-
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
Applicant: 西南交通大学
IPC: G06T3/4053 , G06V10/80 , G06V10/40 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 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
Applicant: 西南交通大学
Abstract: 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：CN118468135B
公开(公告)日：2025-05-13
申请号：CN202410595776.6
申请日：2024-05-14
Applicant: 西南交通大学
IPC: G06F18/2415 , A61B5/055 , G06F18/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0499 , G06N3/088
Abstract: 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。
-
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
Applicant: 西南交通大学
IPC: G06T3/4053 , G06V10/80 , G06V10/40 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 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
Applicant: 西南交通大学
IPC: G06F18/2415 , A61B5/055 , G06F18/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0499 , G06N3/088
Abstract: 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。
-
Patent Agency Ranking
公开(公告)号：CN119516277A
公开(公告)日：2025-02-25
申请号：CN202411674166.1
申请日：2024-11-21
Applicant: 西南交通大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06T5/50
Abstract: 本申请提供了一种基于毛发去除网络的皮肤图像分类方法、装置与产品，涉及图像分类技术领域，方法包括：对第一皮肤图像数据集中的每张第一皮肤图像，进行毛发仿真，得到毛发仿真图像；利用毛发仿真图像，对毛发去除网络进行训练，得到初始毛发去除网络；利用第一皮肤图像数据集，对皮肤图像分类网络进行训练，得到初始皮肤图像分类网络；利用第二皮肤图像数据集，对初始毛发去除网络和初始皮肤图像分类网络进行训练，得到训练完成的毛发去除网络和皮肤图像分类网络；将待检测皮肤图像，输入训练完成的毛发去除网络，得到去除毛发后的处理后检测图像，将处理后检测图像输入训练完成的皮肤图像分类网络，得到待检测图像的皮肤分类结果。
-
公开(公告)号：CN119344669A
公开(公告)日：2025-01-24
申请号：CN202411395330.5
申请日：2024-10-08
Applicant: 西南交通大学
IPC: A61B5/00 , A61B5/318 , A61B5/352 , A61B5/369 , A61B5/372 , G06F18/25 , G06F18/10 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/09
Abstract: 本发明公开了一种基于多模态注意力的睡眠分期方法，属于睡眠分析技术领域，包括，获取原始心电数据和原始脑电数据并进行预处理，利用一维卷积神经网络对经预处理的心电数据进行处理，得到心电特征，利用多尺度特征提取模块对经预处理的脑电数据进行处理，得到脑电特征，利用多模态注意力融合模块进行心电特征和脑电特征的融合，并对融合结果进行计算分析，得到睡眠分期结果。本发明基于多模态注意力机制建立了睡眠分期模型，根据心电信号和脑电信号中的互补信息，得到准确且可靠的睡眠分期结果，通过注意力机制，能够自动学习到不同模态信号在不同睡眠阶段的特征重要性，实现更加精细和个性化的睡眠状态识别，具有实用性和可靠性。
-
公开(公告)号：CN119272128A
公开(公告)日：2025-01-07
申请号：CN202411376649.3
申请日：2024-09-30
Applicant: 西南交通大学
IPC: G06F18/2411 , G06F18/2413 , G06F18/213 , G06F18/25 , G06F18/27 , G06N3/094
Abstract: 本申请涉及一种基于逆注意力和对抗训练的多模态医学数据分类方法。所述方法包括：获取多模态医学数据并进行预处理；采用k‑best算法对所述预处理后的多模态医学数据进行初步特征提取；采用注意力机制计算每个特征的逆注意力分数，基于所述逆注意力分数进行多模态特征融合，得到多模态特征数据；将所述多模态特征数据输入分类诊断模块和回归预测模块，进行对抗训练，输出多模态特征数据对应的分类回归结果。充分利用了多模态多任务条件下得到的特征，使各个不同的模态更好地进行结合，挖掘出了受试者年龄、教育程度等具有统计学意义数据潜在的特征，提高了阿尔茨海默症病理过程中的多模态医学数据分类问题的准确性、可靠性和可解释性。
-
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
Applicant: 西南交通大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/30 , G06T5/60
Abstract: 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
Applicant: 西南交通大学
Abstract: 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。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.02 seconds)
