-
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：CN118568565A
公开(公告)日：2024-08-30
申请号：CN202410670776.8
申请日：2024-05-28
Applicant: 重庆大学 , 广东鸿芯科技有限公司
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/094 , G06N3/09 , G16H50/70
Abstract: 本发明公开了一种基于对抗训练和多尺度注意力的肺癌电子鼻数据分类方法，其包括1)建立用于对电子鼻数据进行分类的模型TS‑CATMA；2)对TS‑CATMA进行训练；3)使用训练得到的TS‑CATMA对电子鼻数据进行分类。本发明通过对抗训练所提出的TS‑CATMA模型，将训练得到的最终训练模型用于肺癌电子鼻数据分类，其不仅与传统MTSC方法相比具有显著优势，而且与现有InceptionTime、Resnet、FCN和LSTM‑FCN等深度学习方法相比，也是分类性能整体最优，在特异性和准确率方面具有明显优势，将其运用于肺癌筛查，能显著降低误诊率。
-
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：CN119007194A
公开(公告)日：2024-11-22
申请号：CN202411012065.8
申请日：2024-07-26
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06V20/69 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于多层次硬极化特征融合的TCT涂片自动检测系统，其包括YOLO‑TCT模型，YOLO‑TCT模型由对YOLOv8进行改进得到，改进在于将YOLOv8骨干网络中的C2f模块替换为MLHP‑C2f模块。通过消融实验证明，在YOLOv8‑L基础上单独添加ML、PSA或HPSA时进行特征融合会对模型的性能产生负面的影响，只有当结合ML和HPSA时，模型才实现了最佳的mAP0.5:0.95和mAP0.5，展示了MLHP结构的合理性和优越性。不同模型对比实验结果显示，在针对高分辨率宫颈细胞TCT涂片图像的检测中，YOLO‑TCT检测精确度上显著优于其他模型系统。
-
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。
-
Patent Agency Ranking
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。
-
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：CN116704520A
公开(公告)日：2023-09-05
申请号：CN202310674144.4
申请日：2023-06-08
Applicant: 重庆大学
IPC: G06V30/19 , G06V30/413
Abstract: 本发明公开了一种海关随附单据信息提取系统，其包括OCR提取服务端和OCR提取客户端；所述OCR提取服务端包括信息提取设置前台、信息提取设置后台、提取设置数据库、心跳检测及提取设置更新模块、数据接收模块、历史数据管理模块和单据提取结果数据库；所述OCR提取客户端包括心跳上报及提取设置更新模块、原始单据获取模块、模板匹配模块、OCR处理模块和校正结果发送模块。本发明能将随附单据中的字符信息自动提取出来，并能有效应对海关随附单据表格样式多样、图像质量不高、单据图像倾斜、键值对分布无规律等缺点，提取结果具有较高的准确率，可用于海关风险甄别和决策，有利于提高海关风险防控的智能化水平和监管效率。
-
公开(公告)号：CN117593758A
公开(公告)日：2024-02-23
申请号：CN202311597651.9
申请日：2023-11-28
Applicant: 重庆大学
IPC: G06V30/413 , G06V30/42 , G06V30/18 , G06V10/82 , G06N3/0464 , G06F40/30 , G06F40/289
Abstract: 本发明公开了一种识别海关单据图像中文字的方法，其包括构建用于文字识别的模型Swin‑TR，所述Swin‑TR由Swin‑T骨干、特征金字塔网络、自适应寻址和聚合模块三部分组成；训练Swin‑TR，在训练过程中分别计算字符A3模块、子词A3模块和整词A3模块的预测输出与真实标签的交叉熵，用训练合格的Swin‑TR识别单据图像中的文字。本发明识别海关单据图像中文字的方法能够准确地预测英文、中文字词以及标点符号，能够适应不同的文本识别场景，且通过实验与其它现有文本识别模型进行对比，证明了本发明方法提出的模型Swin‑TR比现有模型具有更高的文字识别准确性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.055 seconds)
