-
公开(公告)号：CN117973483A
公开(公告)日：2024-05-03
申请号：CN202410169436.7
申请日：2024-02-06
Applicant: 西北工业大学
Abstract: 本发明公开了一种网络结构搜索方法、系统与计算机设备，涉及网络结构搜索技术领域，包括步骤：搜索最优结构参数α，对网络结构进行双层优化，并将最优结构参数α转换为独热向量，构成结构权重；将前驱边的结构权重转换为后代边的结构权重，获取边(i,j)的结构权重；选择最大的操作概率，且按照前后的顺序剪枝多余的边，同时更新边(i,j)的结构权重，获取最终的神经网络结构。本发明提出的基于梯度优化的网络结构搜索算法可以更好的建模神经网络中不同层之间的交互和依赖关系，通过建模这些关系，在进行神经网络结构搜索中可以得到更好的模型，并提高网络结构的搜索效率。
-
公开(公告)号：CN117973482A
公开(公告)日：2024-05-03
申请号：CN202410169422.5
申请日：2024-02-06
Applicant: 西北工业大学
Abstract: 本发明提供了一种模型剪枝方法、装置、计算机设备及存储介质，属于人工智能技术领域，其方法包括如下步骤：获取医学图像；使用医学图像对UNet++神经网络进行训练，在训练过程中，使用辅助指标函数对UNet++神经网络的解码器块进行选择，得到C‑UNet++神经网络；使用滤波器重加权方法对C‑UNet++神经网络中的滤波器进行激活，得到剪枝后的神经网络模型。本发明以UNet++为基础，通过使用辅助指标函数对UNet++的解码器块进行选择，能够减少剪枝过程中的计算开销；通过对选择后得到的C‑UNet++神经网络的滤波器进行激活，能够得到剪枝后的神经网络模型，从而生成高效且性能优越的深度神经网络。
-
公开(公告)号：CN114677383B
公开(公告)日：2024-03-15
申请号：CN202210218396.1
申请日：2022-03-03
Applicant: 西北工业大学
IPC: G06T7/11 , G06T7/136 , G06T7/155 , G06T7/187 , G06T7/62 , G06T7/00 , G06T5/30 , G06V10/25 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于多任务学习的肺结节检测分割方法。首先，对CT图像进行预处理，然后，对肺结节检测分割网络模型进行训练。本发明设计的肺结节检测分割网络模型包括特征提取、肺结节候选区域选取、肺结节假阳性去除和肺结节分割四个模块，采用多任务学习策略，引入分割任务辅助肺结节检测，克服了肺结节检测与分割任务中目标体积小、与周围组织对比度低且周围环境复杂的问题，模型复杂度小，且能够同时完成检测和分割两个任务。
-
公开(公告)号：CN107170020B
公开(公告)日：2019-06-04
申请号：CN201710417963.5
申请日：2017-06-06
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于最小量化误差准则的字典学习静态图像有损压缩方法，用于解决现有静态图像有损压缩方法量化误差大的技术问题。技术方案是将稀疏系数对应索引的信息熵作为正则项加入稀疏编码的目标函数中，在使用正交匹配追踪算法选取字典原子时，通过最小化信息熵来限制字典原子的分散度，降低稀疏系数对应索引的编码代价；同时，在字典学习的过程中，通过对稀疏系数进行排序，并寻找使得稀疏系数总离差平方和最小的k惯序划分，将每个划分作为一个量化组，不同量化组之间采用不同的量化步长，同一个量化组内采用相同的量化步长，从而使最终的量化误差最小。
-
公开(公告)号：CN107170020A
公开(公告)日：2017-09-15
申请号：CN201710417963.5
申请日：2017-06-06
Applicant: 西北工业大学
CPC classification number: G06T9/00 , G06K9/6223 , H03M7/3059 , H03M7/6041 , H03M7/6088
Abstract: 本发明公开了一种基于最小量化误差准则的字典学习静态图像有损压缩方法，用于解决现有静态图像有损压缩方法量化误差大的技术问题。技术方案是将稀疏系数对应索引的信息熵作为正则项加入稀疏编码的目标函数中，在使用正交匹配追踪算法选取字典原子时，通过最小化信息熵来限制字典原子的分散度，降低稀疏系数对应索引的编码代价；同时，在字典学习的过程中，通过对稀疏系数进行排序，并寻找使得稀疏系数总离差平方和最小的k惯序划分，将每个划分作为一个量化组，不同量化组之间采用不同的量化步长，同一个量化组内采用相同的量化步长，从而使最终的量化误差最小。
-
Patent Agency Ranking
公开(公告)号：CN107169527A
公开(公告)日：2017-09-15
申请号：CN201710417724.X
申请日：2017-06-06
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于协同深度学习的医学图像分类方法，用于解决现有医学图像分类方法分类准确率差的技术问题。技术方案是采用两个深度卷积神经网络之间协同学习方法，通过成对学习模式进行训练，每次模型接受图像对儿作为输入，一对儿图像分别被输送到对应的深度卷积神经网络中。采用微调预训练模型的方法对这些深度卷积网络进行初始化和训练，设计一个协同学习系统，使两个深度网络进行互助学习。该协同系统用来对图像对儿的异同属性进行监督，即是否属于用一个类别，并且实时地将两个深度卷积网络产生的协同误差进行反向传播、修正网络的权值，从而进一步加强网络学习特征表征的能力，能够更加有效地对易混淆样本作出准确地判别。
-
公开(公告)号：CN106650830A
公开(公告)日：2017-05-10
申请号：CN201710008796.9
申请日：2017-01-06
Applicant: 西北工业大学
CPC classification number: G06K9/627 , G06N3/0454 , G06N3/08
Abstract: 本发明涉及一种基于深层模型和浅层模型决策融合的肺结节CT图像自动分类方法，分别提取基于深度卷积神经网络的特征和描述肺结节纹理和形状的视觉特征。对这三种不同的特征分别训练三个分类器，将所有分类器的结果进行加权平均得到最终的分类结果，实现基于CT图像的肺结节分类方法的创新。
-
公开(公告)号：CN105938565A
公开(公告)日：2016-09-14
申请号：CN201610480872.1
申请日：2016-06-27
Applicant: 西北工业大学
CPC classification number: G06K9/6256 , G06K9/4604 , G06K9/4642 , G06K9/4652
Abstract: 本发明涉及一种基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法，提取彩色图像的六种颜色和纹理特征来表征图像所蕴含的情感。接着，建立一个有监督的分层分类模型。在该模型的底层，利用SVM和AdaBoost方法针对每种图像特征训练一个弱分类器；在模型上层，再次利用Adaboost方法将六种特征所对应的六个弱分类器进行组合，形成一个强分类器。然后，针对每一幅训练图像，从互联网上检索一定数量的与其相似的图像，构成另一个更大的训练图像集合。最后用他们和原有的训练图像一起再次以监督学习的方式对分层分类模型进行训练，就得到了最终的基于情感的彩色图像分类器。
-
公开(公告)号：CN119418049A
公开(公告)日：2025-02-11
申请号：CN202411451965.2
申请日：2024-10-17
Applicant: 西北工业大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种医学图像处理模型的训练方法、系统、设备与介质，涉及模型训练技术领域，包括步骤：获取若干的无标注的医学图像，并构建若干个第一图像分割模型和一个第二图像分割模型；将无标注的医学图像输入若干个第一图像分割模型中进行自监督预训练；将第一图像分割模型的自监督训练表征迁移到第二图像分割模型中；在迁移后的第二图像分割模型中构建在线路径和离线路径，通过在线路径中的第二图像分割模型将用于最终的下游任务测试。本发明中提出一种自监督预训练与下游任务微调的适配方法，能够使第二图像分割模型学到第一图像分割模型自监督表征的同时，缓解自监督表征的灾难性遗忘问题。
-
公开(公告)号：CN113112454B
公开(公告)日：2024-03-19
申请号：CN202110304416.2
申请日：2021-03-22
Applicant: 西北工业大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于任务动态学习部分标记的医学图像分割方法，实现多器官和肿瘤的分割。该方法首先采用卷积神经网络搭建一个编码解码模块，以医学图像作为输入，提取图像的高级语义特征。接着通过一个任务编码模块，将不同任务对应的数据集进行编码，生成的one‑hot编码作为其任务先验。然后设计了一个控制器，以one‑hot编码和图像本身的特征为条件，为每一个图像生成特定任务的卷积核。最后，生成的卷积核在解码模块得到的特征图上进行卷积操作，得到对应任务的分割结果。本发明的分割模型可以在一个简单的分割网络下，高效地实现多个器官、多个肿瘤的同时分割并且能够巧妙地整合多个数据集的资源，能够实现更通用、泛化能力更强的多器官和肿瘤分割。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.027 seconds)
