-
公开(公告)号：CN111161273B
公开(公告)日：2023-03-21
申请号：CN201911416817.6
申请日：2019-12-31
IPC分类号： G06T7/10
摘要： 本发明属于深度学习计算机视觉和医学信息处理技术领域，具体涉及一种基于深度学习的医学超声图像分割方法。本发明的方法在通用图像分割神经网络模型基础上，融合多输入多输出技术、注意力机制、孔洞卷积技术、小样本医学数据增强等多种新型技术，重点解决小样本学习，超声图像对比度低，结节边缘模糊等难点痛点问题，得到本发明最优分割策略。
-
公开(公告)号：CN111179275A
公开(公告)日：2020-05-19
申请号：CN201911409096.6
申请日：2019-12-31
摘要： 本发明属于深度学习计算机视觉和医学信息处理技术领域，具体涉及一种医学超声图像分割方法。本发明的方法在通用图像分割神经网络模型基础上，融合多输入多输出技术、孔洞卷积技术、小样本医学数据增强等多种新型技术，重点解决小样本学习，超声图像对比度低，结节边缘模糊等难点痛点问题，得到本发明最优分割策略。
-
公开(公告)号：CN111161273A
公开(公告)日：2020-05-15
申请号：CN201911416817.6
申请日：2019-12-31
IPC分类号： G06T7/10
摘要： 本发明属于深度学习计算机视觉和医学信息处理技术领域，具体涉及一种基于深度学习的医学超声图像分割方法。本发明的方法在通用图像分割神经网络模型基础上，融合多输入多输出技术、注意力机制、孔洞卷积技术、小样本医学数据增强等多种新型技术，重点解决小样本学习，超声图像对比度低，结节边缘模糊等难点痛点问题，得到本发明最优分割策略。
-
公开(公告)号：CN111179275B
公开(公告)日：2023-04-25
申请号：CN201911409096.6
申请日：2019-12-31
摘要： 本发明属于深度学习计算机视觉和医学信息处理技术领域，具体涉及一种医学超声图像分割方法。本发明的方法在通用图像分割神经网络模型基础上，融合多输入多输出技术、孔洞卷积技术、小样本医学数据增强等多种新型技术，重点解决小样本学习，超声图像对比度低，结节边缘模糊等难点痛点问题，得到本发明最优分割策略。
-
公开(公告)号：CN111600667B
公开(公告)日：2021-08-17
申请号：CN202010450181.3
申请日：2020-05-25
申请人： 电子科技大学
IPC分类号： H04B17/382 , G06N3/04 , G06N3/08
摘要： 本发明属于认知无线电技术领域，具体涉及一种基于深度学习的频谱感知技术。本发明研究了一种基于深度学习的频谱感知检测器，不依赖于信号‑噪声模型假设，通过CNN分析多个感知窗口的信号能量相关特征，以及LSTM进一步提取信号的时间特征，以学习主用户占用信道和静默状态的转换规律。同时通过最大化检测器在训练集上的正确分类概率来优化网络参数。网络训练完成之后，根据奈曼皮尔逊准则，提出了一种有效的判断主用户的状态方法。实验表明，本发明提出的CNN‑LSTM检测算法在检测性能方面比传统算法更有优势。
-
公开(公告)号：CN111600667A
公开(公告)日：2020-08-28
申请号：CN202010450181.3
申请日：2020-05-25
申请人： 电子科技大学
IPC分类号： H04B17/382 , G06N3/04 , G06N3/08
摘要： 本发明属于认知无线电技术领域，具体涉及一种基于深度学习的频谱感知技术。本发明研究了一种基于深度学习的频谱感知检测器，不依赖于信号-噪声模型假设，通过CNN分析多个感知窗口的信号能量相关特征，以及LSTM进一步提取信号的时间特征，以学习主用户占用信道和静默状态的转换规律。同时通过最大化检测器在训练集上的正确分类概率来优化网络参数。网络训练完成之后，根据奈曼皮尔逊准则，提出了一种有效的判断主用户的状态方法。实验表明，本发明提出的CNN-LSTM检测算法在检测性能方面比传统算法更有优势。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.065 秒)
