-
公开(公告)号：CN117216634A
公开(公告)日：2023-12-12
申请号：CN202311171758.7
申请日：2023-09-12
Applicant: 重庆大学 , 广东鸿芯科技有限公司
IPC: G06F18/24 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种肺癌电子鼻数据分类方法，其对采集不同气体数据气体传感器执行线性判别分析，根据贡献选择传感器，并将对应传感器的单变量时间序列转换最大轨迹矩阵图像，通过空间信息重组方法重组样本的最大轨迹矩阵图像，将重组后的样本图像序列输入分类器得到分类结果。本发明肺癌电子鼻数据分类方法，通过按贡献对气体传感器阵列进行排序，去除了冗余通道所采集的数据，有利于提升气体传感器数据分类的准确率，同时减少分类时间；通过最大化图像的帧间互信息之和来确定样本中最大轨迹图像的最优排列，并按照最优排列重组样本中的图像序列，提高了对气体传感器数据的分类准确率。
-
公开(公告)号：CN114970818B
公开(公告)日：2024-12-24
申请号：CN202210578738.0
申请日：2022-05-25
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06F18/2321
Abstract: 本发明公开了一种减少生成对抗网络模式崩溃的方法，其包括1)构建GMN‑GAN网络，所述GMN‑GAN网络包括高斯混合模型M、高斯混合噪声变量生成器V、样本生成器G和判别器D；高斯混合噪声变量生成器的个数与图像数据集中的图像类别数量c相等，高斯混合噪声变量生成器的输出作为样本生成器的输入，样本生成器的输出作为判别器的输入，判别器输出层的输出单元数量设定为图像类别的数量，一个输出单元对应着一个不同的类别；2)对GMN‑GAN网络进行训练。本发明中样本生成器能够生成种类更多的图像，能有效避免生成对抗网络出现模式崩溃的问题。
-
公开(公告)号：CN114970818A
公开(公告)日：2022-08-30
申请号：CN202210578738.0
申请日：2022-05-25
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明公开了一种减少生成对抗网络模式崩溃的方法，其包括1)构建GMN‑GAN网络，所述GMN‑GAN网络包括高斯混合模型M、高斯混合噪声变量生成器V、样本生成器G和判别器D；高斯混合噪声变量生成器的个数与图像数据集中的图像类别数量c相等，高斯混合噪声变量生成器的输出作为样本生成器的输入，样本生成器的输出作为判别器的输入，判别器输出层的输出单元数量设定为图像类别的数量，一个输出单元对应着一个不同的类别；2)对GMN‑GAN网络进行训练。本发明中样本生成器能够生成种类更多的图像，能有效避免生成对抗网络出现模式崩溃的问题。
-
公开(公告)号：CN118864519A
公开(公告)日：2024-10-29
申请号：CN202410884574.3
申请日：2024-07-03
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明公开了一种基于深度感知分解和分层重建的分层空洞填充方法，其包括参考图像分解为前景对象和背景部分，生成表示前景对象的掩膜；参考图像扭曲到目标位置，带有空洞和前景对象的目标视图及对应的空洞掩膜、带有空洞且无前景对象的目标视图及对应的空洞掩膜；用经图像预处理得到由背景纹理图像和对应的空洞掩膜组成的数据集练生成对抗网络，随后分别将图像对输入训练好的生成对抗网络的生成器，分别生成填充空洞后的无前景对象的目标视图和填充空洞后的目标视图，将生成的图像合并成一个最终的填充空洞后的目标视图。综合实验结果表明，本发明相比现有最先进的方法具有显著优势。
-
Patent Agency Ranking
公开(公告)号：CN116805341A
公开(公告)日：2023-09-26
申请号：CN202310453947.7
申请日：2023-04-25
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06T11/00 , G06T5/10 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种改善GAN生成图像质量的方法，其包括构建WL‑GAN神经网络，所述WL‑GAN神经网络包括n层级联的GAN，第1至n‑1层的GAN均由离散小波变换器、生成器和判别器组成，第n层GAN由生成器和判别器组成；将图像输入第1层GAN的离散小波变换器，并向各层GAN的生成器输入噪声，以训练所构建的WL‑GAN神经网络；在训练过程中不断调节判别器和生成器的权重，最终使各层GAN在获得输入噪声和低频图像时就能生成高频图像。本发明将原始问题分解为一系列更易于管理的阶段，图像以从粗到细的方式绘制，使得网络最终生成的图像质量得到提高。
-
公开(公告)号：CN115081489A
公开(公告)日：2022-09-20
申请号：CN202210827820.2
申请日：2022-07-13
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明公开了一种基于小波分解矩阵和残差网络的时间序列分类方法，其包括步骤：1)对时间序列数据进行图像化表示，2)以时间序列的图像化表示G作为分类网络的输入，通过分类网络的非线性函数fc：进行映射，得到G对应的分类表示3)设置总体目标Ltotal，实现联合优化图像化表示转换阶段的监督目标Ls和分类阶段的监督目标Lc。本发明提出了一种新的时间序列图像化表示方法——小波分解矩阵，还提出了图像化表示阶段的相似性约束，通过结合相似性约束和最小化分类误差约束，将图像化表示阶段和分类阶段集成在一起进行联合优化，这样端到端的联合优化方式，帮助达到更好的分类效果。
-
公开(公告)号：CN114818914B
公开(公告)日：2024-05-24
申请号：CN202210434503.4
申请日：2022-04-24
Applicant: 重庆大学 , 勒威半导体技术(嘉兴)有限公司
Abstract: 本发明公开了一种基于相空间和光流图像的多变量时间序列分类方法，其包括步骤：1)将多变量时间序列转化成相空间轨迹矩阵图和光流图像；2)通过双流时空网络对多变量时间序列进行分类，所述的双流时空网络包括第一个3D网络、第二个3D网络、将两个3D网络的输出特征进行融合的Conatenate层、与Conatenate层连接的Flatten层和与Flatten层链接的全连接层，双流时空网络的激活函数为softmax。将相空间轨迹矩阵图输入第一个3D网络，光流图像输入第二个3D网络。本发明基于相空间和光流图像的多变量时间序列分类方法，通过与其他先进方法进行对比，实验结果表明本发明方法取得了与其他先进方法更好的精度，说明本发明方法对多变量时间序列分类问题是有价值的方案。
-
公开(公告)号：CN114818914A
公开(公告)日：2022-07-29
申请号：CN202210434503.4
申请日：2022-04-24
Applicant: 重庆大学 , 勒威半导体技术(嘉兴)有限公司
Abstract: 本发明公开了一种基于相空间和光流图像的多变量时间序列分类方法，其包括步骤：1)将多变量时间序列转化成相空间轨迹矩阵图和光流图像；2)通过双流时空网络对多变量时间序列进行分类，所述的双流时空网络包括第一个3D网络、第二个3D网络、将两个3D网络的输出特征进行融合的Conatenate层、与Conatenate层连接的Flatten层和与Flatten层链接的全连接层，双流时空网络的激活函数为softmax。将相空间轨迹矩阵图输入第一个3D网络，光流图像输入第二个3D网络。本发明基于相空间和光流图像的多变量时间序列分类方法，通过与其他先进方法进行对比，实验结果表明本发明方法取得了与其他先进方法更好的精度，说明本发明方法对多变量时间序列分类问题是有价值的方案。
-
公开(公告)号：CN114511031A
公开(公告)日：2022-05-17
申请号：CN202210138121.7
申请日：2022-02-15
Applicant: 重庆大学 , 勒威半导体技术(嘉兴)有限公司
Abstract: 本发明基于生成对抗网络的电子鼻数据校正方法，其包括1)搭建命名为FEDA的神经网络，2)进行领域对抗训练：分别在特征提取器Gf和域判别器Gd上添加一个梯度反转层，首先在数据正向传播过程中训练特征提取器Gf学习到域不变特征，从而让域判别器Gd无法区分特征是来自源域和还是目标域，再通过最小化域分类损失Ld来训练域判别器Gd，使得域判别器Gd可以区分源域和目标域特征；然后在数据反向传播经过梯度反转层的时候反转梯度，让特征提取器Gf无法正确判断领域不变特征，以此完成对抗训练。本发明基于生成对抗网络的电子鼻数据校正方法，降低了源域和目标域的分布差异，增加了类内同质性，解决电子鼻数据的域适应问题，能提高对传感器漂移数据集的分类正确率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.028 seconds)
