“田智强”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果51个，建议您升级VIP下载更多相关专利

[发明专利]一种基于相似度的点查询弱监督点云语义分割方法及系统-CN202310928632.3在审
发明人： 田智强;张应萱;雒文瑞;杜少毅 -专利权人：西安交通大学
申请日： 2023-07-26 - 公布日： 2023-10-17 - 主分类号： G06V10/26 文献下载
摘要：本发明公开了一种基于相似度的点查询弱监督点云语义分割方法及系统，通过将下采样后的数据输入进行卷积处理，将卷积处理后的数据进行空间编码和最大池化处理，然后进行特征提取得到点特征；利用三线性插值对得到的点特征进行空间邻点特征搜索获取邻居点，将邻居点与指定的带标签的点进行相似度计算，获得指定点的新特征；对得到的所有特征进行三层卷积操作，得到三维弱监督点云语义分割模型。通过计算相关点与自身以及周围未标注点的相似度，采用特征间相似度分数的语义信息和空间关系丰富了相关点的特征表示，并使得有价值的训练信号可以反向传播到更广阔的空间环境，对有效分割带来正向影响，从而提高分类结果的准确性。
一种基于相似查询监督语义分割方法系统

[发明专利]一种基于因果不变性的弱监督医学影像分割方法-CN202310941382.7在审
发明人： 田智强;陈张;郭昱成;杜少毅 -专利权人：西安交通大学
申请日： 2023-07-28 - 公布日： 2023-10-03 - 主分类号： G06V10/26 文献下载
摘要：本发明公开了一种基于因果不变性的弱监督医学影像分割方法，本发明使用两阶段的训练过程，第一阶段为标签生成，通过类激活映射机制将图片级标签生成像素级伪标签，解决现有算法高度依赖大量人工标记的像素级标签的问题。第二阶段为分割模型训练，使用第一阶段输出的像素级伪标签训练一个分割模型，为面向医学影像分析的实际临床应用提供有效的分割结果。其次，本发明在标签生成阶段设计了多分支特征提取网络，提出因果不变的转换策略，使得模型可以更好的提取同一目标在不同状态下的特征。同时，本发明为不同分支网络针对性的设计损失函数，保证了模型分类精度。最后，本发明设计了多分支间的因果不变性约束损失，保证了模型分割精度。
一种基于因果不变性监督医学影像分割方法

[发明专利]一种基于模型强化学习的智能体路径规划方法及系统-CN202310637164.4在审
发明人：兰旭光;刘亚新;王浩宇;陈星宇;田智强;齐欧;刘海进 -专利权人：西安交通大学;灵动科技（北京）有限公司
申请日： 2023-05-31 - 公布日： 2023-08-25 - 主分类号： G05B13/04 文献下载
摘要：本发明公开一种基于模型强化学习的智能体路径规划方法及系统，属于机器控制技术领域，包括：获取智能体与环境交互的轨迹图像；将轨迹图像中隐状态作为抽象状态，依照样本的回报大小划分正负样本，正负样本之间通过对比学习，使得正样本投影到同一隐状态，负样本投影到不同隐状态，得到投影后的样本；将抽象学习和模型学习相结合构建带约束的智能体路径规划优化目标模型；再基于KKT条件通过引入超参数构建联合损失函数；将投影后的样本输入联合损失函数中进行求解得到智能体路径规划；输出所述智能体路径规划用于智能体根据作出控制决策。该方法在机器人操作任务和自动驾驶任务等复杂任务表明，本发明在收敛后的性能上有着优异的性能。
一种基于模型强化学习智能路径规划方法系统

[发明专利]一种基于多模态融合的MR图像3D语义分割方法及系统-CN202111453026.8有效
发明人： 田智强;李皓冰;宋婧祎;杜少毅 -专利权人：西安交通大学
申请日： 2021-11-30 - 公布日： 2023-08-22 - 主分类号： G06V10/26 文献下载
摘要：本发明公开了一种基于多模态融合的MR图像3D语义分割方法及系统，通过对配准后的训练集的所有模态的最大前景区计算一个最大邻接矩形框，进行重采样获取特征数据，将训练集数据输入至设置好网络参数的自适应网络模块中进行卷积处理；利用解码后的分割结果及对应的训练集训练网络分割模型，利用训练后的网络分割模型进行MR图像的分割，根据获取的特征数据计算自适应网络模块的网络参数，加深网络层数来提升模型的表示能力，针对多模态数据，采用双分支卷积共享编码器，捕捉模态之间更加通用鲁棒的共有信息，对于每个分支使用专属归一化层区别统计各分支的数据分布，保留模态私有信息，减小了数据处理量，提高了图像处理精度。
一种基于多模态融合 mr 图像语义分割方法系统

[发明专利]一种基于小样本元学习的医学影像分类方法-CN202310564069.6在审
发明人： 田智强;郑尧月;张雪涛;杜少毅 -专利权人：西安交通大学
申请日： 2023-05-18 - 公布日： 2023-07-28 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于小样本元学习的医学影像分类方法。本发明两阶段训练方式获得具有域间泛化性的模型，解决医学影像可训练样本少、域间泛化能力差的问题。其次，本发明设计了双分支自适应元迁移网络及对应的联合交叉熵损失函数。通过网络的对抗训练，增强特征提取器在不同模态、不同设备间成像图片的泛化性，解决小样本学习过拟合问题，为医学影像分析处理应用获取有效的识别结果。最后，本发明设计了全局相似度兼容模块，为小样本元学习的预测降低因图像背景、成像条件、人为操作等因素带来的噪声，提升模型预测鲁棒性。同时，全局相似度兼容模块能够有效建立样本兼容矩阵，解决小样本预测容易受噪声影响的缺点，进一步提高预测精度。
一种基于样本学习医学影像分类方法

[发明专利]一种基于DenseNet网络的医学图像分类方法及系统-CN202310639377.0在审
发明人： 田智强;施展艺;王硕;杜少毅;卜雯卿;郭昱成 -专利权人：西安交通大学
申请日： 2023-05-31 - 公布日： 2023-07-25 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于DenseNet网络的医学图像分类方法及系统，通过采集侧位片数据信息并进行预处理，并从预处理之后的侧位片数据信息中选取训练集，基于改进的通道注意力模块构建改进的DenseNet模型，将上述训练集输入到所述改进的DenseNet网络模型中进行训练，得到训练好的侧位片图像分类模型，利用训练好的侧位片图像分类模型对待测图像进行识别分类；本发明在对原始图像样本进行预处理后，搭建了改进的DenseNet网络模型，能够更有效地提取特征，在有一定噪声的程度下，依然能得到拟合较好的侧位片图像矢状向分类模型，提高侧位片图像的矢状向分类准确率和分类精确率，改善侧位片图像的诊断效果。
一种基于 densenet 网络医学图像分类方法系统

[发明专利]汽车未来保值率预测方法、系统、设备及可读存储介质-CN202110475727.5有效
发明人： 田智强;杨宣 -专利权人：西安交通大学
申请日： 2021-04-29 - 公布日： 2023-06-16 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种汽车未来保值率预测方法、系统、设备及可读存储介质，对待预测汽车文本数据进行分词得到待预测汽车文本序列；对待预测汽车文本序列中的每个词进行词向量映射，并作为编码器‑解码器模型的输入，输出得到待预测汽车的未来保值率预测结果；其中，编码器‑解码器模型采用基于门循环单元变体的编码器‑解码器模型；本发明中待测汽车文本数据的收集和处理较结构化数据过程简单；并能够放大离散数据的作用，充分发挥了离散数据的作用，有效减少了人工收集和处理结构化的历史数据的成本；模型的输入长度可以根据文本的长度自适应变化，灵活性好；解码过程能够充分发挥循环神经网络对时序的理解，体现了新车未来保值率之间的时序性。
汽车未来保值预测方法系统设备可读存储介质

[发明专利]一种医学影像目标检测方法及系统-CN202211212877.8在审
发明人： 田智强;潘希言;王硕 -专利权人：西安交通大学
申请日： 2022-09-30 - 公布日： 2022-12-20 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种医学影像目标检测方法及系统，根据医学影像中目标检测的任务目标，搭建深度强化学习智能体的交互环境，通过检测二维医学影像中的感兴趣区域，来定位指定器官的所在区域；根据所述适用于目标检测任务的马尔科夫决策过程，构建单智能体竞争双深度Q网络结构，网络模型在深度Q网络的基础上进行了竞争结构的改进以及动作值函数计算的优化，使其稳定性与学习效率得到了增强，本发明通过深度强化学习中的智能体与二维医学影像环境的交互来获得深度神经网络的训练数据，能够有效提升网络模型学习的稳定性和效率。
一种医学影像目标检测方法系统

[发明专利]一种基于图卷积神经网络的交互式医学图像分割方法及系统-CN202211116327.6在审
发明人： 田智强;孙磊;郑尧月 -专利权人：西安交通大学
申请日： 2022-09-14 - 公布日： 2022-11-08 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于图卷积神经网络的交互式医学图像分割方法及系统，以用户交互和算法协同进行图像分割，使用预分割和交互式分割两个阶段来达到满意的分割结果，通过图卷积神经网络模型对对象轮廓进行建模进而实现医学图像的交互式分割。该方法可以解决在缺乏训练数据场景下的医学图像分割、交互式分割过程中交互的不灵活性以及不同尺寸的医学图像对分割结果影响的问题。通过初始化曲线采样得到的控制点数是能够动态适应不同分割区域的，更加方便用户进行后续的交互式分割，可以适应不同类型的医学图像，同时在交互式分割过程中还可以自适应用户的交互。
一种基于图卷神经网络交互式医学图像分割方法系统

[发明专利]一种基于自适应锚框的铝材质图像缺陷检测方法-CN202011043557.5有效
发明人： 田智强;董靓杰;王欢;许博;郑尧月 -专利权人：西安交通大学
申请日： 2020-09-28 - 公布日： 2022-10-25 - 主分类号： G06T7/00 文献下载
摘要：本发明提出了一种基于自适应锚框的铝材质图像缺陷检测方法，以解决当前缺陷检测方法不够灵活且检测精度较低等问题。首先，本发明采用了使用分组卷积和可形变卷积思想的ResNeXt‑101作为骨干网络，将包含注意力机制的特征增强模块集成到骨干网络，然后送入到特征金字塔网络中进行多尺度特征融合，从而提高缺陷检测精度；其次，本发明使用了一个自适应锚框神经网络，自动根据缺陷特征学习对应的锚框参数，提高锚框定位检测的精度；然后，在框预测阶段采用级联网络结构，解决训练阶段和预测阶段精度不匹配的问题；最后，本发明对形状差异大的缺陷和小目标缺陷的检测精度均有大幅提升，对铝材质图像缺陷检测的总体精度较高，在缺陷检测领域有较高的应用价值。
一种基于自适应材质图像缺陷检测方法

[发明专利]一种自监督人体行为识别方法及系统-CN202210467622.X在审
发明人： 田智强;郑军令;柳嘉乐;王博华 -专利权人：西安交通大学
申请日： 2022-04-29 - 公布日： 2022-09-02 - 主分类号： G06V20/40 文献下载
摘要：本发明公开了一种自监督人体行为识别方法及系统，通过将采集的人体行为视频数据拆分成图片帧，提取每帧图片中的人体姿态，将所需时长的图片帧中的骨骼点的二维或者三维坐标数据按照时间顺序堆叠在一起，形成人体骨骼点坐标序列数据，采用跨视图一致性对提取到的特征进行视图间信息的交叉融合，使用对比学习进行人体行为特征提取，学习过程中无需标签信息，从而很好的解决了对比学习中提取的特征过拟合的问题，同时有效的减少了网络的参数量。通过使用不同的时域跨度，解决相同动作由于不同动作主体可能造成的时长不同的问题。通过使用通道维度的注意力机制，有效的为不同的通道赋予不同的权值，最终能够达到较高的识别准确率。
一种监督人体行为识别方法系统

[发明专利]基于动态混合特征的刚体配准方法、系统、终端设备及存储介质-CN202210461690.5在审
发明人：杜少毅;康永;刘宇颖;田智强;杨静;杨旸 -专利权人：西安交通大学
申请日： 2022-04-28 - 公布日： 2022-08-30 - 主分类号： G06T7/33 文献下载
摘要：本发明公开了一种基于动态混合特征的刚体配准方法、系统、终端设备及存储介质，利用快速特征点描述符提取点集的特征信息，将提取的特征信息与点集的几何结构信息组成混合特征，随着算法的迭代构成动态混合特征；基于动态混合特征之间的相似度，建立源点集与目标点集之间的对应关系；求解配准的空间变换参数，并对目标点集进行空间变换；迭代上一步的过程，直到源点集与目标点集对应点之间的误差函数小于给定的阈值或者达到最大的迭代次数，最终完成源点集与目标点集之间的配准。本发明对于配准问题中存在的初始误差较大的情况以及部分重叠问题具有很好的鲁棒性，同时在存在较多离群点和噪声点的情况下也可以实现较好的配准精度。
基于动态混合特征刚体方法系统终端设备存储介质

[发明专利]一种应用于护理机器人的小目标检测方法-CN201911077172.8有效
发明人： 田智强;肖优子;杨宣;王春晖 -专利权人：西安交通大学
申请日： 2019-11-06 - 公布日： 2022-08-16 - 主分类号： G06V20/10 文献下载
摘要：本发明提出了一种应用于护理机器人的小目标检测方法，针对护理机器人检测小目标护理物品问题。首先，提出了Feature Fusion Module(FFM)融合VGGNet16的高层特征图和底层特征图，使新生成的特征图包含丰富的小目标位置信息和类别信息；第二，使用RoIAlign消除网络下采样过程造成的建议候选框中特征图的错位问题；最后，Multipath Residual Detector(MRD)使网络对小目标检测更加鲁棒。本发明能够准确地对室内的小目标护理物品进行检测，为护理机器人下一步的运动路径规划、护理物品抓取和空间避障提供了视觉感知指导信息，在针对室内护理场景的领域有较高的应用价值。
一种应用于护理机器人目标检测方法

[发明专利]一种基于关联性层级残差的多实例自然场景文本检测方法-CN202010464099.6有效
发明人： 田智强;王春晖;杜少毅;兰旭光 -专利权人：西安交通大学
申请日： 2020-05-27 - 公布日： 2022-08-16 - 主分类号： G06V20/62 文献下载
摘要：本发明提出了一种基于关联性层级残差的多实例自然场景文本检测方法，本发明采用的特征提取网络利用关联性层级残差以及反向逐级特征融合提取了粗粒度与细粒度相结合的多尺度特征，其中包含了更精确更完备的文本信息，以提高文本检测精度；其次，本发明使用的文本检测框回归损失由CIoU Loss和角度损失两部分构成，尤其是CIoU Loss的使用考虑了预测文本检测框与真实文本检测框之间的重叠面积、中心距离、长宽比等因素，能够更加精准的评估文本检测框的实际回归情况，从而可以提高文本检测方法的性能；然后，本发明在多个步骤中采用适当的方式减轻了硬件计算压力，最后，本发明对于常规文本区域，小文本区域的检测效果都很好。
一种基于关联性层级实例自然场景文本检测方法

[发明专利]一种基于图卷积神经网络的人体行为识别方法-CN202010470852.2有效
发明人： 田智强;产文颂;郑帅;杜少毅;兰旭光 -专利权人：西安交通大学
申请日： 2020-05-28 - 公布日： 2022-08-16 - 主分类号： G06V40/20 文献下载
摘要：本发明公开了一种基于图卷积神经网络的人体行为识别方法，本发明使用图卷积神经网络进行人体行为识别技术，从而更好的捕捉骨骼点之间的显式关系；在具体的图卷积操作中，使用行为特异图卷积模块，使得模型也可以更好的捕捉骨骼点之间的隐式关系，以捕捉其中的重要信息；为了捕捉时序信息，本技术采用门控时序一维卷积操作，过滤掉冗余及无关信息，保留其中的有用信息，以更好的建模动作的时序信息；在图卷积操作和一维卷积操作之后，均加入通道注意力模块，以建立通道维度的卷积，为不同的通道分配不同的权值，实现通道维度的注意力机制；通过行为门控特异图卷积模块的级联，以更好的提取数据中的信息，以达到较高的识别准确率。
一种基于图卷神经网络人体行为识别方法

1
2
3
4
下一页»
尾页
共 51 条