-
公开(公告)号：CN114863186B
公开(公告)日：2024-10-01
申请号：CN202210622404.9
申请日：2022-06-02
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/42 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06T17/00
Abstract: 基于双Transformer分支的三维模型分类方法，本发明涉及三维模型分类过程中，二维视图表征三维模型存在难以捕捉细节信息且分类准确率低下的问题。目前，基于视图的三维模型分类方法通常侧重于对视图采用不同的深度神经网络模型来挖掘视图间的区分性以及时序关系，这些方法都是视图级的，无法从多个视图中捕获局部细节信息，这些细微的和具有区分性的局部细节正是有效分类三维模型的关键。为此，本发明采用基于双Transformer分支的三维模型分类方法，该方法既可以有效获取三维模型的全局信息，又可以获取细粒度的局部信息，有效提高了对三维模型的表示能力。在三维模型分类时，利用训练好的基于双Transformer分支的网络模型提取三维模型特征，该网络分别提取三维模型的全局信息和局部信息，然后对两部分信息进行融合，最后通过融合特征进行分类。通过这种方式，充分表示了三维模型，提高了分类准确率。本发明应用于三维模型分类。
-
公开(公告)号：CN116758536A
公开(公告)日：2023-09-15
申请号：CN202310724783.7
申请日：2023-06-19
Applicant: 哈尔滨理工大学
IPC: G06V20/69 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/80 , G01N21/78
Abstract: 一种融合差异化细胞关系和涂片背景的宫颈细胞分类方法，本发明涉及宫颈细胞分类中，样本内细胞相似性和样本间细胞的差异性导致宫颈细胞分类准确率低问题。由于样本间具有不同的病理或生理状态，宫颈细胞的形态染色存在差异。同时，在样本内，正常细胞和无明确诊断意义的病变细胞相似、低度和高度病变细胞类内相似，这些因素导致了现有深度学习分类方法的准确率较低。为改善这一问题，本发明提出了一种融合差异化细胞关系和涂片背景的宫颈细胞分类方法。实验表明，该方法能有效利用样本内涂片背景和差异化细胞关系，减少样本间的差异性，提高样本内细胞的区分度，提高分类的准确率、敏感度和特异性。本发明应用于细胞病理中的宫颈细胞分类。
-
公开(公告)号：CN115147459A
公开(公告)日：2022-10-04
申请号：CN202210913007.7
申请日：2022-07-31
Applicant: 哈尔滨理工大学
Abstract: 基于Swin Transformer的无人机跟踪目标方法，本发明涉及无人机自动驾驶过程中，现有的目标追踪算法对目标追踪效果不好的问题。传统的目标追踪算法存在着目标丢失再检测无法算作同一单位，目标遮挡无法识别，数据整体时序性能利用不强等问题；为解决上述问题，本发明提出了基于Swin Transformer的无人机目标追方法；该方法将语音领域的算法应用到目标追踪算法上，首先利用Swin Transformer将数据进行特征的提取，将图像特征进行两两拼接，之后使用改进的Transformer进行目标追踪算法特征的增强，之后在自注意力模块中输入上述两两拼接的特征，增强帧与帧之间的特征学习；经过充分的实验验证得知，该方法在无人机目标追踪上取得了很好的效果。本发明应用于无人机自动驾驶的目标追踪领域。
-
公开(公告)号：CN115082420A
公开(公告)日：2022-09-20
申请号：CN202210832755.2
申请日：2022-07-15
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06N3/04 , G06N3/08 , G06T7/11 , G06T7/187 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 一种基于深度学习的组织病理细胞核的实例分割方法，本发明涉及组织病理图像分析中，组织病理细胞核实例的精准分割问题。组织病理细胞核的实例分割不仅要将细胞核与图片的背景区分开，还要精准的分割出每一个单独的细胞核轮廓。由于图像背景复杂、核之间缺乏清晰的边界、以及较大的核大小和形态变化，这都为组织病理细胞核实例的精准分割提出了挑战。本发明提出一种基于CondInst模型的组织病理细胞核实例分割方法。实验表明，该方法有效的解决了组织病理细胞核漏分割或者是误分割的情况，并且细胞核的轮廓更加贴合真实细胞核轮廓。本发明应用于组织病理细胞核实例的精准分割。
-
公开(公告)号：CN109978771A
公开(公告)日：2019-07-05
申请号：CN201910274841.4
申请日：2019-04-08
Applicant: 哈尔滨理工大学
Abstract: 一种细胞图像快速融合方法，本发明涉及基于内容分析的细胞图像快速融合方法。显微镜下的细胞由于不在同一个焦平面，需要图像融合才能获得清晰图像。传统方法对整张图像进行融合运算，效率低下。为解决这一问题，提出了基于内容分析的细胞图像快速融合方法。首先通过快速异步抓图并筛选出用于融合的图像；然后分割图像并把图像内容分为分散细胞、重叠细胞和垃圾三类后用不同的方法进行融合；最后将融合的各种细胞内容拼接成一张清晰图像作为最终结果。由于只对重叠细胞进行了复杂的融合运算，有效降低了运算的时间复杂度。实验表明，与传统方法相比，所提出的方法具有更高的融合效率。本发明应用于医学图像采集和融合领域。
-
Patent Agency Ranking
公开(公告)号：CN118887655A
公开(公告)日：2024-11-01
申请号：CN202410904689.4
申请日：2024-07-07
Applicant: 哈尔滨理工大学
Abstract: 生成式零样本三维模型分类方法，本发明涉及零样本三维模型分类中，生成三维模型质量低导致分类器泛化能力低的问题。生成式零样本三维模型分类通过生成器生成未见类三维模型，未见类和可见类三维模型共同训练点云分类器。然而现有三维模型生成器受限于文本描述的准确性，导致生成的样本与实际未见类样本存在差异，生成的未见类样本质量低，并且现有点云分类器反向传播中存在特征信息丢失，导致分类准确率低。为改善这一问题，本发明提出了一种基于OIGM和Shap‑DP的零样本三维模型分类方法。实验表明，该方法能生成高质量的未见类三维模型，提高了分类器识别未见类的能力。本发明应用于生成式零样本三维模型分类。
-
公开(公告)号：CN115410195A
公开(公告)日：2022-11-29
申请号：CN202211078978.0
申请日：2022-09-05
Applicant: 哈尔滨理工大学
IPC: G06V20/69 , G06V20/70 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T7/00 , G06T7/62
Abstract: 宫颈细胞萎缩级别智能诊断方法，本发明涉及自动化病理诊断技术中，缺乏智能判别宫颈细胞萎缩程度的问题。宫颈阴道部鳞状上皮分为表层细胞、中层细胞以及基底层细胞，卵巢雌激素影响着细胞的生长与成熟，雌性激素水平的降低会导致萎缩性阴道炎和骨质疏松等症状，需要及时治疗，目前对鳞状细胞萎缩诊断不够明确，萎缩程度的诊断研究报道也较少，给宫颈细胞萎缩程度判别制定系统化、智能化的诊断流程具有重大意义。为改善这一问题，本发明提出了一种宫颈细胞萎缩级别智能诊断方法，该方法先用目标检测模型检测出表层细胞、中层细胞、基底层细胞，然后使用实例分割模型对检测出的每一层细胞的细胞核进行分割，最后计算每一层的细胞数量比、核质比和细胞拥挤度指标，将指标输入随机森林分类模型进行萎缩程度分级；经过充分的实验验证得知，在宫颈细胞萎缩程度判别上取得了很好的效果。本发明应用于宫颈细胞萎缩程度判别。
-
公开(公告)号：CN110737788A
公开(公告)日：2020-01-31
申请号：CN201910980788.X
申请日：2019-10-16
Applicant: 哈尔滨理工大学
IPC: G06F16/51 , G06F16/583 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 快速的三维模型索引建立及检索方法，本发明涉及三维模型检索过程中，二维视图表征三维模型存在冗余的问题以及检索效率低下的问题。目前基于视图的三维模型检索是先将三维模型投影成二维视图集合，然后采用深度学习技术对其进行分类和检索。然而,现有的方法在精度和效率方面都有待提升。为此，本发明采用K-means方法选出代表性视图来替代投影所产生的所有视图，极大的减少了投影视图的数量。然后利用训练好的卷积神经网络(CNN)提取具有代表性的特征，并将特征按类别建立索引。检索时，利用CNN首先将代表性视图分到一个类别中，然后相似度匹配仅在该类别中进行而不是所有类别。通过这种方式，减少了检索算法的搜索空间。此外，本发明提出了一种视图递增的检索方法，该方法在满足条件时，提前终止检索，使得检索平均时间进一步减少，再次提高了检索效率。本发明应用于三维模型检索。
-
公开(公告)号：CN118885822A
公开(公告)日：2024-11-01
申请号：CN202410938250.3
申请日：2024-07-12
Applicant: 哈尔滨理工大学
IPC: G06F18/22 , G06F18/213 , G06F18/23 , G06F11/30
Abstract: 基于双支路多因素聚合的数据中心服务器能耗预测方法，本发明涉及能耗时序预测技术中，模型对能耗影响因素分析不足导致预测不准确的问题。能耗时序预测技术通过对时序数据进行特征分解、特征提取等方法，在现实世界中有着广泛的应用。然而数据中心设备种类繁多，其中服务器能耗占比最大，且组成最为复杂，由于用户使用时间的不确定性以及用户对服务器用途的不同，导致能耗预测准确度较低。为改善这一问题，本发明提出了一种基于Transformer模型的双支路多因素聚合方法。实验表明，该方法能有效地捕获服务器能耗数据中的季节性、趋势性、时间点之间和时间段之间的依赖关系，提高能耗预测的准确度。本发明应用于数据中心服务器能耗预测。
-
公开(公告)号：CN116402796A
公开(公告)日：2023-07-07
申请号：CN202310375322.3
申请日：2023-04-10
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/10 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/22
Abstract: 一种融合全局和局部对比信息的宫颈细胞识别方法，本发明涉及宫颈细胞识别。为了解决病人个体差异影响宫颈细胞的类别判断，难以利用单一图像特征实现宫颈细胞的精准细粒度分类的问题。宫颈细胞病变是一个渐进的过程，各个类别间没有明确得边界，类别间相似度大，且容易受到个体差异的影响，单一图像特征难以实现宫颈细胞的精准细粒度分类。为改善这一问题，本发明提出一种融合全局和局部对比信息的宫颈细胞识别方法，将病理医生通过对比正常中层鳞状上皮宫颈细胞，观察判断异常宫颈细胞的过程转化为计算机模型推理过程。实验表明，该方法有效降低了异常宫颈细胞识别的假阳性率，提高了宫颈细胞检测准确率、敏感度和特异度，为自动阅片系统提供关键技术支撑，帮助医生更早地发现癌细胞并准确评估病变级别。本发明主要应用于宫颈细胞病理检测中异常宫颈细胞识别。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.029 seconds)
