的扩散模型；使用训练集对扩散模型进行迭代训练，基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型；将测试集中的CT图像数据输入至训练好的扩散模型中，得到对应的造影剂增强CT图像数据。本发明能够生成清晰可靠的造影剂增强CT图像，能够更好地捕捉数据分布的特征，提高了对不同特征的感知能力，增强了合成图像的质量，提高了模型的泛化性。
-
公开(公告)号：CN116741380A
公开(公告)日：2023-09-12
申请号：CN202310743593.X
申请日：2023-06-21
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H50/30 , G06V10/774 , G06V10/80 , G06V10/764 , G06T7/10
Abstract: 本发明公开了肝胆管细胞癌术后的复发情况预测方法，涉及计算机技术领域，包括S1构建复发情况预测模型，复发情况预测模型包括图像分割模块、指标数据分析模块和预测分析模块；S2获取训练数据集，训练数据包括CT图像和病例指标；S3训练数据集导入复发情况预测模型，并对其进行训练优化；S4获取待预测数据；S5利用优化后的复发情况预测模型对待预测数据进行分析得到，肝胆管细胞癌术后的复发情况；除了对CT图像进行充分利用外，本方法还将病例所对应的指标数据与其图像数据进行了融合使用，以补充CT图像无法表达的信息。通过不断地优化训练，最终得到了具有良好性能的术后复发情况预测模型。
-
Patent Agency Ranking
公开(公告)号：CN117221205A
公开(公告)日：2023-12-12
申请号：CN202311293310.2
申请日：2023-10-08
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明涉及一种异构传感器网络非同步数据收集方法，包括：通过任务选择器选择最合适的目标传感器作为移动接收器的访问目标，使用图注意力网络来嵌入输入图，并输出下一个目标传感器作为移动接收器将访问的目标传感器；使用深度Q学习网络训练移动接收器控制器，自动控制移动接收器飞向访问目标传感器；不断重复上述内容直到移动接收器控制器逐渐收敛到最优策略后停止，移动接收器沿着可访问的路径在数据生成的有效时间窗内移动到目标传感器完成数据传输收集任务。本发明能够更精确地找到最优路径，并考虑到能量和数据传输的约束条件，采用两阶段启发式计算方法，将问题分解成任务选择和MS控制两个部分，降低了计算复杂度。
-
公开(公告)号：CN119478530A
公开(公告)日：2025-02-18
申请号：CN202411631288.2
申请日：2024-11-15
Applicant: 浙江玉铉科技有限公司 , 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06V10/82
Abstract: 本发明涉及一种基于迭代学习的肝肿瘤局灶性病变预测方法，属于计算机模型领域，包括：首先对部分医学影像数据中的病灶区域进行人工标注，得到ROI训练数据，并使用这些数据构建基于YOLOv8的自动化病灶检测模型。在ViT分类模型中，裁剪后的图像被划分为固定大小的图像块，并嵌入到高维空间中。随后，利用位置编码为每个图像块添加位置信息，以保留其空间关系。将嵌入序列输入到Transformer模块，并经过全连接层进行分类处理，最终输出预测的类别。本发明引入了动态学习策略，在不同的训练阶段动态调整损失函数中的样本权重，能够减轻模型的累积误差，同时有效地处理不确定样本。
-
公开(公告)号：CN118736461A
公开(公告)日：2024-10-01
申请号：CN202410817051.7
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/40 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/092 , G06N3/096 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于Vision‑Transformer和强化学习的PTFE乳液石蜡分离自动检测方法及装置，该方法包括：从不同视角采集图像并进行预处理，构建训练集和测试集；基于Vision‑Transformer和强化学习构建用于PTFE乳液石蜡分离检测的PatchRLNet模型；使用训练集对PatchRLNet模型进行迭代训练，基于交叉熵损失函数调整模型参数，以获取训练好的PatchRLNet模型；将测试集中的图像输入至训练好的PatchRLNet模型中，得到预测的图像类别。本发明能够自动化且智能化的进行PTFE乳液石蜡分离检测，有效提高了检测的准确性，减轻了工作人员的操作负担。
-
公开(公告)号：CN118657791A
公开(公告)日：2024-09-17
申请号：CN202410967844.7
申请日：2024-07-18
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明涉及一种基于深度学习的疾病图像分割方法，包括：模型编码器的Stem部分对输入图像进行处理，在Stem后串联四个Mixed Layer，四个Mixed Layer依次对图像进行处理，且每个Mixed Layer将处理后的数据输入到下一个Mixed Layer；模型解码器通过五个Decoder Block串联组成，每个Decoder Block通过一个双线性上采样层和两个卷积层组成，前四个Decoder Block在通道维度连接来自跳跃连接的编码器潜层细节特征，并通过最后一个Decoder Block输出最终分割结果。本发明兼顾低计算成本、提取CT数据z轴特征的能力以及优越的分割性能。
-
公开(公告)号：CN118644711A
公开(公告)日：2024-09-13
申请号：CN202410688383.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G16H30/00 , G06T7/00 , G06V10/80 , G16H50/20 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种适用于对肝内胆管癌分化程度进行预测的方法，通过引入了一种名为SiameseNet的双分支深度神经网络，采用多实例学习来减轻肿瘤异质性导致的性能下降。本发明所提出的方法通过交叉注意力机制整合来自两种不同模态的图像信息，最终实现高性能的预测网络，曲线下面积和受试者工作特征曲线用于评估模型性能。本发明所提出的网络在测试队列中的准确度为86.0％，曲线下面积为86.2％，敏感性为84.6％，特异性为86.7％。该模型可帮助医生及时评估患者肿瘤分化程度，制定个性化诊疗方案。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.024 seconds)
