-
公开(公告)号：CN119540658A
公开(公告)日：2025-02-28
申请号：CN202510086418.7
申请日：2025-01-20
Applicant: 中南大学
IPC: G06V10/764 , G06N3/0499 , G06V10/20 , G06V10/44 , G06V10/774 , G06V10/778 , G06V10/82
Abstract: 本发明实施例中提供了一种面向长尾图像识别模型的训练方法，属于数据处理技术领域，具体包括：分别使用平衡采样策略和随机采样策略采样图片，并对随机采样图片进行数据增强，得到第一样本；执行CamMix操作得到第二样本；将第一样本和第二样本输入主干网络得到样本特征；得到交叉熵损失，并将线性分类器中的参数作为未经过L2归一化的原型特征；将原型特征和样本特征经过多层感知机网络得到L2归一化的特征，并将其输入到原型解耦对比学习损失函数中得到对比损失；结合交叉熵损失和对比损失得到总损失函数并据此指导主干网络训练，得到长尾图像识别模型。通过本发明的方案，提高了模型识别精准度和鲁棒性。
-
公开(公告)号：CN118116083A
公开(公告)日：2024-05-31
申请号：CN202410334228.8
申请日：2024-03-22
Applicant: 中南大学
IPC: G06V40/20 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本公开实施例中提供了一种基于混合手写特征的帕金森症自动识别方法，属于图像识别技术领域，具体包括：采集帕金森病患者的手写图像数据；对螺旋手写图像和蜿蜒手写图像进行数据预处理；采用像素融合的方法对预处理后的螺旋手写图像和蜿蜒手写图像进行像素级融合生成融合图像；将螺旋手写图像和融合图像输入至预训练的卷积神经网络中，提取展平层的特征向量作为螺旋手写图像特征F1和融合图像特征F2；采用特征向量拼接的方法对螺旋手写图像特征F1和融合图像特征F2进行特征级融合生成融合特征；将融合特征输入至支持向量机中，对所述融合特征进行分类，得到诊断结果。通过本公开的方案，提高了评估效率、精准度和适应性。
-
公开(公告)号：CN116843667A
公开(公告)日：2023-10-03
申请号：CN202310888573.1
申请日：2023-07-19
Applicant: 中南大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82
Abstract: 本申请适用于图像分类技术领域，提供了一种基于多任务学习的脑影像分类及脑认知评分预测方法，包括获取训练脑磁共振影像图像集；构建脑影像分类及脑认知评分预测型；将训练脑磁共振图像集输入该模型，得到脑影像分类结果、脑认知评分预测值以及交互特征；分别构建第一、第二、第三以及第四损失函数；根据上述损失函数，确定脑影像分类及脑认知评分预测模型的损失值；利用损失值对该模型进行反向传播，得到训练后的脑影像分类及脑认知评分预测模型；将待识别脑磁共振图像输入到训练后的脑影像分类及脑认知评分预测模型，得到脑影像分类结果和脑认知评分预测值。本申请能够提高脑影像分类和脑认知评分预测的准确度。
-
公开(公告)号：CN116540204B
公开(公告)日：2023-09-05
申请号：CN202310815506.7
申请日：2023-07-05
Applicant: 中南大学
IPC: G01S7/41 , G06F18/241 , G06F18/214 , G06N3/084
Abstract: 本申请适用于人体行为识别技术领域，提供了一种行为识别方法、装置、终端设备及介质，通过获取训练数据；构建初始行为识别网络模型，并利用训练数据对其训练，得到中间行为识别网络模型；根据真实标签，对微多普勒数据进行划分，得到多个类簇中心；利用特征提取器提取第二环境中待识别行为的特征表示，并根据特征表示和类簇中心，得到其伪标签；根据类簇中心和伪标签，构建特征分布损失函数；利用待识别行为的互信息，构建冗余损失函数；根据特征分布损失函数和冗余损失函数，对中间行为识别网络模型进行反向传播，得到最终行为识别网络模型；利用最终行为识别网络模型识别待识别行为。本申请能提高跨环境时行为识别的准确度。
-
公开(公告)号：CN113496496B
公开(公告)日：2023-04-07
申请号：CN202110767563.3
申请日：2021-07-07
Applicant: 中南大学
IPC: G06T7/11 , G06V10/80 , G06N3/0455 , G06N3/084
Abstract: 本发明提供了一种基于多种损失和多尺度特征的MRI影像海马体区域分割方法，包括：步骤1，获取多个T1模态的脑部MRI影像和海马体标签；步骤2，以左右海马体的左右标签为基准，对每个T1模态的脑部MRI影像进行图像的裁剪，得到多个裁剪后的左右海马体立方体；步骤3，对每个裁剪后的左右海马体立方体进行3D切块，得到所有裁剪后的左右海马体立方体的3D切块，在所有裁剪后的左右海马体立方体的3D切块中筛选出含有海马体体素大于设定阈值的3D块，对筛选出的3D块进行预处理。本发明可以精确地分割出海马体和背景的标签，通过多尺度信息和多种损失的结合提高分割准确率，使脑部影像中海马体分割准确率得到显著提升。
-
Patent Agency Ranking
公开(公告)号：CN113808753A
公开(公告)日：2021-12-17
申请号：CN202111064734.2
申请日：2021-09-11
Applicant: 中南大学
Abstract: 本发明公开了一种基于多损失的分解表达学习预测辅助放化疗疗效的方法，对现有的同一肿瘤区域放化疗前和放化疗后两个阶段的CT影像，提取放射组学特征。通过多损失的分解表达学习去寻找两个阶段CT影像中肿瘤区域的共享特征和特有特征：首先通过交叉重构损失将影像的特征分解为共享特征和特有特征两个部分，然后通过固有‑变化损失强化分解效果，并基于监督损失使潜在特征具有可分行，再进行总损失计算，并通过梯度更新的方式来最小化总损失，最后得到分离后的特征。对分离后的特征进行融合，并输入到不同的分类器中，从而得到预测模型，并通过预测模型来基于放化疗前患者的肿瘤区域影像进行疗效预测。本发明能够准确的对食管癌患者进行辅助放化疗后疗效。
-
公开(公告)号：CN113807425A
公开(公告)日：2021-12-17
申请号：CN202111064736.1
申请日：2021-09-11
Applicant: 中南大学
Abstract: 本发明公开了一种基于自适应正则深度聚类的组织病理图像分类方法。首先进行预训练，直到由病理图像特征提取网络和聚类组成的无监督模型稳定即完成预训练，得到预训练的模型参数权重。然后以得到的模型参数权重作为病理图片分类模型的初始化权重，并采用有标签的病理图像进行训练以完成调参，得到训练完成的病理图片分类模型。最后将待分类的病理图像输入至训练完成的病理图片分类模型中进行分类，得到分类结果。相比于随机初始化权重的网络，使用本发明训练出来的预训练权重的模型，只需使用10％的标记数据就可以和随机初始化权重的网络使用100％的标记数据达到相同效果。且使用本发明预训练权重的网络收敛速度更快。
-
公开(公告)号：CN107545151B
公开(公告)日：2020-10-16
申请号：CN201710779874.5
申请日：2017-09-01
Applicant: 中南大学
Abstract: 本发明公开了一种基于低秩矩阵填充的药物重定位方法。本发明首先通过集成药物和疾病相关数据，构建了药物‑疾病异构网络，矩阵中的元素包括药物对、疾病对、已知药物‑疾病对和未知药物‑疾病对。然后利用快速矩阵填充算法填充该矩阵，为未知药物‑疾病对赋予预测值，根据所填充的预测值，为所有的药物预测新适应症。本发明简单有效，通过与其他方法比较，及在多个数据集上测试表明，该发明在药物重定位方面具有较好的预测性能。
-
公开(公告)号：CN119540658B
公开(公告)日：2025-04-11
申请号：CN202510086418.7
申请日：2025-01-20
Applicant: 中南大学
IPC: G06V10/764 , G06N3/0499 , G06V10/20 , G06V10/44 , G06V10/774 , G06V10/778 , G06V10/82
Abstract: 本发明实施例中提供了一种面向长尾图像识别模型的训练方法，属于数据处理技术领域，具体包括：分别使用平衡采样策略和随机采样策略采样图片，并对随机采样图片进行数据增强，得到第一样本；执行CamMix操作得到第二样本；将第一样本和第二样本输入主干网络得到样本特征；得到交叉熵损失，并将线性分类器中的参数作为未经过L2归一化的原型特征；将原型特征和样本特征经过多层感知机网络得到L2归一化的特征，并将其输入到原型解耦对比学习损失函数中得到对比损失；结合交叉熵损失和对比损失得到总损失函数并据此指导主干网络训练，得到长尾图像识别模型。通过本发明的方案，提高了模型识别精准度和鲁棒性。
-
公开(公告)号：CN118898623A
公开(公告)日：2024-11-05
申请号：CN202411390028.0
申请日：2024-10-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于大模型微调的缺血性脑卒中医学影像分割方法，包括获取现有的缺血性脑卒中的医学影像并预处理构建训练数据集；构建包括图像对称处理网络、图像编码网络、图像嵌入网络和图像分割网络的缺血性脑卒中医学影像分割初级模型并训练得到缺血性脑卒中医学影像分割模型；获取实际的缺血性脑卒中医学影像并输入缺血性脑卒中医学影像分割模型完成实际的缺血性脑卒中医学影像的分割。本发明还公开了一种包括所述基于大模型微调的缺血性脑卒中医学影像分割方法的成像方法。基于图像对称处理网络的构建和处理生成对称数据，并基于对称数据和构建的图像嵌入网络和图像分割网络，最终不仅实现了缺血性脑卒中医学影像的分割，而且分割的可靠性更高，精确性更好。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.028 seconds)
