-
公开(公告)号：CN117852617A
公开(公告)日：2024-04-09
申请号：CN202410018254.X
申请日：2024-01-05
Applicant: 中国矿业大学
IPC: G06N3/091 , G06N3/0455 , G06N3/0895 , G06N3/0499 , G06V10/762 , G06V10/74 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种兼具不确定性和代表性的主动学习框架，先通过设置基于对比学习的自监督前置任务学习器对整个数据池的样本进行排序分批处理，然后对分批后的样本在实例级和簇级双重框架下进行对比聚类，然后基于K近邻算法计算所有样本的异常值得分，并对所有簇中的离群样本进行采样。本发明能够更好地对未标记数据进行分类，实现在实例级和簇级双重对比框架下的聚类，具有更优秀的效果，在第一轮迭代中就表现出强大的优势，能够解决主动学习的冷启动问题。
-
公开(公告)号：CN106127719A
公开(公告)日：2016-11-16
申请号：CN201610445666.7
申请日：2016-06-20
Applicant: 中国矿业大学
IPC: G06T5/50
CPC classification number: G06T5/50 , G06T2207/20048 , G06T2207/20084
Abstract: 一种新型的神经网络医学图像融合方法，该方法利用Shearlet变换可以在任意方向和尺度对原始图像(CT图像和MR图像)进行分解获得图像的方向信息和纹理信息。首先利用PCNN具有全局耦合、变阈值、内部行为的乘积耦合、输入的漏电容积分加权求和方法，用于Shearlet变换中高频子带系数的选择；然后计算CT图像和MR图像分别作为自适应PCNN外部输入时各个像素点的点火次数，选择两幅图像对应像素点中点火次数多的像素点作为两者融合后图像的像素点；再通过对得到的Shearlet系数进行Shearlet逆变换，得到CT图像和MR图像融合后的图像。本方法通过Shearlet变换和自适应PCNN对CT图像和MR图像进行融合来提高医学图像的质量，与采用单一的使用Shearlet变换或自适应PCNN相比，有减少数据冗余和提高图像对比度的优势。
-
公开(公告)号：CN117829248A
公开(公告)日：2024-04-05
申请号：CN202410017222.8
申请日：2024-01-05
Applicant: 中国矿业大学
IPC: G06N3/0895 , G06N3/0464 , G06V10/764 , G06V10/82 , G06N3/084
Abstract: 本发明公开了一种基于群体的Siamese自监督学习方法，该方法采用Siamese网络结构，将经过数据增强的两个相关视图随机裁剪成N个固定大小的重叠图像块，将图像块进行数据增强后分别输入到特征编码器获得多个特征值。该特征编码器由一个ResNet‑18网络和两个线性层组成。利用Siamese网络的两个分支产生的特征集来计算交叉相关矩阵损失，并采用rank‑k三元组损失来避免来自同一类的两个样本作为负特征对组的错误分类。本方法能够解决自监督学习中单视图特征的局限性，在很少的迭代轮次中即可取得显著的收敛性，使预训练得到的ResNet‑18具有很好的分类效果，在多个数据集上优于最先进的自监督学习技术。
-
公开(公告)号：CN103310382B
公开(公告)日：2016-09-21
申请号：CN201310205790.2
申请日：2013-05-28
Applicant: 中国矿业大学
Abstract: 一种矿山综合自动化集成平台下的数据定制方法及系统，属于矿用数据定制方法及系统。方法以矿山综合自动化集成平台下的集成数据库作为共享数据源，建立服务器端数据管理平台和客户端前置定制终端，实现数据定制；数据管理平台审核来自前置定制终端的数据定制请求，访问集成数据库，提供服务器端数据定制服务；前置定制终端通过有线或无线方式接入以太网，登陆数据管理平台，提供客户端数据定制服务；数据管理平台和前置定制终端通过以太网相连，采用TCP/IP协议传输数据。系统包括集成数据库、数据管理平台、前置定制终端。该方法及系统主要用于矿山综合自动化集成平台下各部门的数据获取和显示。
-
公开(公告)号：CN102591436B
公开(公告)日：2015-02-04
申请号：CN201210012754.X
申请日：2012-01-17
Applicant: 中国矿业大学
CPC classification number: Y02D10/16
Abstract: 本发明涉及一种能随温度变化匹配风速的笔记本电脑智能散热器，该散热器包括，架体，温度传感器，模数转换芯片，风扇；该散热器有一个矩形架体，对应笔记本电脑的发热部位，在架体内设置有风扇、温度传感器和模数转换芯片，温度传感器、模数转换芯片和风扇串联电连接。该散热器可以根据电脑发热部位温度的高低匹配的进行风扇转速调节，节约用电，使用方便，具有实用性。
-
Patent Agency Ranking
公开(公告)号：CN105549384B
公开(公告)日：2018-11-06
申请号：CN201510553000.9
申请日：2015-09-01
Applicant: 中国矿业大学
Abstract: 本发明一种基于神经网络和强化学习的倒立摆控制方法，涉及一种神经网络和强化学习算法，可以进行自学习，完成对倒立摆的控制装置，属于人工智能及控制技术领域，其特征在于：步骤1:获取倒立摆系统模型信息；步骤2：获取倒立摆的状态信息，初始化神经网络；步骤3：使用训练样本SAM，完成对ELM的训练；步骤4：由强化学习控制器对倒立摆进行控制；步骤5：更新训练样本，和BP神经网络；步骤6：查看控制结果查看是否满足学习终止条件，若不满足，则返回到步骤2继续循环。否则结束算法。本方法能够在连续状态空间中解决易出现的“维数灾难”问题，有效解决具有连续状态的非线性系统的控制问题，具有更快的更新速度。
-
公开(公告)号：CN105867396B
公开(公告)日：2018-05-25
申请号：CN201610190156.X
申请日：2016-03-30
Applicant: 中国矿业大学
IPC: G05D1/08
Abstract: 本发明公开了一种校园自主巡航四轴飞行器的信息处理系统及其工作方法，该系统包括飞行姿态获取模块、GPS模块、摄像头模块、片上系统、PC端控制模块和手动控制模块，飞行姿态获取模块包括加速度传感器、陀螺仪传感器和地磁传感器，片上系统包括处理器、无线通讯模块和电机控制模块；加速度传感器、陀螺仪传感器、地磁传感器、GPS模块和摄像头模块分别连接处理器，处理器分别连接电机控制模块和无线通讯模块，电机控制模块连接四个电机，无线通讯模块连接PC端控制模块，PC端控制模块连接手动控制模块。本发明可以提高四轴飞行器系统的运行效率，增加其实际应用功能，并增强校园的安保功能。
-
公开(公告)号：CN105012119B
公开(公告)日：2018-04-13
申请号：CN201410553527.7
申请日：2014-10-12
Applicant: 中国矿业大学 , 中国科学院计算技术研究所 , 丁世飞
Abstract: 本发明一种深度信息感知脑机融合避障导航装置，涉及一种利用深度感知信息来躲避障碍物，并完成导航功能的装置，属于医疗辅助设备及智能机器人领域，其特征是：定位导航装置置于无线信号发射接收装置的正下方，中央处理器置于下固定盒的中间部位，且位于系统设置器的下方，图形处理器置于中央处理器的右侧，随机访问存储器置于图形处理器的正下方，固定存储器置于中央处理器的左侧，感知装置电源置于安全预警指示灯的左侧，无线通讯器置于感知装置电源的左侧，红外深度传感器位于无线通讯器的左侧，信息感知控制器置于感知箱的最左端，左双目摄像机和右双目摄像机分别置于信息感知控制器的右侧和红外深度传感器的左侧。
-
公开(公告)号：CN117576052B
公开(公告)日：2024-10-11
申请号：CN202311589761.0
申请日：2023-11-27
Applicant: 中国矿业大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06T7/73 , G06N3/0895
Abstract: 本发明公开了一种乳腺X线摄影的病灶检测方法，基于多实例乳腺数据集，依据多分类交叉熵损失函数挑选交叉熵损失值最小的前K个关键实例作为关键实例包的关键实例，并通过有序损失函数更新病灶检测模型的参数，迭代优化训练过程，直到病灶检测模型收敛。本发明是一种基于不确定性有序多实例学习的乳腺癌检测识别方法，仅利用图像的类别标记就可以识别出病灶的具体位置和类别，解决了现有方法中乳腺病灶检测需要对图像中的病灶位置进行标注的问题，降低了标注的难度和成本。
-
公开(公告)号：CN117237304A
公开(公告)日：2023-12-15
申请号：CN202311215465.4
申请日：2023-09-20
Applicant: 中国矿业大学
IPC: G06T7/00 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/096 , G06N3/09
Abstract: 本发明公开了一种具有自主学习能力的儿童骨龄评估方法及系，先使用YOLOv5模型做粗粒度分类，从原始图像中定位出13块骨骼区域的位置及类别，将13块骨骼区域从原始图像中裁剪出来，然后利用CAP模型进行细粒度分类，预测每一块骨骼区域的骨龄等级，最后依据中华05骨龄评分标准计算骨龄。系统包括用于粗粒度分类的目标检测模型YOLOv5和用于细粒度分类的上下文感知注意力池化模型CAP两个深度神经网络，对输入影像进行数据预处理、特征提取、骨龄等级分类与计算；模型更新模块用于对CAP模型进行自动更新，利用基于知识蒸馏的增量学习方法对CAP模型进行增量训练。其具有自主学习能力。其预测精度高，预测成本低廉。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.015 seconds)
