-
公开(公告)号：CN118607659A
公开(公告)日：2024-09-06
申请号：CN202410576459.X
申请日：2024-05-10
Applicant: 杭州电子科技大学
IPC: G06N20/00 , G06F18/22 , G06F18/23213 , G06F21/62 , H04L9/40
Abstract: 本发明提供了一种抵御中毒梯度攻击的分层联邦学习方法及装置。分层联邦学习方法分为两个大部分：分层联邦学习的实现以及防御方法布局；将防御方法结合分层通讯融入联邦学习中，使得联邦学习对于中毒梯度攻击的抗性更加强的同时保留了分层联邦学习的优势。在多层次联邦学习领域，目前并没有针对中毒攻击的防御方法，也没有提出针对中毒攻击的多层次联邦学习模型。本方法的能够有效的针对中毒攻击进行防御，能够很好的保护用户的隐私问题，同时在一定情况下还能减少训练带宽。
-
公开(公告)号：CN118247224A
公开(公告)日：2024-06-25
申请号：CN202410228084.8
申请日：2024-02-29
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的乳腺癌病理图像分析方法。首先构建改进型的EfficientNet‑B0网络模型并通过公开的乳腺癌临床样本数据集进行模型优化，直至损失函数收敛，得到训练好的图像分析模型；利用训练好的图像分析模型对待识别的乳腺癌病理图像进行分析，生成清晰的上皮组织图像和间充质组织图像。本发明方法能够更准确地识别和分类乳腺癌病理图像中的上皮组织和间充质组织，更好地帮助医生理解和解读医学影像，从而提高乳腺癌诊断的准确性，提高工作效率，同时可为预测乳腺癌的发展和愈后提供重要帮助，也为医生制定个性化和高效的治疗方案提供了重要参考。
-
公开(公告)号：CN116822572A
公开(公告)日：2023-09-29
申请号：CN202310285123.3
申请日：2023-03-22
Applicant: 杭州电子科技大学
IPC: G06N3/0442 , G06N3/049 , G06Q10/04 , G06F17/16 , G06N3/08
Abstract: 本发明公开了一种基于时变循环神经网络的时序预测方法，首先使用基展开构造动态时变矩阵；然后通过动态时变矩阵替换循环神经网络中的固定矩阵，使之成为时变循环神经网络；最后将改进的时变循环神经网络应用在时序预测任务上，得到更好的性能。本发明方法结合了功能数据分析(FDA)实践中常用的基展开技术，以生成独特的动态时变矩阵，更能体现输入数据的动态特性，将其应用在时序预测的实验中，预测性能得到了提高。
-
公开(公告)号：CN116306828A
公开(公告)日：2023-06-23
申请号：CN202310210826.X
申请日：2023-03-07
Applicant: 杭州电子科技大学丽水研究院
Abstract: 本发明公开了一种基于图同构神经网络的脑网络链接预测方法，首先对于脑网络数据进行处理，完成脑结构网络建模；再构建基于图同构神经网络的脑网络链接预测模型，包括子图提取模块和图同构神经网络模块；之后进行脑网络链接预测模型的训练和测试；最后通过训练完成的脑网络链接预测模型完成脑网络链接预测。本发明在实现较为高的准确率的基础上降低了时间成本，极大的提升了模型对于子图结构的学习能力，对于接下来的链接预测有十分重要的意义。
-
公开(公告)号：CN116597890A
公开(公告)日：2023-08-15
申请号：CN202310662530.1
申请日：2023-06-06
Applicant: 杭州电子科技大学
IPC: G16B5/00 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于自优化激活函数的生物信息时间序列预测方法，首先构建一个包含多种激活函数候选集；然后搭建自优化激活函数模块；将新的激活函数应用于循环神经网络中，用于实现非线性变换；最后通过改进后的循环神经网络对生物信息时间序列进行预测。本发明提出了一种新颖的自优化激活函数，使循环神经网络的每个激活函数能随着任务的不同自我优化改变自生结构，实现了循环神经网络设计和优化的更加灵活。与传统方法相比，本发明不仅提高了循环神经网络性能，还有效减少了选择激活函数所需的时间和成本。
-
Patent Agency Ranking
公开(公告)号：CN116245968A
公开(公告)日：2023-06-09
申请号：CN202310210835.9
申请日：2023-03-07
Applicant: 杭州电子科技大学丽水研究院
Abstract: 本发明公开了基于Transformer的LDR图像生成HDR图像的方法，首先构建基于Transformer的HDR图像生成模型，包括浅层特征对齐模块、金字塔融合模块和图像重建模块；通过浅层特征对齐模块进行特征对齐，通过金字塔融合模块对对齐后的特征进行处理，获得不同尺度的特征，将金字塔融合模块处理后的不同尺度的特征融合成一个尺度；再将融合后的特征送入图像重建模块进行图像重建；最后将图像重建模块输出的结果使用卷积操作得到3层的HDR最终图片。本发明可以更好地学习非局部特征并自适应地减少虚拟阴影。本发明提出了一种新的金字塔融合模块，使图像可以与较低计算成本和根据全局信息。
-
公开(公告)号：CN118570121A
公开(公告)日：2024-08-30
申请号：CN202410505389.9
申请日：2024-04-25
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/136 , G06T7/13 , G06T5/00 , G06V10/764
Abstract: 本发明公开了基于乳腺癌病理切片图像的肿瘤细胞提取方法。本发明通过阈值分割，边缘检测、区域生长等算法的结合实现对单个细胞的提取，将颜色空间转换和阈值分割进行结合对图像进行处理，解决图像分割效果不佳的问题，通过边缘检测能够得到清晰的肿瘤边界，并通过区域生长算法能够实现细胞级别的分割，在区域算法之前对图像进行填充处理，对孔洞进行填充，解决区域内有孔洞，对于细胞图像难以有效分割的问题，最后通过形态学处理消除杂质，得到单个细胞，实现肿瘤细胞提取，整个过程快速、准确、简便。
-
公开(公告)号：CN118447240A
公开(公告)日：2024-08-06
申请号：CN202410431945.2
申请日：2024-04-11
Applicant: 杭州电子科技大学
IPC: G06V10/26 , G06V10/28 , G06V20/70 , G06V10/44 , G06V10/42 , G06V10/80 , G06V20/40 , G06V10/74 , G06V10/762 , G06V10/82
Abstract: 本发明公开了一种基于Matcher的医疗影像序列分割方法，首先对目标医疗影像序列和参考医疗影像序列中的图像进行预处理和特征提取，并计算对应关系矩阵；通过双向匹配策略对参考掩码跟对应关系矩阵进行匹配，得到匹配层；对匹配层进行筛选，采用k‑means++聚类对筛选得到的匹配层进行处理，生成提示box集合；对得到的提示box集合进行处理作为预训练好的SAM模型的输入，得到提案列表；执行参考掩码和预测掩码之间的实例级匹配，得到结果列表；最后将结果列表进行排序，得到最终的分割结果并输出；本发明采用双向匹配、提示box以及实例级匹配等策略，能够生成高质量的掩码，实现更清晰、更精确的分割结果。
-
公开(公告)号：CN117224082A
公开(公告)日：2023-12-15
申请号：CN202311186717.5
申请日：2023-09-14
Applicant: 杭州电子科技大学
Inventor： 颜成钢 , 杨鸿群 , 何敏 , 李晓林 , 沙雏淋 , 赵思成 , 高宇涵 , 孙垚棋 , 朱尊杰 , 王帅 , 王鸿奎 , 殷海兵 , 张继勇 , 李宗鹏 , 赵治栋 , 丁贵广 , 付莹 , 郭雨晨
Abstract: 本发明公开了一种基于图学习优化算法的动态脑功能网络学习方法。首先确定脑网络的基本数学模型，然后预处理真实的神经影像数据；构建求取动态脑功能连接网络的目标函数；最后确定求取动态脑功能连接网络的求解方法。本发明方法可以从fMRI信号中直接求取大脑的动态功能连接网络。动态脑功能连接网络能更加合理准确的反映出脑区之间的连接强度和脑网络的拓扑结构。
-
公开(公告)号：CN116721759A
公开(公告)日：2023-09-08
申请号：CN202310668915.9
申请日：2023-06-07
Applicant: 杭州电子科技大学
Inventor： 赵健祥 , 颜成钢 , 沈晨雨 , 杨德富 , 乔松 , 吕骏晖 , 何敏 , 王帅 , 殷海兵 , 王鸿奎 , 赵治栋 , 高宇涵 , 孙垚棋 , 朱尊杰 , 张继勇 , 李宗鹏
IPC: G16H50/20 , G16H50/70 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于半脑不对称性的AD脑网络预测与分类方法及系统。针对AD脑网络预测与分类问题，采取了基于半脑不对称性的AD脑网络预测与分类方法，根据AD病理的半脑不对称性，通过全脑结构脑网络求出左右半脑网络，然后使用图同构神经网络对这三类数据进行脑图的嵌入学习，在嵌入学习时学习的是三者的共同特征，从而提高嵌入向量所含有的特征信息，从而最终提高脑图预测与分类的准确率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.03 seconds)
