-
公开(公告)号：CN113096818A
公开(公告)日：2021-07-09
申请号：CN202110431318.5
申请日：2021-04-21
Applicant: 西安电子科技大学 , 中国人民解放军空军军医大学
Abstract: 本发明提出了一种基于ODE和GRUD的急性病症发生几率的评估方法，用于解决现有技术中存在的没有同时考虑时序数据的临床指标缺失和采样的时间间隔不均匀导致的评估准确性较低的技术问题。实现步骤为：获取多临床指标的时序数据集、时间戳序列集和急性病症标签集；获取信息衰减表征训练样本集、信息衰减表征验证集样本和信息衰减表征测试样本集；构建基于ODE和GRUD的门控递归单元网络；对基于ODE和GRUD的门控递归单元网络进行迭代训练；获取急性病症发生几率的评估结果。本方法能够兼顾时序数据的临床指标缺失和采样时间间隔不均匀的问题，将临床指标缺失的影响纳入隐藏态更新的过程，提升急性病症发生概率估计的准确性。
-
-
公开(公告)号：CN116486461A
公开(公告)日：2023-07-25
申请号：CN202310499266.4
申请日：2023-05-06
Applicant: 中国人民解放军空军军医大学
Abstract: 一种基于面部表情识别的智能疼痛管理方法，包括以下步骤：S1、采集不同疼痛程度下的面部视频；S2、在采集的面部视频中提取面部图像数据；S3、通过深度学习建立AI疼痛评估模型，对面部疼痛程度进行评估；综上所述，本发明通过采集患者不同疼痛程度下的面部视频，提取面部局部表情，便于捕捉疼痛相关的关键表征及它们之间的关联性，再通过AI疼痛评估模型对数据进行处理分析，得到疼痛程度，根据评估的疼痛程度提供初步的临床用药策略。
-
公开(公告)号：CN118537902A
公开(公告)日：2024-08-23
申请号：CN202410514806.6
申请日：2024-04-26
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了一种基于特征分离的双分支损失对抗表情识别方法及系统，获取并对训练数据进行数据预处理和数据增强；搭建深度学习网络模型，搭建包含特征提取器、权重分配模块以及表情分类模块的网络模型；利用混淆损失和域对抗损失构成的对抗损失来引导非表情特征分支；构造非表情特征和表情特征之间的特征分离损失；模型训练结束，使用特征提取器和分类器进行结果预测。本发明可以实现表情特征的分离并提高模型预测的准确率。
-
公开(公告)号：CN118072371A
公开(公告)日：2024-05-24
申请号：CN202410223659.7
申请日：2024-02-29
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/54 , G06N3/0475 , G06N3/094 , G06N3/096 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于情感迁移的面部疼痛表情类别生成方法，主要解决现有技术中无痛图像与疼痛级别图像数据不平衡，面部疼痛表情类别生成性能差的问题。其方案是：建立原始真实图像数据集：构建包括纹理特征编码器、几何特征编码器、特征融合网络、图像生成器和判别器的疼痛生成网络模型；根据原始真实图像数据集获得疼痛生成网络模型的生成损失函数：构建增强的训练数据集和测试数据集；选用现有的疼痛评估网络，利用训练数据集对其迭代训练；将测试数据集样本输入到训练好的疼痛表情类别检测网络，得到每张人脸图像的疼痛类别。本发明能平衡无痛和有痛数据集的数量，提高面部疼痛表情类别生成准确性和可靠性，可用于提取人脸表情图像特征的疼痛评估。
-
Patent Agency Ranking
公开(公告)号：CN117975565A
公开(公告)日：2024-05-03
申请号：CN202410208172.1
申请日：2024-02-26
Applicant: 西安电子科技大学
IPC: G06V40/20 , G06V10/764 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于时空扩散和并行Transformer的动作识别系统及方法，系统包括：特征提取模块、两分支Transformer网络、局部运动激励模块、时空扩散模块和视频分类器模块；方法包括：首先将输入视频送入特征提取模块，然后将提取到的视频特征分别送入两分支Transformer网络结构，第一分支由深度可分离卷积和并行Transformer模块构成，第二分支由交叉Transformer模块构成，其次，提出轻量化的局部运动激励模块，该模块可插入到任意Transformer网络中，然后，通过时空扩散模块融合两分支结构得到的时空特征，增强视频长距离时序依赖，最后，借助视频分类器模块输出视频动作识别的结果；本发明具有提升模型识别精度和降低模型训练成本的技术效果。
-
公开(公告)号：CN109949318B
公开(公告)日：2023-11-14
申请号：CN201910173556.3
申请日：2019-03-07
Applicant: 西安电子科技大学
IPC: G06T7/11
Abstract: 本发明公开了一种基于多模态影像的全卷积神经网络癫痫病灶分割方法，主要解决现有技术对癫痫影像中病灶难分割的问题。其实现方法是：将原始脑部MRI影像和PET影像调整到同一分辨率空间，并进行边缘裁剪；将裁剪后的MRI/PET影像划分为训练集和测试集；搭建全卷积神经网络Y‑Net；将训练集输入到Y‑Net网络中进行训练，并对训练好的Y‑Net网络中卷积层的卷积核参数进行存储；将存储的卷积核参数载入到已构建的Y‑Net网络，并输入测试集，得到癫痫病灶的自动分割结果。本发明具有易于分割，且分割精度高的优点，可用于分割脑部核磁共振影像MRI和正电子发射断层扫描影像PET中的癫痫病灶区域。
-
公开(公告)号：CN116246326A
公开(公告)日：2023-06-09
申请号：CN202310211926.4
申请日：2023-03-07
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/82 , G06V10/764 , G06V10/774 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于多任务transformer的疼痛表情评估方法，属于图像处理与模式识别技术领域，包括以下步骤：S1、表情数据预处理；S2、建立多任务transformer疼痛评估模型；S3、获取输入图像；S4、对输入图像进行局部特征提取；S5、基于自注意力的局部特征进行加权结合；S6、疼痛表情分类；S7、疼痛表情分数回归；S8、更新网络参数；S9、重复步骤S3～S8，直到损失函数值趋于稳定。本发明利用transformer结构进一步挖掘了局部特征间的关系，提升提取到的特征质量，采用分类和回归的多任务模型，克服了情感模糊性带来的边界样本分类困难问题，提升了网络对于疼痛表情的评估准确度。
-
公开(公告)号：CN115731270A
公开(公告)日：2023-03-03
申请号：CN202211433018.1
申请日：2022-11-16
Applicant: 西安电子科技大学
IPC: G06T7/33 , G06V10/46 , G06T3/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/04 , G06N3/084
Abstract: 本发明公开一种基于双变换网络的深度学习SAR图像配准算法，主要解决现有深度学习的SAR配准方法获取匹配的图像对困难，匹配精度低，人工标注数据集成本过高及类别不平衡的问题。其实现方案为：1)生成训练和测试数据集。2)设置深度图像分类网络的分类头类别数目，构建双变换网络的两个分支；3)训练双变换网络的两个分支，并利用训练好的双变换网络进行初步匹配，4)在初步匹配的基础上进行精细匹配；5)取两条支路共同认可的点对，并根据精细匹配的结果更新点对，获得最终匹配结果。本发明获取图像对简单且无需人工标注，数据集类别平衡，匹配精度高，可用于地质矿物资源检测及数字地形模型提取。
-
公开(公告)号：CN112766161B
公开(公告)日：2022-12-02
申请号：CN202110074633.7
申请日：2021-01-20
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于集成约束多示例学习的高光谱目标检测方法，用于解决现有技术对复杂场景下的高光谱目标检测效果差的问题，实现步骤为：1)获取训练样本集和测试样本集；2)构建集成约束多示例学习网络W；3)对集成约束多示例学习网络W进行迭代训练；4)获取高光谱的目标检测结果。本发明将集成约束与多示例学习相结合，使得包中每一个像素点都能参与到网络的训练过程中，提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测，精准农业，食物安全的分析与检查。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.05 seconds)
