-
公开(公告)号：CN119127149B
公开(公告)日：2025-04-22
申请号：CN202411605822.2
申请日：2024-11-12
Applicant: 之江实验室
Abstract: 本申请涉及一种设备后端的深度学习框架适配方法、装置以及设备。所述方法包括：获取设备后端的预配置信息；根据所述预配置信息，生成所述设备后端的初始框架和集成模版；基于所述初始框架和集成模板，构建所述设备后端的适配代码模板；对所述适配代码模板进行自适应代码配置，得到所述设备后端适配的深度学习框架。采用本方法能够屏蔽了不同框架、版本和设备类型的差异，使设备能够快速、高效的完成深度学习框架适配和维护，简化和规范深度学习框架与设备后端的适配过程。
-
公开(公告)号：CN117649344A
公开(公告)日：2024-03-05
申请号：CN202410118585.0
申请日：2024-01-29
Applicant: 之江实验室
IPC: G06T3/4053 , G06T5/70
Abstract: 本申请涉及一种磁共振脑影像超分辨率重建方法、装置、设备和存储介质。所述方法包括：基于训练集中各模态脑影像数据的双向重建损失和对抗损失，训练得到各个模态脑影像的解耦自编码器；分别将目标模态脑影像和辅助模态脑影像输入到对应模态的解耦自编码器中，提取目标模态脑影像的目标编码信息、辅助模态脑影像的辅助编码信息；基于目标编码信息和辅助编码信息进行正反向噪声处理，生成目标模态脑影像的更新目标编码信息；将更新目标编码信息输入目标模态脑影像的解耦自编码器中，输出目标模态超分辨率脑影像。采用本方法解决了现有技术中脑影像重建质量低、复杂度高的问题，实现了超分辨率脑影像重建，提高了重建后脑影像的精确度和真实性。
-
公开(公告)号：CN116863025B
公开(公告)日：2023-12-05
申请号：CN202311136376.0
申请日：2023-09-05
Applicant: 之江实验室
IPC: G06T11/00
Abstract: 本申请涉及一种脑磁图数据的溯源重建方法、装置、电子装置和介质，其中，该方法包括：获取目标对象的待处理脑磁图数据；对待处理脑磁图数据进行标准化预处理，以及事件相关场分析，得到事件相关场结果；基于目标对象的磁共振结构像数据构建目标对象的头部模型，并基于用户指令构建源空间；基于头部模型与源空间计算正向解；基于事件相关场结果以及正向解进行溯源重建，得到源空间的源估计结果；基于源空间的源估计结果以及标准空间中脑图谱模板，生成脑图谱溯源重建结果。通过本申请，解决了脑磁图数据溯源重建结果通用性较低的问题，借助神经影像领域常用的脑图谱工具，给脑磁图数据处理和分析流程增加了一定的通用性和可比较(56)对比文件胡净,汪元美.基于最小模估计及Tikhonov正则方法的脑磁源重建.生物物理学报.2002,(第02期),全文.
-
公开(公告)号：CN116973823A
公开(公告)日：2023-10-31
申请号：CN202311237701.2
申请日：2023-09-25
Applicant: 之江实验室
IPC: G01R33/56
Abstract: 本申请涉及一种基于全稳态平衡进动的线扫描磁共振成像方法和系统，所述方法包括：基于获取的梯度回波，对待扫描物体进行扫描；在扫描过程中，利用线扫描依次对所述梯度回波的重复周期进行相位编码，并采集各周期内不同时刻对应的一组相位编码线元，基于磁共振成像序列的K空间的帧数，将相位编码线元依次横向填充至各帧的相位编码行中，得到待扫描物体的磁共振信号，其中，在各周期的梯度回波结束时，基于重聚脉冲对残余横向磁化强度进行聚相，生成残余磁化信号，增强下一个周期的梯度回波信号；最后基于磁共振信号，生成待扫描物体的磁共振图像，采用本方法能够实现快速周期变化的磁共振成像，提高所获取的磁共振图像的信噪比和影像对比度。
-
公开(公告)号：CN116188269A
公开(公告)日：2023-05-30
申请号：CN202310201524.6
申请日：2023-02-23
Applicant: 之江实验室
IPC: G06T3/40 , G06T5/00 , G06F17/16 , G06N3/08 , G06N3/0464
Abstract: 本申请涉及一种基于深度学习的图像拼接方法、装置及计算机设备。该方法包括：构建仿真图像集；构建包含对齐网络及融合网络的初始拼接网络，利用仿真图像集对初始拼接网络进行训练，得到训练后的拼接网络；对待拼接的局部图像进行预处理，对经过预处理后的局部图像的尺寸进行调整，得到待预测图像；将待预测图像依次输入训练后的拼接网络中进行拼接，得到拼接完成的输出图像。通过构建和训练得到一个包括对齐网络、变换模块和融合网络的训练后的拼接网络，并将多张待预测图像输入训练后的拼接网络进行图像拼接，拼接过程中无需手动调参，可直接用于多种图像，具有更快的速度以及更高的精度。
-
Patent Agency Ranking
公开(公告)号：CN117292758A
公开(公告)日：2023-12-26
申请号：CN202311345232.6
申请日：2023-10-17
Applicant: 之江实验室
IPC: G16B40/20 , G16B40/30 , G16B25/10 , G06F18/2113 , G06F18/2135 , G06F18/23213 , G06F18/243 , G06N5/01 , G06N20/20
Abstract: 本申请涉及一种影像转录组数据预处理方法、装置以及计算机设备。所述方法包括：根据各样本基因分析任务的样本影像转录组数据的样本预处理数据，从大脑图谱遗传数据工具箱的候选处理管道中确定样本处理管道；根据样本处理管道和样本影像转录组数据，确定样本区域基因矩阵；根据样本区域基因矩阵和样本影像转录组数据，分别确定各样本基因分析任务对应的目标区域基因矩阵，对目标区域基因矩阵进行重组处理，确定组合基因矩阵；确定矩阵特征数据，以及各样本基因分析任务的代表性策略，并确定矩阵特征数据的重要度指标；以根据代表性策略和重要度指标分别确定各样本基因分析任务的最优区域基因矩阵。提高了对影像转录组数据预处理的效率。
-
公开(公告)号：CN117058514A
公开(公告)日：2023-11-14
申请号：CN202311315370.X
申请日：2023-10-12
Applicant: 之江实验室
IPC: G06V10/80 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种基于图神经网络的多模态脑影像数据融合解码方法和装置，其中，基于图神经网络的多模态脑影像数据融合解码方法包括：获取被试者的脑磁图功率时间序列以及静息态功能磁共振成像功能连接；基于选定的脑图谱，构建脑图；使用所述被试者的所述脑磁图功率时间序列以及所述静息态功能磁共振成像功能连接对所述脑图进行图嵌入，得到嵌入后的脑图；基于所述嵌入后的脑图对图神经网络模型进行训练，获得图神经网络解码模型；使用所述图神经网络解码模型预测目标人员大脑的任务态类别，获得预测结果。本申请对多模态脑影像数据进行融合，使用图神经网络对人脑神经活动信号进行解码，提高了对脑影像数据的解码精度。
-
公开(公告)号：CN116578731B
公开(公告)日：2023-09-29
申请号：CN202310818907.8
申请日：2023-07-05
Applicant: 之江实验室
IPC: G06F16/435 , G06F16/483 , G06F16/36 , G06N5/025 , G06N3/045 , G06N3/08 , G06N3/0464
Abstract: 本申请涉及一种多媒体信息处理方法、系统、计算机设备和存储介质，获取语义特征和响应特征，建立语义特征和响应特征之间的关联关系；获取目标响应特征，基于语义特征和响应特征之间的关联关系，得到与目标响应特征相关的话题集合；获取目标用户的对话数据，根据目标用户的对话数据和话题集合生成多媒体信息，并输出多媒体信息。本申请改善了多媒体信息的处理方法，生成并输出了能够精准、个性化地激活情绪环路的多媒体信息。
-
公开(公告)号：CN119294454B
公开(公告)日：2025-03-25
申请号：CN202411824198.5
申请日：2024-12-12
Applicant: 之江实验室
Abstract: 本申请涉及一种人工智能加速卡异构集群适配方法、系统和存储介质，其中，该人工智能加速卡异构集群适配方法包括：获取根据训练框架提供的私有关键字注册的统一标准化适配模块；训练框架为异构集群模型的训练框架；在统一标准化适配模块中，通过工厂模式接入各异构加速卡的硬件层软件栈；通过插件形式扩展训练框架的计算任务分发机制，以使训练框架自主寻优目标异构加速卡；根据统一标准化适配模块所在的运行环境进行条件编译，以接入目标异构加速卡并用于训练框架自主寻优；根据统一测试模块验证统一标准化适配模块与各目标异构加速卡的适配状态，解决了人工智能加速卡异构集群适配开发成本大和无法自主寻优的问题。
-
公开(公告)号：CN119127149A
公开(公告)日：2024-12-13
申请号：CN202411605822.2
申请日：2024-11-12
Applicant: 之江实验室
Abstract: 本申请涉及一种设备后端的深度学习框架适配方法、装置以及设备。所述方法包括：获取设备后端的预配置信息；根据所述预配置信息，生成所述设备后端的初始框架和集成模版；基于所述初始框架和集成模板，构建所述设备后端的适配代码模板；对所述适配代码模板进行自适应代码配置，得到所述设备后端适配的深度学习框架。采用本方法能够屏蔽了不同框架、版本和设备类型的差异，使设备能够快速、高效的完成深度学习框架适配和维护，简化和规范深度学习框架与设备后端的适配过程。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.019 seconds)
