-
公开(公告)号：CN116596940A
公开(公告)日：2023-08-15
申请号：CN202310453743.3
申请日：2023-04-24
Applicant: 北京理工大学长三角研究院(嘉兴) , 北京理工大学
IPC: G06T7/10 , G06V10/774 , G06V10/82 , G06V10/26 , G06N3/0464 , G06V10/74
Abstract: 本发明提供一种视网膜血管智能分割方法，其特征在于，包括：获取给定的视网膜图像样本集，对视网膜图像样本集进行预处理得到预处理数据集；按照比例将预处理数据分为训练集和测试集；分别针对训练集中视网膜图像，通过特征提取网络获得视网膜图像所对应的尺度特征信息，进一步针对尺度特征信息计算其分别对应的分割难易程度；以视网膜图像和分割难易程度作为网络源头输入，视网膜图像对应的基准血管分割图像为输出，结合自适应优化算法和预设损失函数，应用视网膜图像，针对目标神经网络进行训练，获得视网膜血管分割网络模型；根据视网膜图像和视网膜血管分割网络模型对视网膜图像进行分割。
-
公开(公告)号：CN116563617A
公开(公告)日：2023-08-08
申请号：CN202310462207.X
申请日：2023-04-26
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于联合生成对抗网络的零样本图像分类方法，利用均值法建立不可见类的图像表征特征，利用图像表征特征训练语义特征生成对抗网络，然后联合视觉特征生成对抗网络生成视觉特征，再将生成视觉特征和真实视觉特征进行语义映射，最后利用映射语义向量进行零样本分类。从语义特征、视觉特征两方面解决了不可见类的数据稀缺的问题，缓解了预测结果向可见类偏移的情况，本发明有效提升了零样本分类的准确度。
-
公开(公告)号：CN110175495A
公开(公告)日：2019-08-27
申请号：CN201910008621.7
申请日：2019-01-04
Applicant: 北京理工大学
Abstract: 本发明是一种基于背景抑制的弱小动目标检测方法，属于遥感图像处理领域。该方法首先从原连续帧遥感图像中定位检测区域，然后对该区域做灰度化和Kittler二值化处理，最后去除与目标形状特征无关的干扰区域，提取出目标，并生成运动轨迹。本发明方法尤其适用于山地、森林、荒漠等自然地形背景的遥感图像，相比其他弱小目标检测方法，此方法更加简便，运算速度快。
-
公开(公告)号：CN102184189A
公开(公告)日：2011-09-14
申请号：CN201110096132.5
申请日：2011-04-18
Applicant: 北京理工大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于DOM节点文本密度的网页核心块确定方法，包括以下步骤：一、解析HTML网页，生成DOM树，使每一个HTML标签对应于DOM树中的一个节点，网页中的文字内容则是DOM树的叶子节点；二、为每个节点添加包含节点所包含的所有文本字符的个数、节点所包含的所有标签的个数、节点所包含的所有超链接文本字符个数、节点所包含的所有超链接个数的统计信息，并根据统计信息定义节点的文本密度；三、根据DOM树中节点的文本密度确定网页核心块。本发明可以在免受网页代码风格的影响及保留原始网页DOM结构的前提下，完整地提取出网页中的核心内容块。
-
公开(公告)号：CN116580013A
公开(公告)日：2023-08-11
申请号：CN202310567845.8
申请日：2023-05-19
Applicant: 北京理工大学
IPC: G06T7/00 , G06T7/136 , G06N3/0464 , G06V10/82 , G06N3/08 , G06N3/084 , G06V10/774 , G06V10/74 , G06V10/42 , G06V10/44
Abstract: 本发明提出一种肝脏肿瘤分割方法，属于医学图像分割领域。针对如何改善全局上下文特征提取能力并如何与局部信息高效结合这个出发点，本发明使用两个并行的编码器，其中引入VGG卷积神经网络分支用来提取局部特征，并设计了轴向分解自注意力分支用来提取全局特征，然后利用共享的残差融合解码器有效整合两个分支的信息。本发明在实现降低模型计算复杂度和减少训练参数量的同时，能显著改善肝脏肿瘤的分割效果，减少错分割或误分割现象。
-
Patent Agency Ranking
公开(公告)号：CN112100837A
公开(公告)日：2020-12-18
申请号：CN202010931584.X
申请日：2020-09-07
Applicant: 北京理工大学
IPC: G06F30/20
Abstract: 本发明公开了一种用于非圆信号波达方向估计的二级扩展变换嵌套阵设计方法。该方法首先交换了传统嵌套阵两个子阵的位置，使稀疏子阵在前，密集子阵在后。之后通过实施对密集子阵的稀疏化布局，使其虚拟和差阵具有大范围连续段，进而获得自由度的提升，其实现步骤是：计算阵元间距基本单元，确定阵元数和阵元间隔参数，根据解析式确定阵元的物理位置。本发明可以在相同阵元数的条件下，有效增大虚拟和差阵的自由度，提高波达方向的估计精度，提高空间目标探测能力，减少阵列运行成本。
-
公开(公告)号：CN119167192A
公开(公告)日：2024-12-20
申请号：CN202411226542.0
申请日：2024-09-03
IPC: G06F18/2413 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06F18/25
Abstract: 本发明涉及面向BCG的类脑分类模型构建方法，属于医学信号智能处理技术领域，解决了BCG数据集的样本数量不足，及BCG信号分类精确度低的技术问题。包括构建包括预处理后的ECG及对应BCG的第一训练数据集；利用所述第一训练数据集训练ECG‑BCG映射模型，直至损失函数收敛获得训练好的ECG‑BCG映射模型；基于训练好的ECG‑BCG映射模型，构建类脑分类模型第二训练数据集；其中，所述第二训练数据集包括BCG及对应ECG的心拍类型；利用所述第二训练数据集训练类脑分类模型，达到最大迭代轮次后获得训练好的类脑分类模型。实现了扩充BCG样本数量及提升BCG信号分类的精确度。
-
公开(公告)号：CN115906372A
公开(公告)日：2023-04-04
申请号：CN202111156893.5
申请日：2021-09-30
Applicant: 北京理工大学
IPC: G06F30/20 , G06F17/16 , G01S3/14 , G06F111/10
Abstract: 本发明公开了一种基于稀疏阵幅相误差校正的无网格参数估计方法，其实现步骤是：接收端布设稀疏阵列；对存在阵元增益相位误差的稀疏阵的接收信号建模；构建采样协方差矩阵；通过矢量化计算虚拟差分共阵的输出信号；定义引入幅相误差参数的原子范数，构建用于目标方位估计的优化模型；通过对偶原子范数，转换原优化问题为其对偶问题；推导对偶问题的半正定规划形式；构建对偶多项式，通过谱峰搜索获得波达方向估计结果。此外，本发明在充分利用稀疏阵虚拟差分共阵提供扩展自由度和全部信息的基础上，通过定义新的原子范数抑制了阵元幅相误差的影响，解决了参数域离散化带来的网格不匹配问题，获得了高精度无网格方位估计结果。
-
公开(公告)号：CN112115595A
公开(公告)日：2020-12-22
申请号：CN202010927619.2
申请日：2020-09-07
Applicant: 北京理工大学
Abstract: 本发明公开了一种用于非圆信号波达方向估计的三级扩展变换嵌套阵设计方法。该方法首先交换了传统嵌套阵两个子阵的位置，使稀疏子阵在前，密集子阵在后。之后通过实施对密集子阵的稀疏化布局，使其虚拟和差阵具有大范围连续段，进而获得自由度的提升，其实现步骤是：计算阵元间距基本单元，确定阵元数和阵元间隔参数，根据解析式确定阵元的物理位置。本发明可以在相同阵元数的条件下，有效增大虚拟和差阵的自由度，提高波达方向的估计精度，提高空间目标探测能力，减少阵列运行成本。
-
公开(公告)号：CN119202827A
公开(公告)日：2024-12-27
申请号：CN202411226534.6
申请日：2024-09-03
IPC: G06F18/241 , G06F18/10 , G06N3/0464 , G06N3/084 , G16H50/20 , A61B5/11 , A61B5/024 , A61B5/00
Abstract: 本发明涉及一种基于类脑模型的BCG分类预测方法，属于医学信号智能处理技术领域，解决了基于BCG信号进行心拍类型分类精确度低的技术问题。包括采集连续时刻的实时BCG信号并进行预处理，获得预处理的BCG信号；将所述预处理的BCG信号输入训练好的类脑分类模型中进行识别，得到预测的心拍类型；其中，所述类脑分类模型基于脉冲神经网络构建，依次包括静态卷积层、通道注意力层和全连接分类模块；所述静态卷积层用于特征提取和通道扩展；所述通道注意力层用于特征选择和增强；所述全连接分类模块用于最终的分类预测。实现了提升BCG信号分类的实时性和精确度。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
