-
公开(公告)号：CN114723698B
公开(公告)日：2025-01-17
申请号：CN202210331209.0
申请日：2022-03-30
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/12 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/82
Abstract: 一种基于多尺度注意力网络的脑血管医学图像分割方法，首先将原始的脑血管MRA图像进行预处理，随后训练一个多尺度注意力UNet网络；网络模型上编码部分通过多尺度注意力模块提取脑血管图像的特征，提升有效特征的学习能力；解码部分通过跳级连接融合多尺度特征，提高模型分割的精准度；最后将待分割的测试数据输入训练好的模型得到分割结果并进行三维重建。本发明考虑脑血管在脑部影像中的复杂特点，针对性地提出网络模型进行脑血管影像的分割与三维重建，解决了脑部血管高度复杂、位置形态不一等带来的分割难题，提高MRI脑血管影像的分割精度。
-
公开(公告)号：CN117079273B
公开(公告)日：2024-12-24
申请号：CN202310868164.5
申请日：2023-07-17
Applicant: 浙江工业大学
IPC: G06V20/69 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于深度学习的浮游藻类微生物检测方法，包括以下步骤：步骤1：对原始训练数据的预处理，将数据集整理为无标注样本和有标注样本，在有标注样本中选择硅藻、绿藻和蓝藻作为目标类别，格式符合COCO格式要求；步骤2：图像分类快速推理的混合神经网络结构的建立，结合注意力偏置和可变形卷积，使用该骨干网络来进行实现特征的提取，结合对小目标、密集性效果更好的Deformable DETR检测模型；步骤3：将有标注数据集作为网络的输入；步骤4：网络的训练：先利用大量无标注样本进行了预训练；使用有标注的来自硅藻门、绿藻门和蓝藻门的数据集来完成藻类目标检测的下游任务。本发明实现快速且高精度的浮游藻类目标检测。
-
公开(公告)号：CN118587470A
公开(公告)日：2024-09-03
申请号：CN202410548215.0
申请日：2024-05-06
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0455 , G06N3/09 , G06T7/11
Abstract: 一种双分支证据动态融合伪标签的简笔监督医学图像分割方法，双分支特征器训练单元通过上下分支特征提取网络，获得输入医学图像各像素点的有差异的两个特征结果，上下分支共享解码器参数，不需要额外训练两个不同的特征提取网络；证据获取单元将上下分支提取到的像素点特征结果进行重新建模，获取上下分支的Dirichlet分布；联合训练单元同时利用上下分支Dirichlet分布，使用证据融合，通过一致性损失以监督没有标签的证据，使用部分证据优化损失优化有标签的证据。以及提供一种简笔监督医学图像分割系统。本发明在保证分割性能的同时提高了模型的泛化能力和鲁棒性。
-
公开(公告)号：CN118115552A
公开(公告)日：2024-05-31
申请号：CN202410119189.X
申请日：2024-01-29
Applicant: 浙江工业大学
IPC: G06T7/33 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种基于深度交叉注意力机制的三维脑部图像可形变配准方法，包括以下步骤：步骤1：获取三维脑部图像数据集并进行预处理；步骤2：从三维脑部图像数据集中挑选成对训练图像，输入到配准模型中；步骤3：训练配准模型；步骤4：计算配准模型损失函数，将配准模型最优化；步骤5：用评价指标对配准模型进行评估；步骤6：保存配准模型。本发明提供了一种提升配准精度和训练时间的基于深度交叉注意力机制的三维脑部图像可形变配准方法。
-
公开(公告)号：CN118096812A
公开(公告)日：2024-05-28
申请号：CN202311229571.8
申请日：2023-09-22
Applicant: 浙江工业大学
IPC: G06T7/194 , G06T7/11 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 基于超像素和双分支图卷积网络的涂鸦监督上颌窦分割方法和装置，其方法包括：对口腔CBCT冠状图上颌窦区域进行涂鸦标注；划分数据集并生成超像素集；使用超像素集训练改进的特征提取网络；提取训练图像的超像素特征并构建超像素图；训练双分支超像素分类网络；提取超像素特征；构建超像素图；分割上颌窦。将口腔CBCT图像输入线性谱聚类得到对应图像的超像素块；运用改进的Unet提取其各超像素块的特征，并依据超像素块之间的空间关系构建各图像的超像素图；使用上下分支图卷积神经网络，将改进的图卷积神经网络IGCN作为主要的超像素分类网络；同时上下分支网络共享图卷积层参数。本发明解决了涂鸦标注监督信息不足导致分割性能不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN112131950B
公开(公告)日：2024-05-07
申请号：CN202010866831.2
申请日：2020-08-26
Applicant: 浙江工业大学
Abstract: 一种基于Android手机的步态识别方法，包括以下步骤：步骤1、注册数据集预处理，使用Android手机每人采集5个不同角度数据传输至服务器，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；步骤2、使用训练好的GaitSet步态识别模型对注册集图像序列进行特征提取，得到注册集特征；步骤3、测试数据采集，类似步骤1每人采集1个角度图像对数据进行预处理，并使用GaitSet模型提取检测集特征；步骤4、检测集中每一个检测图像序列特征与注册集中每一个图像序列特征使用欧式距离计算相似性；步骤5、对得到的距离数组Dis从小到大排序，取Dis数组中距离最小的5个距离，记录其对应特征的对应标签LT，根据LT进行标签和置信度的计算，传回结果给Android手机。本发明能结合Android手机和高性能服务器的优点，Android手机采集数据方便的同时，高性能服务器能运用深度学习网络精准地进行人体的轮廓提取，并快速地进行步态的注册与识别，维护简单且使用方便。
-
公开(公告)号：CN112731282B
公开(公告)日：2023-12-26
申请号：CN202011430717.1
申请日：2020-12-09
Applicant: 浙江工业大学
IPC: G01S3/802
Abstract: 一种基于虚拟子阵交织的声阵列空间滤波方法，所述方法包括波束成形方法和波达方向估计方法。一种基于虚拟子阵交织的声阵列空间滤波系统，所述系统包括：超密集微声虚拟阵列，用于设置阵列框架，模拟声波的多径现象；声阵列空间滤波模块，用于将输入声源进行白噪声削弱进行波束成形和波达方向计算。本发明利用超密集微声阵列的冗余特性，构建出多种不同的虚拟子阵，利用子阵间不同的阵列流行对同一目标形成多种不同的测量结果，以加权平均的方式滤除结果中的随机噪声及干扰，可以提高阵列波束成形的指向性及波达方向估计的精度。
-
公开(公告)号：CN116869470A
公开(公告)日：2023-10-13
申请号：CN202310864384.0
申请日：2023-07-13
Applicant: 浙江工业大学
Abstract: 一种基于眼动异常自动识别的脑卒中初筛分析方法，包括以下步骤：步骤1：录制眼部区域视频；步骤2，部署基于深度学习的瞳孔跟踪模型，使用该模型预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每个预测结果的置信度；步骤3，使用python脚本处理每一帧图像的瞳孔中心坐标数据，绘制相关的曲线图；步骤4，基于上一步骤绘制的曲线图，辅助医生进行HINTS眼动异常检查，其中的检查包括眼震试验和扭转偏斜试验；步骤5，生成脑卒中初期的诊断结果及分析报告，并保存诊断视频以便后续检查。本发明提供一种基于眼动异常自动识别的脑卒中初筛分析方法，自动分析眼动体征来辅助临床医生进行脑卒中初期筛查工作。
-
公开(公告)号：CN111488905B
公开(公告)日：2023-07-14
申请号：CN202010147000.X
申请日：2020-03-05
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于高维PCANet的鲁棒图像识别方法，包括鲁棒特征提取和基于卡方距离的最近邻分类，鲁棒特征提取过程将特征图的平坦式卷积和立体式卷积结合起来，立体式卷积充分考虑通道之间的相关性，平坦式卷积能够对输入图像的每一个通道进行充分的主方向分解，所得到的模式图相较于原始PCANet具有更为丰富的特征，能够有效提升PCANet的鲁棒性；分类过程包括：步骤1，在高维柱状图特征空间中，基于卡方距离获取待识别图像到各训练图像的距离度量；步骤2，获取具有最小距离度量的训练样本所对应的类标，作为待识别图像的类标。本发明能够有效的处理待识别图像中的遮挡、光照变化、分辨率差异等变化，有效地提升了有偏移图像的识别率。
-
公开(公告)号：CN116385322A
公开(公告)日：2023-07-04
申请号：CN202211715602.6
申请日：2022-12-29
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于图像融合的黑色素瘤数据增强方法，包括：获取黑色素瘤数据集并将黑色素瘤数据集中的图像统一尺寸；遍历统一尺寸后的图像，对每个图像执行如下操作：将图像对半裁剪，获得两张裁剪后的图像；对两张裁剪后的图像随机翻转其中一张，记随机翻转后的裁剪图像为第一图像，未随机翻转的裁剪图像为第二图像；随机获取一个[0,1]的比例数，按比例数融合第一图像和第二图像形成融合图像；保存全部融合图像，完成黑色素瘤数据集中图像的数据增强。该方法通过对图像自身进行裁剪处理后按比例数融合实现图像数据增强，从而达到数据类别平衡及扩充数据量，提高模型鲁棒性的目的，可精准识别黑色素瘤。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.036 seconds)
