公开(公告)号：CN113449631A

公开(公告)日：2021-09-28

申请号：CN202110711086.9

申请日：2021-06-25

Applicant: 中南大学 ,  中国人民解放军32801部队

Inventor： 郭克华 ,  张健 ,  胡敏 ,  任盛 ,  马建光 ,  刘超

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种图像分类方法及系统，将源域数据和目标域数据输入到共享权重的孪生网络，训练孪生网络；利用训练后的孪生网络，获得由源域数据和目标域数据组成的训练集在同一个特征空间的特征表示，得到训练集中每个样本的特征向量Vtrain；将由测试数据和源域数据组成的成对样本输入到训练后的孪生网络，提取测试数据中每个测试样本的特征向量Vtest；计算每个特征向量Vtrain的平均值，得到多个均值向量，计算特征向量Vtest与每个均值向量之间的距离，则最短距离对应的均值向量的类别即测试样本的类别。本发明减小了源域舰船数据和目标域舰船数据的分布差异，从而可以对目标域进行精确识别。

公开(公告)号：CN110458756A

公开(公告)日：2019-11-15

申请号：CN201910554229.2

申请日：2019-06-25

Applicant: 中南大学

Inventor： 郭海富 ,  郭克华 ,  任盛

IPC: G06T3/40 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的模糊视频超分辨率方法，在单帧深度反投影超分辨率模型的基础上，设计了多帧模糊视频超分辨率模型，提升了模糊视频超分辨率重建质量并且支持高倍数(×8)重建。针对运动模糊视频超分辨率重建后视频边缘轮廓等细节信息不清晰，视频质量低的问题，本发明通过在深度反投影超分辨率模型上引入递归学习和多帧融合策略构建模糊视频超分辨率模型。该模型通过学习模糊低分辨率视频帧到清晰高分辨率视频帧的非线性映射，能够重建边缘轮廓清晰的超分辨率视频，提升了运动模糊视频超分辨率重建的质量，使得人们能够更好的获取视频信息，例如超分辨率重建医疗视频帮助医生清楚观察患者的病灶部位，提高疾病确诊和治愈的可能。

公开(公告)号：CN111477337B

公开(公告)日：2023-05-19

申请号：CN202010265557.3

申请日：2020-04-07

Applicant: 中南大学

Inventor： 郭克华 ,  陈翔 ,  任盛 ,  沈敏学 ,  黄勋 ,  黄志军

IPC: G16H50/80 ,  G06N3/0464 ,  G06N3/084 ,  G06F18/25

Abstract: 本发明公开了一种基于个体自适应传播网络的传染病预警方法、系统及介质，对多模态的传染病数据进行统一表征；利用统一表征的传染病数据，构建基于个体自适应行为信息网络和传染病传播网络的相互作用模型，分析相互作用模型的阈值，根据所述阈值确定个体自适应行为和传染病传播之间的作用关系。本发明能够将不同模态的数据统一表征，能够准确刻画个体自适应行为，准确预测传染病的传播阈值。

公开(公告)号：CN114267432A

公开(公告)日：2022-04-01

申请号：CN202210191966.2

申请日：2022-03-01

Applicant: 中南大学

Inventor： 郭克华 ,  陈天宇 ,  任盛

IPC: G16H30/00 ,  G16H50/20 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了生成对抗网络交替训练及医疗图像分类方法、装置、介质，通过对生成器和判别器的收敛程度进行度量，能够量化生成器和判别器的训练收敛程度；通过制定自适应交替训练策略，能够根据当前生成器和判别器的收敛程度，自适应地确定下一次是训练生成器还是判别器；通过基于自适应生成对抗网络对医疗影像进行疾病分类，能够提高分类准确率和识别效果，辅助医护人员对疾病进行诊断。

公开(公告)号：CN113780557A

公开(公告)日：2021-12-10

申请号：CN202111332352.3

申请日：2021-11-11

Applicant: 中南大学

Inventor： 郭克华 ,  胡斌 ,  任盛 ,  奎晓燕 ,  赵颖

IPC: G06N3/08 ,  G06N3/04 ,  G06N5/00 ,  G06K9/62 ,  G06F21/64

Abstract: 本发明公开了一种基于免疫理论的对抗图像攻击方法、装置、产品及介质，基于图像像素的位置关系，利用神经网络损失函数的梯度回传学习每一个像素所占的权重值，得到注意力权重，将注意力权重与像素值相乘后输入激活函数，得到注意力类激活图Ac(i,j)，所述类激活图可近似表征图像目标像素；通过掩码Bk随机掩盖注意力类激活图Ac(i,j)，获取对非目标像素攻击无效的注意力激活图，利用非目标像素攻击无效的注意力激活图获取分类特征向量；将分类特征向量输入设计的泛化性鲁棒损失函数计算梯度值，利用梯度值对神经网络进行后向传播，训练所述神经网络。本发明的方法在对抗图像攻击任务中达到了最先进防御水平。

公开(公告)号：CN109903225A

公开(公告)日：2019-06-18

申请号：CN201910086181.7

申请日：2019-01-29

Applicant: 中南大学

Inventor： 任盛 ,  郭克华 ,  郭海富

IPC: G06T3/40

Abstract: 本发明公开了一种基于深度学习的医疗图像增强方法，在原有训练数据集上添加医学影像数据，并结合医生的需求构建一个简单、易用的操作界面。针对医学影像超分辨率重建后边缘轮廓等细节信息不清晰，有可能影响医生诊断的问题，本发明提出基于深度残差网络的医学影像超分辨率方法，通过在相同的计算资源下堆叠更多层次，使用深度残差网络学习低分辨率图像到高分辨率图像的非线性映射，重建边缘轮廓清晰的超分辨率图像，辅助医生通过医学影像准确诊断病情，从而提高疾病确诊和治愈的可能性。