-
公开(公告)号：CN110956612A
公开(公告)日：2020-04-03
申请号：CN201911063168.6
申请日：2019-10-31
Applicant: 华侨大学 , 泉州市华工智能技术有限公司
Abstract: 本发明提供一种细胞快速计数方法，包括步骤S1、将细胞培养过程中采集到的明场显微细胞图像读入到图像处理工具中；步骤S2、通过计算机图像处理算法对读入的明场显微细胞图像进行图像预处理操作；步骤S3、计算经图像预处理操作后的明场显微细胞图像中的细胞数目。本发明优点在于：通过本发明的技术方案，可大大提高明场显微细胞图像中细胞计数的效率和准确率，且通过实验证明，本发明的细胞计数准确率高达94％以上，这对于生物学研究和临床阶段的一些科研工作意义重大。
-
公开(公告)号：CN110569957A
公开(公告)日：2019-12-13
申请号：CN201910825742.0
申请日：2019-09-03
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司 , 中科永大控股有限公司
IPC: G06N3/00
Abstract: 本发明公开了一种基于人工蜂群算法的优化方法，涉及仿生智能计算与优化领域。本发明采用一种新的初始化策略，从而获得较高质量的初始种群并减少寻优迭代次数；然后提出了两个新的搜索方程，其中一个用于增强局部搜索能力，另一个用于避免后期寻优过程的早熟收敛；进一步地，本发明对基本人工蜂群算法的框架进行了调整。本发明在于提供一种基于人工蜂群算法的优化方法，增强初始种群的多样性和分布性，提高搜索随机性，避免陷入局部最优，改进算法性能，无论在解的精度还是收敛速度方面，效果都有所提高。
-
公开(公告)号：CN109325966A
公开(公告)日：2019-02-12
申请号：CN201811031171.5
申请日：2018-09-05
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明提供一种通过时空上下文进行视觉跟踪的方法，包括如下步骤：步骤1：初始化参数；步骤2：训练上下文感知滤波器得到位置模型；步骤3：训练尺度相关滤波器的最大尺度响应值得到尺度模型；步骤4：分类器输出响应图；判别相关滤波器生成与响应图峰值对应的峰值旁瓣比；步骤5：对比响应图峰值与峰值旁瓣比，如果响应图峰值大于峰值旁瓣比，则引入在线随机蕨分类器进行重检测；如果响应图峰值小于峰值旁瓣比，则更新步骤2的位置模型和步骤3的尺度模型；如果响应图峰值等于峰值旁瓣比，则继续维持当前视觉跟踪状态；步骤6：将更新好的位置模型与尺度模型作用于下一帧跟踪；返回步骤4。
-
公开(公告)号：CN108021869A
公开(公告)日：2018-05-11
申请号：CN201711127478.0
申请日：2017-11-15
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明公开的一种结合高斯核函数的卷积神经网络跟踪方法，该方法步骤包括：首先对首帧图像进行归一化处理并聚类提取目标信息，结合跟踪过程中目标背景信息共同作为卷积网络结构中的各阶滤波器，通过高斯核函数来提高卷积运算速度，提取目标简单抽象特征，然后叠加简单层的卷积结果得到目标的深层次表达，最后结合粒子滤波跟踪框架实现跟踪。本发明简化后的卷积网络结构，脱离苛刻深度学习运行环境提取的深度抽象特征，能够有效地应对低分辨率，目标遮挡与形变等场景，提高复杂背景下的跟踪效率。
-
公开(公告)号：CN119149982B
公开(公告)日：2025-04-01
申请号：CN202411658867.6
申请日：2024-11-20
Applicant: 华侨大学
IPC: G06F18/211 , G06F16/35
Abstract: 本发明涉及一种标记松弛的多主题文本数据特征选择方法，涉及自然语言处理技术领域，方法包括：给定由特征空间和标记空间组成的多主题文本数据；使用非负标记松弛矩阵获得松弛后的标记空间；构建特征选择矩阵并进行分解得到结构化子空间和因子矩阵，挖掘特征之间和标记之间的结构化关系；构造损失函数并施加范数约束，对特征选择矩阵进行范数稀疏正则化，基于此构建总目标函数；再通过迭代求解总目标函数，获得最终特征选择矩阵；最后，利用最终特征选择矩阵选择特征以表征原始文本数据。本发明通过标记松弛、结构化子空间分解、稀疏正则化等技术手段，显著提高了多主题文本数据特征选择的准确性、解释性、泛化能力和计算效率。
-
Patent Agency Ranking
公开(公告)号：CN119251250B
公开(公告)日：2025-03-25
申请号：CN202411780066.7
申请日：2024-12-05
Applicant: 华侨大学
IPC: G06T7/194 , G06T7/00 , G06N3/0455 , G06V10/44 , G06V10/80
Abstract: 本发明涉及图像处理技术领域，公开了基于Transformer的宫颈癌病理图像癌变组织的分割方法及系统，方法包括：采集宫颈癌病理图像并进行标注，获得宫颈癌病理图像数据集；使用DeepLabV3+作为主干网络构建宫颈癌病理图像分割网络，其中，在编码器中添加多特征Transformer单元以提取不同尺度的语义信息，且减少全局注意力计算中的冗余性；使用宫颈癌病理图像数据集对所述宫颈癌病理图像分割网络进行训练；使用训练好的宫颈癌病理图像分割网络对宫颈癌病理图像中的肿瘤和背景部分进行分割。本发明在分割宫颈癌病理图像时具有较高的准确率和较快的运行速度。
-
公开(公告)号：CN119169386A
公开(公告)日：2024-12-20
申请号：CN202411339028.8
申请日：2024-09-25
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/771 , G06V10/774 , G06V10/766
Abstract: 本发明公开了一种基于显著性特征的多标记图像分类方法、装置及可读介质，包括：基于特征选择矩阵、特征空间矩阵和伪标记矩阵构造回归框架，结合牵引矩阵、非负标记稀疏矩阵、标记空间矩阵和伪标记矩阵构建拟合模型，通过伪标记矩阵构造标记相关性模型；构建特征选择矩阵的核范数模型，以构建目标函数，对目标函数进行求解，得到最终优化的特征选择矩阵；基于最终优化的特征选择矩阵确定图像特征子集，基于图像特征子集对图像分类模型进行训练，得到经训练的图像分类模型；将图像中与图像特征子集相对应的特征输入到经训练的图像分类模型中，得到图像分类结果，从而学习类别标记之间的相关性，减轻低密度标记对特征选择的影响。
-
公开(公告)号：CN117912015A
公开(公告)日：2024-04-19
申请号：CN202410070932.7
申请日：2024-01-18
Applicant: 华侨大学
IPC: G06V20/70 , G06V10/22 , G06V10/762 , G06V10/764 , G06V10/771
Abstract: 本发明公开了一种利用局部判别模型和标记相关性选择多标记图像数据方法及装置，包括：基于每张图像数据及其邻近的图像数据构造邻近局部团，并定义邻近局部团的类间离散矩阵和局部离散矩阵以及聚类分配矩阵，以定义得到每张图像数据的局部判别模型以及多标记图像数据对应的局部判别模型；将标记空间和特征空间之间的关系投影到特征选择矩阵中，得到损失模型，将特征选择矩阵和聚类分配矩阵之间的关系投影到标记相关矩阵中，得到相关性模型，并在特征选择矩阵上施加l2,1范数，得到特征选择模型，构建目标函数，采用交替迭代优化算法对目标函数进行求解，得到最终的特征选择矩阵，基于最终的特征选择矩阵确定特征子集，以提高多标记图像数据的分类性能。
-
公开(公告)号：CN117880224A
公开(公告)日：2024-04-12
申请号：CN202410069615.3
申请日：2024-01-17
Applicant: 华侨大学 , 厦门凡尔赛科技有限公司
IPC: H04L49/109 , H04L49/25 , H04L45/02 , H04L45/12 , H04L45/00 , G06N3/006 , G06N3/042 , G06N3/0442 , G06N3/086
Abstract: 本发明公开一种VLSI设计中片上网络的路由优化方法、系统及设备，涉及强化学习和运筹调度领域，利用深度强化学习模型和进化算法这两者的优势，同时优化系统的多个目标，深度强化学习和进化算法将收集到的或者自己生成的数据通过深度强化学习模型来进行训练首先生成多目标问题的初步解，再通过进化算法的分解以及同步优化来生成一组近似最优的Pareto前沿，为不同目标的片上通信提供了可行解。本发明通过深度强化学习的模型和算法来以黑盒训练法让模型参数自主地拟合去学习选择路径的策略，无需大量的时间代价即可计算出最优的通信方案，实现了高效地通信。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.01 seconds)
