-
公开(公告)号：CN118350996A
公开(公告)日：2024-07-16
申请号：CN202410780901.0
申请日：2024-06-18
申请人： 西南交通大学
IPC分类号： G06T3/4053 , G06V10/80 , G06V10/40 , G06N3/045 , G06N3/0464 , G06N3/08
摘要： 本申请提供了一种基于多尺度特征融合的图像超分辨率方法、装置和设备，涉及图像处理技术领域，该方法包括：创建目标超分辨率模型，目标超分辨率模型包括：浅层特征提取模块、特征蒸馏模块、多层特征融合模块和图像重建模块；特征蒸馏模块由多个特征蒸馏块依次串联构成，特征蒸馏块按照串联顺序交替采用以下注意力机制：大核注意力机制、空间注意力机制和多分支注意力机制；将原始图像复制n次后，输入浅层特征提取模块，得到浅层特征；将浅层特征输入特征蒸馏模块，得到不同尺度的深度特征；将不同尺度的深度特征输入多层特征融合模块，得到融合后特征；图像重建模块采用跳跃连接的方式，根据融合后特征和浅层特征，得到重建的超分辨图像。
-
公开(公告)号：CN116779095B
公开(公告)日：2024-09-03
申请号：CN202310471305.X
申请日：2023-04-27
申请人： 西南交通大学
摘要： 本发明公开了一种知识数据双驱动的合理用药预测方法，包括获取原始数据，将原始数据按照预设方式进行预处理；对预处理后的数据集按照不同的数据类型进行编码；利用机器学习模型对表征数据进行训练；获取合理用药的专家知识，构建可视化知识图谱；采用基于路径推理的方式对可视化知识图谱进行推理，得到知识驱动的合理用药预测模型；将数据驱动的合理用药预测模型与知识驱动的合理用药预测模型进行融合，得到知识数据双驱动的合理用药预测模型，进行可解释性合理用药预测。本发明基于多维度特征数据，能够提高对该患者的药物选择以及药物剂量预测的准确性和鲁棒性；采用的数据与知识双驱动的方式，能有效提高合理用药方案的可信度。
-
公开(公告)号：CN118333863B
公开(公告)日：2024-08-23
申请号：CN202410772902.0
申请日：2024-06-17
申请人： 西南交通大学
IPC分类号： G06T3/4053 , G06T3/4046 , G06T5/30 , G06T5/60
摘要： 本申请提供了一种基于熵注意力的图像超分辨方法、装置和设备，涉及图像处理技术领域，该方法包括：创建单幅超分辨网络，所述单幅超分辨网络包括：浅层特征提取模块、深层特征提取模块和图像重建模块；所述深层特征提取模块包括多个堆叠的双注意力模块，所述双注意力模块由大核注意力模块和熵注意力模块串联构成；将原始图像输入所述浅层特征提取模块，得到浅层特征；将所述浅层特征输入所述深层特征提取模块进行特征提取，得到深层特征；将所述深层特征输入所述图像重建模块，得到重建的超分辨图像。
-
公开(公告)号：CN116779095A
公开(公告)日：2023-09-19
申请号：CN202310471305.X
申请日：2023-04-27
申请人： 西南交通大学
摘要： 本发明公开了一种知识数据双驱动的合理用药预测方法，包括获取原始数据，将原始数据按照预设方式进行预处理；对预处理后的数据集按照不同的数据类型进行编码；利用机器学习模型对表征数据进行训练；获取合理用药的专家知识，构建可视化知识图谱；采用基于路径推理的方式对可视化知识图谱进行推理，得到知识驱动的合理用药预测模型；将数据驱动的合理用药预测模型与知识驱动的合理用药预测模型进行融合，得到知识数据双驱动的合理用药预测模型，进行可解释性合理用药预测。本发明基于多维度特征数据，能够提高对该患者的药物选择以及药物剂量预测的准确性和鲁棒性；采用的数据与知识双驱动的方式，能有效提高合理用药方案的可信度。
-
公开(公告)号：CN118333863A
公开(公告)日：2024-07-12
申请号：CN202410772902.0
申请日：2024-06-17
申请人： 西南交通大学
IPC分类号： G06T3/4053 , G06T3/4046 , G06T5/30 , G06T5/60
摘要： 本申请提供了一种基于熵注意力的图像超分辨方法、装置和设备，涉及图像处理技术领域，该方法包括：创建单幅超分辨网络，所述单幅超分辨网络包括：浅层特征提取模块、深层特征提取模块和图像重建模块；所述深层特征提取模块包括多个堆叠的双注意力模块，所述双注意力模块由大核注意力模块和熵注意力模块串联构成；将原始图像输入所述浅层特征提取模块，得到浅层特征；将所述浅层特征输入所述深层特征提取模块进行特征提取，得到深层特征；将所述深层特征输入所述图像重建模块，得到重建的超分辨图像。
-
公开(公告)号：CN117017288B
公开(公告)日：2024-03-19
申请号：CN202310707364.2
申请日：2023-06-14
申请人： 西南交通大学
摘要： 本发明公开了一种跨被试情绪识别模型及其训练方法、情绪识别方法、设备，训练方法基于神经网络结构实现，神经网络结构包括两个独立且结构相同的子神经网络；训练方法包括以下步骤：S1：获取脑电原始信号，并对其进行微分熵特征提取；S2：将提取的微分熵特征划分为多个数据组，并将其中一个作为目标域数据，剩余的作为源域数据；S3：假设当前源域数据分别为Si和Sj，目标域数据为T，其中，Si为子神经网络一的输入，Sj为子神经网络二的输入；S4：建立子神经网络的目标函数；S5：建立跨被试情绪识别模型的损失函数；S6：进行神经网络训练，直至跨被试情绪识别模型的损失函数最小化。本发明获得的跨被试情绪识别模型更加轻量化、识别准确率更高。
-
公开(公告)号：CN117017288A
公开(公告)日：2023-11-10
申请号：CN202310707364.2
申请日：2023-06-14
申请人： 西南交通大学
摘要： 本发明公开了一种跨被试情绪识别模型及其训练方法、情绪识别方法、设备，训练方法基于神经网络结构实现，神经网络结构包括两个独立且结构相同的子神经网络；训练方法包括以下步骤：S1：获取脑电原始信号，并对其进行微分熵特征提取；S2：将提取的微分熵特征划分为多个数据组，并将其中一个作为目标域数据，剩余的作为源域数据；S3：假设当前源域数据分别为Si和Sj，目标域数据为T，其中，Si为子神经网络一的输入，Sj为子神经网络二的输入；S4：建立子神经网络的目标函数；S5：建立跨被试情绪识别模型的损失函数；S6：进行神经网络训练，直至跨被试情绪识别模型的损失函数最小化。本发明获得的跨被试情绪识别模型更加轻量化、识别准确率更高。
-
公开(公告)号：CN116504351A
公开(公告)日：2023-07-28
申请号：CN202310471299.8
申请日：2023-04-27
申请人： 西南交通大学
IPC分类号： G16H20/10 , G16H10/60 , G16H50/70 , G16H70/40 , G06F16/36 , G06F18/243 , G06N5/04 , G06N20/20
摘要： 本发明公开了一种共病模式下的潜在不适当用药检测方法，包括以下步骤：对原始病历数据进行处理，获得训练后的机器学习模型；根据药物标准中潜在不适当用药的相关因素构建知识图谱，建立基于原始特征的知识图谱路径推理模型；将机器学习模型的预测结果和知识图谱路径推理模型的推理结果进行结合，获得潜在不适当用药检测结果。本发明弥补了机器学习对于低频潜在不适当用药预测能力弱的问题，增加了预测结果的准确性和可靠性，同时减少了对样本数据的依赖，因此具有较高的临床应用价值。
-
公开(公告)号：CN118350996B
公开(公告)日：2024-08-30
申请号：CN202410780901.0
申请日：2024-06-18
申请人： 西南交通大学
IPC分类号： G06T3/4053 , G06V10/80 , G06V10/40 , G06N3/045 , G06N3/0464 , G06N3/08
摘要： 本申请提供了一种基于多尺度特征融合的图像超分辨率方法、装置和设备，涉及图像处理技术领域，该方法包括：创建目标超分辨率模型，目标超分辨率模型包括：浅层特征提取模块、特征蒸馏模块、多层特征融合模块和图像重建模块；特征蒸馏模块由多个特征蒸馏块依次串联构成，特征蒸馏块按照串联顺序交替采用以下注意力机制：大核注意力机制、空间注意力机制和多分支注意力机制；将原始图像复制n次后，输入浅层特征提取模块，得到浅层特征；将浅层特征输入特征蒸馏模块，得到不同尺度的深度特征；将不同尺度的深度特征输入多层特征融合模块，得到融合后特征；图像重建模块采用跳跃连接的方式，根据融合后特征和浅层特征，得到重建的超分辨图像。
-
公开(公告)号：CN118468135A
公开(公告)日：2024-08-09
申请号：CN202410595776.6
申请日：2024-05-14
申请人： 西南交通大学
IPC分类号： G06F18/2415 , A61B5/055 , G06F18/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0499 , G06N3/088
摘要： 本发明公开了一种用于解码大脑信号的深度学习嵌入网络，涉及脑信号处理技术领域，包括基于构建图随机游走和物理位置嵌入的物理增强模型，基于自适应特征融合和多任务transformer的分类模型；所述物理增强模型一方面用于模拟脑神经信息的扩散过程；另一方面定义两种位置编码，将两种位置编码结合成三维坐标并形成最终的位置编码并作为物理增强模型的输出；所述分类模型一方面通过自适应特征融合实现节点的升维；另一方面将升维后的节点特征充分学习任务间的活动关系，然后通过注意力机制融合邻居的节点表示，最后得到概率表示用于判断类别。本发明解决了捕捉大脑信号解码中脑网络的复杂关系，提高模型的表征性和泛化性的技术问题。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.025 秒)
