-
公开(公告)号：CN116564524B
公开(公告)日：2023-10-03
申请号：CN202310791063.2
申请日：2023-06-30
Applicant: 之江实验室
IPC: G16H50/30 , G16H50/70 , G06F18/243 , G06F18/27 , G06F18/2415
Abstract: 本发明公开了一种伪标签演变趋势正则的预后预测装置，其执行时：获取包含多名患者的预后数据集，选择出患者发生终点事件或失访的时间最大值并将其划分成多个等间隔的时间段，计算所有患者每个时间段内的预后标签结果，其中利用KM曲线计算患者失访的时间段及其之后各时间段内的伪标签结果；构建预后预测模型，预测患者每个时间段内发生终点事件的概率；构建损失函数，包括各时间段内预测结果和预后标签结果之间的误差，以及根据预后标签结果计算的预后演变趋势正则化项；基于损失函数对预后预测模型进行参数优化；利用优化的预后预测模型进行预后预测。
-
公开(公告)号：CN116503679B
公开(公告)日：2023-09-05
申请号：CN202310773223.0
申请日：2023-06-28
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06N3/096 , G06N5/02
Abstract: 本申请涉及一种基于迁移性图谱的图像分类方法、装置、设备和介质，其中，基于迁移性图谱的图像分类方法包括：基于至少一个源域模型以及至少一个源域数据集，获得目标域模型在各所述源域数据集下与各所述源域模型的迁移性强度；基于所述至少一个源域模型、所述目标域模型以及所述迁移性强度，生成迁移性图谱；确定各所述源域数据集对应的至少一个可选的源域模型；基于用户选择的源域数据集和源域模型对目标域模型进行优化；将待分类图像输入到所述优化后的目标域模型，获得分类结果。可在海量源域数据集和源域模型中快速在不同源域数据集下选择合适的源域模型进行迁移学习，提高迁移学习效果，提高图像分类的精度。
-
公开(公告)号：CN116363372B
公开(公告)日：2023-08-15
申请号：CN202310636751.1
申请日：2023-06-01
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/764 , G06N3/0464 , G06N3/0895
Abstract: 本申请涉及一种弱监督语义分割方法、装置、设备和存储介质，通过根据图像的编码特征生成类别概率，通过类别概率与类别标签构建第一损失函数；通过编码特征以及图像像素的颜色距离与空间距离，获得图像的不确定性分布数据与伪标签，根据不确定性分布数据构建第二损失函数；根据图像中对应于不同伪标签的多个像素集合，构建第三损失函数。根据第一损失函数、第二损失函数以及第三损失函数，生成总损失，根据总损失调节分类网络模型与分割网络模型的模型参数，并根据分类结果得到语义分割结果，针对伪标签的不确定性问题进行了优化，从而解决了图像语义分割的准确率较低的问题，提高了图像语义分割的准确率。
-
公开(公告)号：CN116503679A
公开(公告)日：2023-07-28
申请号：CN202310773223.0
申请日：2023-06-28
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06N3/096 , G06N5/02
Abstract: 本申请涉及一种基于迁移性图谱的图像分类方法、装置、设备和介质，其中，基于迁移性图谱的图像分类方法包括：基于至少一个源域模型以及至少一个源域数据集，获得目标域模型在各所述源域数据集下与各所述源域模型的迁移性强度；基于所述至少一个源域模型、所述目标域模型以及所述迁移性强度，生成迁移性图谱；确定各所述源域数据集对应的至少一个可选的源域模型；基于用户选择的源域数据集和源域模型对目标域模型进行优化；将待分类图像输入到所述优化后的目标域模型，获得分类结果。可在海量源域数据集和源域模型中快速在不同源域数据集下选择合适的源域模型进行迁移学习，提高迁移学习效果，提高图像分类的精度。
-
公开(公告)号：CN116342888A
公开(公告)日：2023-06-27
申请号：CN202310598320.0
申请日：2023-05-25
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本说明书公开了一种基于稀疏标注训练分割模型的方法及装置，在训练样本的标注仅包含样本图像中的部分像素对应的预设分类的情况下，将训练样本输入分割模型中，得到各像素分别对应的初始分类结果，并对各像素的初始分类结果进行模糊操作，得到各像素分别对应的参考分类结果，以初始分类结果和参考分类结果相同的像素确定参考像素，并根据参考像素的初始分类结果对该训练样本的标注进行更新，基于样本图像及其对应的更新后的标注，对该分割模型进行训练。则基于本说明书中的该基于稀疏标注训练分割模型的方法，即使是在仅对训练样本中的部分像素进行标注的情况下，也可训练得到较为准确的分割模型，保证了模型训练的效率。
-
Patent Agency Ranking
公开(公告)号：CN115063731B
公开(公告)日：2022-11-11
申请号：CN202210980577.8
申请日：2022-08-16
Applicant: 之江实验室
IPC: G06V20/40 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于两阶段运动建模和注意力的动作视频分类方法和系统，包括以下步骤：步骤S1：构建采样帧输入至主干网络；步骤S2：第一阶段段内运动信息建模，输出包含短时运动信息的视频卷积特征；步骤S3：第二阶段段间运动信息建模，输出融合了短时运动信息和长时运动信息的空间块注意力视频卷积特征；步骤S4：经过全连接层后得到各视频段的分类结果并融合，训练网络。本发明利用卷积神经网络的多层次结构，在网络的较低层和较高层分别提取段内运动信息和段间运动信息，达到分阶段运动综合建模的目的。此外，本发明计算视频卷积特征各空间块之间的注意力关系，使得网络同时具备了卷积操作和注意力机制的短距离和长距离建模能力。
-
公开(公告)号：CN117253177A
公开(公告)日：2023-12-19
申请号：CN202311545738.1
申请日：2023-11-20
Applicant: 之江实验室
IPC: G06V20/40 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种动作视频分类方法、装置及介质，该方法将输入视频在空间上均匀分块，即令牌token，各块拉伸后得到的向量经过线性映射，得到第一视频特征；将第一视频特征输入编码模块中，得到第二视频特征；编码模块由若干个编码器组成；每个编码器由混合注意力及通道转移模块和多层感知机组成；混合注意力及通道转移模块用于进行混合注意力操作和通道转移操作；混合注意力包括空间注意力、时间注意力和随机注意力；第二视频特征经过空间池化操作后，送入分类器中进行分类，并得到各视频帧的分类结果；然后再使用时域均匀聚合操作，得到输入视频的分类结果。本发明的混合注意力有效降低了注意力机制的运算开销，时间复杂度低。
-
公开(公告)号：CN116631641A
公开(公告)日：2023-08-22
申请号：CN202310898736.4
申请日：2023-07-21
Applicant: 之江实验室
Abstract: 本发明公开了一种集成自适应相似患者图的疾病预测装置，先构建多个平衡的训练子集，然后训练相似患者图构建学习器，自动生成每个训练子集的最佳患者关联关系，再利用图神经网络算法共享关联患者之间的信息生成群体深度隐藏特征，在得到的群体深度隐藏特征上再进行一次患者关联关系和群体深度隐藏特征学习，最后针对新的患者，利用训练好的模型自动将其添加到多个训练子集中并自动生成与其他样本的关联关系和深度隐藏特征，用于疾病预测，可解决现有疾病预测装置处理不平衡数据时性能下降和无法有效共享患者之间信息的问题。
-
公开(公告)号：CN116342888B
公开(公告)日：2023-08-11
申请号：CN202310598320.0
申请日：2023-05-25
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本说明书公开了一种基于稀疏标注训练分割模型的方法及装置，在训练样本的标注仅包含样本图像中的部分像素对应的预设分类的情况下，将训练样本输入分割模型中，得到各像素分别对应的初始分类结果，并对各像素的初始分类结果进行模糊操作，得到各像素分别对应的参考分类结果，以初始分类结果和参考分类结果相同的像素确定参考像素，并根据参考像素的初始分类结果对该训练样本的标注进行更新，基于样本图像及其对应的更新后的标注，对该分割模型进行训练。则基于本说明书中的该基于稀疏标注训练分割模型的方法，即使是在仅对训练样本中的部分像素进行标注的情况下，也可训练得到较为准确的分割模型，保证了模型训练的效率。
-
公开(公告)号：CN116152575B
公开(公告)日：2023-07-21
申请号：CN202310410038.5
申请日：2023-04-18
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于类激活采样引导的弱监督目标定位方法、装置和介质，该方法首先构建训练集和测试集以及分类网络和交叉熵损失函数，实现分类网络的初步训练；然后获取原始图像、原始编码特征和原始类别概率，并根据原始编码特征生成类激活矩阵；再构建权重采样矩阵，并进行像素重采样，得到重采样图像和重采样特征以及重采样编码特征和重采样类别概率；然后构建一致性损失函数和重采样的交叉熵损失函数并进行训练，以获取最终训练好的分类网络；最后针对类激活矩阵构建阈值，以获取目标定位。本发明内容新颖，有效挖掘容易被忽略的目标次判别性区域，目标定位能力更优，能够解决仅包含图像属性分类标签情况下的弱监督目标定位问题。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.024 seconds)
