-
公开(公告)号：CN114330652B
公开(公告)日：2024-10-15
申请号：CN202111580489.0
申请日：2021-12-22
申请人： 杭州师范大学
IPC分类号： G06V10/25 , G06V10/32 , G06V10/34 , G06V10/30 , G06V10/764 , G06V10/74 , G06V10/82 , G06V10/774
摘要： 本发明提出了一种目标检测攻击方法和装置。通过将对抗样本由传统的优化机制转化为生成机制，大大缩短了生成对抗样本所需要的时间，同时训练好了GAN网络以后不再需要访问模型内部，能有效进行黑盒攻击。提出的方法能有效利用目标模型输出的分类和位置回归损失有效指导网络的训练，同时引入特征层损失能够有效捕捉图片在高维空间对网络较为敏感的特征，并对其进行扰动能进一步提高攻击成功率。另外加入的高斯滤波模块，可以去除对抗样本的高维扰动，留下低维扰动，并且提高生成对抗样本的图片质量，并进一步增强其攻击成功率。
-
公开(公告)号：CN117522904A
公开(公告)日：2024-02-06
申请号：CN202311582416.4
申请日：2023-11-24
申请人： 杭州师范大学
IPC分类号： G06T7/12 , G06V10/26 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要： 本发明公开基于轮廓增强的双路径图像分割方法及其系统和计算设备。该方法在U‑Net的基础上增加了一条编码器路径，其中一条编码器路径利用注意力多尺度特征融合模块提取原始CT图像的特征，另一条编码器路径利用轮廓特征提取模块提取CT轮廓图像中的轮廓特征，以补偿下采样过程中丢失的边界信息。该网络通过特征融合注意连接模块进一步融合来自两个编码器路径的低级特征，并将它们连接到上采样的高级特征，以取代U‑Net中的跳过连接。最后，对每个尺度的分割结果进行多点深度监督。使用所述方法有效提高了分割精度，特别是在小感染区域上。
-
公开(公告)号：CN113571190B
公开(公告)日：2023-09-19
申请号：CN202110988100.X
申请日：2021-08-26
申请人： 杭州师范大学
IPC分类号： G16H50/30 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0985 , G06T7/00
摘要： 本发明公开一种肺功能下降预测装置及其预测方法。本发明提出的肺功能进展预测模型包括CT特征提取网络、多模态特征预测网络；CT特征提取网络用于对预处理后的肺部CT影像进行CT特征提取，多模态特征预测网络用于预测肺功能进展情况，输入为CT特征提取网络提取的CT特征与临床特征融合后形成的多模态特征，输出为未来不同周数时的FVC预测值。本发明构建的肺功能进展预测模型通过CT特征提取网络提高对CT特征的提取能力，并通过多模态特征预测网络利用多模态数据对肺功能进展情况进行预测，有效提高模型预测的准确性。
-
公开(公告)号：CN118628598A
公开(公告)日：2024-09-10
申请号：CN202410762193.8
申请日：2024-06-13
申请人： 杭州师范大学
IPC分类号： G06T11/00 , G06T5/60 , G06N3/0464 , G06N3/084
摘要： 本发明公开基于PIPO‑Net的图像压缩感知重建方法及其系统。本发明获取二维图像；对二维图像进行预处理；将预处理后的二维图像输入至基于惩罚项的独立参数优化深度展开网络PIPO‑Net，获得二维图像的压缩感知测量值，最终输出重构出图像。PIPO‑Net通过去均值采样法可以得到原始图像平均值与去均值后图像。用去均值后图像的采样值进行训练，从而提高网络的性能和稳定性，更好捕捉图像的特征。为解决信息损失问题，本发明设计高频信息补充块，并采用小波高频损失函数进行训练，以更好地保留图像的细节和纹理信息。
-
公开(公告)号：CN115082296B
公开(公告)日：2024-05-14
申请号：CN202210813730.8
申请日：2022-07-11
申请人： 杭州师范大学
摘要： 本发明公开一种基于小波域图像生成框架的图像生成方法。本发明利用高斯核和小波变换在保留图像的频率信息方面的补充性，提出小波域图像生成框架WDIG，分别在像素空间和小波域空间构建损失函数。在像素空间，通过设定合适的高斯核，采用高斯模糊方法，得到信号的低频和高频特征信息，通过低频和高频特征信息构建L1范数空间域重构损失函数。在小波域空间，通过小波变换得到对应的通道子带系数，将图像分离为高频信息和低频信息，通过子带系数构建L1范数频域重构损失函数。本发明在训练过程中能更好地计算生成图像丢失的细节信息，更准确约束模型训练，以精确优化模型，提高基于深度学习的图像生成任务生成图像的质量。
-
公开(公告)号：CN112017192B
公开(公告)日：2024-02-02
申请号：CN202010811454.2
申请日：2020-08-13
申请人： 杭州师范大学
IPC分类号： G06T7/11 , G06T7/00 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082
摘要： 本发明公开一种基于改进U‑Net网络的腺体细胞图像分割方法及系统。本发明将卷积层组合构建成密集连接块，以多分辨率分析的方法放大U‑Net，可以很好地解决规则不一的细胞分割问题。且在解码器端，引入自注意力模块，分别为位置注意力模块和通道注意力模块，可以自适应地聚合上下文信息，从而提高细胞分割的特征表示。使用该网络对细胞图像进行分割，从而提高了分割效果。该方法易于实现，数据预处理操作简单，具有更好的鲁棒性和准确率。
-
公开(公告)号：CN112070742B
公开(公告)日：2023-09-26
申请号：CN202010928977.5
申请日：2020-09-07
申请人： 杭州师范大学
IPC分类号： G06T7/00 , G06T7/11 , G06T7/33 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08 , G06N3/048
摘要： 本发明公开基于自适应感受野3D空间注意力的脑影像分类装置。本发明通过引入注意力机制构建了一种基于自适应感受野3D空间注意力的3D‑ResNet18网络，该3D空间注意力模块由多个分支构成，能够对每条分支上不同尺度的信息进行融合，并在融合过程中对不同分支进行加权，以便于神经元进行自适应地调整感受野尺寸。使用该网络对阿尔兹海默症的脑MRI图像进行分类，从而提高了分类效果。该方法易于实现，数据预处理操作简单，具有更好的鲁棒性和准确率。
-
公开(公告)号：CN109918649B
公开(公告)日：2023-08-11
申请号：CN201910104464.X
申请日：2019-02-01
申请人： 杭州师范大学
IPC分类号： G06F40/30 , G06F40/279 , G06F16/951 , G06F16/9535 , G06N3/0464
摘要： 本发明公开了一种基于微博文本的自杀风险识别方法，包括以下几个步骤：步骤S1：建立自杀微博语料库；步骤S2：建立自杀微博语料识别模型；步骤S3：实验设计寻找最优模型；步骤S4：判定结果输出；本发明的有益效果：采用该方法可以迅速并且主动识别出具有自杀风险的用户，能够在个体的自杀意念形成的早期阶段，及时发现并加以有效干预，这极大地提升了自杀风险评估工作的覆盖面和速度；弥补了以往研究中普遍存在的自杀文本数据的缺乏问题；解决了当前神经网络单一结构在预测精度提升上的瓶颈问题，应用到自杀干预的早期预防中，具有良好的社会效益和经济效益。
-
公开(公告)号：CN114926708A
公开(公告)日：2022-08-19
申请号：CN202210579459.6
申请日：2022-05-25
申请人： 杭州师范大学
IPC分类号： G06V10/774 , G06V10/82 , G06V10/44 , G06N3/08
摘要： 本发明针对目标检测现有攻击方法可迁移性差这个问题，提出一种结合低频信息和特征的目标检测对抗攻方法和装置。在传统的基于梯度的对抗攻击方法上，通过增加特征图对抗损失来增强对抗样本的迁移性。同时从频域的角度，引入低频扰动的对抗损失作为优化函数，来控制低频扰动的扰动方向，从而进一步提高对抗样本的黑盒攻击性能。同时为了优化损失，通过使用基于梯度的类激活映射技术得到包含图像关键特征的注意力权重矩阵，对生成的扰动进一步处理，约束扰动的生成范围，减少冗余噪声的生成，从而提高对抗样本的攻击性能。本发明方法与现有的攻击方法相比，不仅在白盒攻击性能上优异，同时针对黑盒模型的攻击也有更高的攻击效果。
-
公开(公告)号：CN114330652A
公开(公告)日：2022-04-12
申请号：CN202111580489.0
申请日：2021-12-22
申请人： 杭州师范大学
IPC分类号： G06N3/04 , G06N3/08 , G06K9/62 , G06V10/32 , G06V10/34 , G06V10/30 , G06V10/764 , G06V10/74 , G06V10/82 , G06V10/774
摘要： 本发明提出了一种目标检测攻击方法和装置。通过将对抗样本由传统的优化机制转化为生成机制，大大缩短了生成对抗样本所需要的时间，同时训练好了GAN网络以后不再需要访问模型内部，能有效进行黑盒攻击。提出的方法能有效利用目标模型输出的分类和位置回归损失有效指导网络的训练，同时引入特征层损失能够有效捕捉图片在高维空间对网络较为敏感的特征，并对其进行扰动能进一步提高攻击成功率。另外加入的高斯滤波模块，可以去除对抗样本的高维扰动，留下低维扰动，并且提高生成对抗样本的图片质量，并进一步增强其攻击成功率。
-
-
-
-
-
-
-
-
-
搜索结果
48 条记录 (耗时 0.024 秒)
