公开(公告)号：CN116258695A

公开(公告)日：2023-06-13

申请号：CN202310129552.1

申请日：2023-02-03

Applicant: 浙江大学

Inventor： 林兰芬 ,  解仕奥 ,  牛子未

IPC: G06T7/00 ,  G06T7/11 ,  G06N3/0895 ,  G06N3/0464

Abstract: 本发明公开了一种基于Transformer与CNN交互的半监督医学影像分割方法，包括：本发明将Transformer引入到医学影像半监督分割框架中，并设计了Transformer分支与CNN分支之间特征交互的模块C2T模块和T2C模块，实现两分支之间高效的知识共享，提高分割网络同时捕捉细节特征和建立全局依赖关系的能力；同时增加了特征一致性分布约束，利用Teacher模型的Transformer分支的特征协方差矩阵去约束Student的CNN分支特征协方差矩阵，同样Teacher模型的CNN分支的特征协方差矩阵去约束Transformer的特征协方差矩阵，通过这种交叉教学的方式，使得引入Transformer分支之后的半监督框架更加稳定，同时产生更加准确的伪标签。

公开(公告)号：CN118015249A

公开(公告)日：2024-05-10

申请号：CN202410011507.0

申请日：2024-01-04

Applicant: 浙江大学

Inventor： 林兰芬 ,  白振甲 ,  解仕奥 ,  牛子未 ,  余昕遥 ,  秦锐

IPC: G06V10/25 ,  G06V10/764 ,  G06V10/766 ,  G06V10/82 ,  G06N3/0895

Abstract: 本发明公开了一种基于辅助教学网络的半监督目标检测方法及装置。用于解决难以保证生成的伪标签的质量和模型对困难样本的识别能力不足的问题；本发明在教师‑学生模型的基础上增加一个助理模型，使其和教师模型在随机噪声下进行相同数据的学习，通过教师模型和助理模型的损失累积值计算矫正权重，以此进行伪标签的自适应校正，提高生成伪标签的质量；本发明设计了一个低置信度目标筛选机制，对困难样本进行二次筛选，降低困难样本产生的干扰；本发明主要用于利用少量有标签的样本数据和大量无标签的样本数据训练出高精度的目标检测模型。

公开(公告)号：CN118781440A

公开(公告)日：2024-10-15

申请号：CN202411267378.8

申请日：2024-09-11

Applicant: 杭州新中大科技股份有限公司 ,  浙江大学 ,  杭州浩联智能科技有限公司

Inventor： 林兰芬 ,  王弘毅 ,  解仕奥 ,  石钟韶 ,  徐宏

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/44 ,  G06V10/77 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06Q10/0631 ,  G06Q10/10 ,  G06Q50/08

Abstract: 本发明公开了一种基于多任务联合优化的施工进度识别方法及装置。该方法包括：获取图像样本训练数据集；对图像样本训练数据集中的各施工现场图像进行图像预处理，得到待处理施工现场图像；将各待处理施工现场图像输入至预先构建的网络预测模型中，得到模型输出的施工进度类别预测结果；根据施工进度类别预测结果和真实标签值，确定类别损失值；以及，根据施工进度类别预测结果，确定目标定位损失值；根据类别损失值和目标定位损失值，确定多任务融合损失值；根据多任务融合损失值对网络预测模型进行模型训练，直到满足模型收敛条件，得到施工进度预测模型，用于进行施工进度预测。上述技术方案提高了对施工进度的预测精准度。

公开(公告)号：CN118781440B

公开(公告)日：2024-12-03

申请号：CN202411267378.8

申请日：2024-09-11

Applicant: 杭州新中大科技股份有限公司 ,  浙江大学 ,  杭州浩联智能科技有限公司

Inventor： 林兰芬 ,  王弘毅 ,  解仕奥 ,  石钟韶 ,  徐宏

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/44 ,  G06V10/77 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06Q10/0631 ,  G06Q10/10 ,  G06Q50/08

Abstract: 本发明公开了一种基于多任务联合优化的施工进度识别方法及装置。该方法包括：获取图像样本训练数据集；对图像样本训练数据集中的各施工现场图像进行图像预处理，得到待处理施工现场图像；将各待处理施工现场图像输入至预先构建的网络预测模型中，得到模型输出的施工进度类别预测结果；根据施工进度类别预测结果和真实标签值，确定类别损失值；以及，根据施工进度类别预测结果，确定目标定位损失值；根据类别损失值和目标定位损失值，确定多任务融合损失值；根据多任务融合损失值对网络预测模型进行模型训练，直到满足模型收敛条件，得到施工进度预测模型，用于进行施工进度预测。上述技术方案提高了对施工进度的预测精准度。

公开(公告)号：CN116596832A

公开(公告)日：2023-08-15

申请号：CN202310129544.7

申请日：2023-02-03

Applicant: 浙江大学

Inventor： 林兰芬 ,  牛子未 ,  王弘毅 ,  解仕奥 ,  孙浩 ,  胡红杰 ,  张峭巍 ,  陈青青 ,  王芳

IPC: G06T7/00 ,  G06T7/136 ,  G06T7/194 ,  G06T7/168 ,  G16H50/20

Abstract: 本发明公开了一种面向医学图像分割的单一域泛化方法，本发明基于对跨中心的医学图像特性观察，采用弱增强以模拟域偏移，并实施基于域不变表征学习的单一域泛化策略，提升模型的跨中心的泛化能力和分割精度，避免了医学数据的隐私保护和高标注代价问题；本发明提出双分支一致性网络，通过该网络可以充分学习跨域不变表征，以提升模型的泛化能力；本发明提出特征指导白化模块，通过改模块可以促使模型关注语义信息而忽略风格信息，提升模型的表达能力，进一步提升模型跨中心的泛化能力和分割精度。