-
公开(公告)号：CN116434968B
公开(公告)日：2023-08-25
申请号：CN202310699832.6
申请日：2023-06-14
IPC分类号： G16H50/70 , G06F18/22 , G06F18/241 , G06F18/231 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/082
摘要： 本发明公开了一种层级聚类约束的多标签细粒度术后并发症预测装置，属于医疗数据挖掘领域，包括：根据医学先验知识将多种细粒度术后并发症分类成不同系统并发症，并构建每个系统并发症的层次聚类图；构建预测模型，包括底层网络、次层网络、中间网络、预测网络；构建损失函数，包括基于次层隐藏特征预测的整体并发症概率和各细粒度术后并发症概率构建的预测损失、自下而上的层级约束损失和自上而下的层级约束损失；基于损失函数对预测模型进行参数优化；利用优化的预测模型进行术后并发症预测。该装置通过引入层级聚类图构建网络架构，进而预测精准度。
-
公开(公告)号：CN116434968A
公开(公告)日：2023-07-14
申请号：CN202310699832.6
申请日：2023-06-14
IPC分类号： G16H50/70 , G06F18/22 , G06F18/241 , G06F18/231 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/082
摘要： 本发明公开了一种层级聚类约束的多标签细粒度术后并发症预测装置，属于医疗数据挖掘领域，包括：根据医学先验知识将多种细粒度术后并发症分类成不同系统并发症，并构建每个系统并发症的层次聚类图；构建预测模型，包括底层网络、次层网络、中间网络、预测网络；构建损失函数，包括基于次层隐藏特征预测的整体并发症概率和各细粒度术后并发症概率构建的预测损失、自下而上的层级约束损失和自上而下的层级约束损失；基于损失函数对预测模型进行参数优化；利用优化的预测模型进行术后并发症预测。该装置通过引入层级聚类图构建网络架构，进而预测精准度。
-
公开(公告)号：CN117132841B
公开(公告)日：2024-03-29
申请号：CN202311397430.7
申请日：2023-10-26
申请人： 之江实验室
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06F17/16
摘要： 本发明公开了一种保守渐进的领域自适应图像分类方法和装置，包括：获取带有标签的源域图像、来自于目标域支持集的无标签的第一目标域图像、以及来自于目标域查询集的无标签的第二目标域图像；基于源域图像和第一目标域图像进行内循环更新分类器参数；基于源域图像和第二目标域图像进行外循环更新特征提取器参数；提取参数更新后的特征提取器和分类器组成图像分类模型，利用图像分类模型进行图像分类。这样在内循环中引入重放机制对分类器进行训练，在外循环中引入稀疏注意力机制对特征提取器进行训练，这样联合内外循环更新，延缓图像分类模型在不断进化的目标域中不断遗忘的情况，提升了特征提取器的提取准确性和分类器的分类准确性。
-
公开(公告)号：CN117407690B
公开(公告)日：2024-03-22
申请号：CN202311722260.5
申请日：2023-12-14
申请人： 之江实验室
发明人： 程乐超
IPC分类号： G06F18/21 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/096
摘要： 本说明书公开了一种基于模型迁移性评估的任务执行方法、装置及设备。所述方法包括：接收针对待评估模型的迁移性能的评估指令，并确定待评估模型对应的初始参数；获取目标业务场景下的目标数据以及对待评估模型进行预训练时所使用的源样本数据；将目标数据以及源样本数据分别输入待评估模型，基于初始参数，根据目标数据确定待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据源样本数据确定特征提取网络对应的主梯度期望值，作为第二主梯度期望值；根据第一主梯度期望值以及第二主梯度期望值，确定待评估模型对应迁移性能的评估值，并根据评估值执行任务。
-
公开(公告)号：CN116363418A
公开(公告)日：2023-06-30
申请号：CN202310240413.6
申请日：2023-03-06
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82
摘要： 本说明书公开了一种训练分类模型的方法、装置、存储介质及电子设备。本方法通过确定各子网络层对应的输入维度中的无效维度，确定了对分类模型的输出结果无效的各子网络层对应的无效维度上各计算节点输出的结果，根据这些输出的结果确定第一损失，根据基于训练样本标注确定的第二损失以及该第一损失，确定总损失，以总损失最小训练分类模型，减少了各子网络层对应的无效维度上各计算节点输出的结果对分类模型的输出结果的影响，提高了分类模型的分类准确性。
-
公开(公告)号：CN115829005A
公开(公告)日：2023-03-21
申请号：CN202211580737.6
申请日：2022-12-09
申请人： 之江实验室
IPC分类号： G06N3/0464 , G06N3/08 , G06F18/24 , G06V10/82 , G06V10/764
摘要： 本发明面向卷积神经分类网络的缺陷自动诊断与修复方法及装置，包括下列步骤：1）卷积神经分类网络预测重要性归一化；2）激活图重要性得分计算；3）正常样本激活图规律统计；4）分类错误样本激活图筛选；5）卷积神经分类网络自动化缺陷修复。本发明设计的是一种面向卷积神经分类网络的全自动缺陷诊断与修复方法，用于已经预训练的卷积神经分类网络模型缺陷检测与自动修复，能够有效提升深度卷积神经分类网络模型的分类性能。
-
公开(公告)号：CN115424724B
公开(公告)日：2023-01-24
申请号：CN202211375015.7
申请日：2022-11-04
申请人： 之江实验室
摘要： 本发明公开了一种多模态图森林的肺癌淋巴结转移辅助诊断系统，包括：CT深度特征获取模块：获取CT深度特征；多模态数据异构图构建模块：用于根据多模态特征类型定义表示不同特征类型的多模态节点；并根据医学先验知识，定义节点与节点之间的关系构建多模态数据异构图；异构图森林构建模块：构建异构图森林；淋巴转移诊断结果模块：获取所述异构图森林中每个子图的图表征，将每个子图的图表征通过全连接层的输出得到对应的患者淋巴转移概率，对每个子图对应的患者淋巴转移概率进行平均得到最终的患者淋巴转移预测结果。本发明可有效考虑不同种类特征之间的相关关系，提取的深度特征在预测淋巴结转移时有更好的泛化能力。
-
公开(公告)号：CN115063732B
公开(公告)日：2022-11-11
申请号：CN202210980578.2
申请日：2022-08-16
申请人： 之江实验室
IPC分类号： G06V20/40 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了基于双流多分辨率综合建模的动作视频分类方法和系统，包括以下步骤：步骤S1：从视频样本中构建高分辨率稀疏采样帧和低分辨率稠密采样帧两种网络输入；步骤S2：所提出的双流多分辨率建模网络包含两个分支，分别处理这两种输入；步骤S3：利用侧边连接进行特征融合，得到融合后的空域卷积特征；步骤S4：两个分支得到的视频卷积特征分别经过2D池化操作和3D池化操作进行时空对齐，并在加权融合后输入全连接层，得到各视频段的预测结果；步骤S5：将各视频段的预测结果均匀融合得到原始视频的分类结果，进行网络训练。本发明基于时空多层次建模思想，分别构建两种网络输入，这两种输入包含互补的空域表观和时域运动信息，且降低运算开销。
-
公开(公告)号：CN115063731A
公开(公告)日：2022-09-16
申请号：CN202210980577.8
申请日：2022-08-16
申请人： 之江实验室
IPC分类号： G06V20/40 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 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：CN114494791B
公开(公告)日：2022-07-08
申请号：CN202210353591.5
申请日：2022-04-06
申请人： 之江实验室
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提出了一种基于注意力选择的transformer运算精简方法，在transformer网络的每层用注意力机制获取关联矩阵，对关联矩阵的每一行计算信息熵，获得各个局部标识对于网络任务的重要性程度，将局部标识划分为重要标识和不重要标识，每间隔一定网络层，计算不重要标识的特征参数和，将不重要标识的特征参数值加到重要标识上，删除不重要标识，仅重要标识进入网络下一层。网络训练过程中，构建交叉熵损失函数和重要性损失函数，重要性损失函数用于降低重要标识与不重要标识的关联。本发明方法从影响网络任务的判别性区域的选择角度出发，实现方法简单，有效减少网络计算量的同时，对模型精度影响很小，且可以与已知网络压缩方法同时使用，共同实现计算量压缩。
-
-
-
-
-
-
-
-
-
搜索结果
73 条记录 (耗时 0.033 秒)
