专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果26个,建议您升级VIP下载更多相关专利
  • [发明专利]提取骨X光图像特征判断骨质疏松的方法-CN201811584265.5有效
  • 苏苒;刘天灵;金强国 - 天津大学
  • 2018-12-24 - 2023-05-16 - G06T7/00
  • 本发明公开了一种提取骨X光图像特征判断骨质疏松的方法,包括以下步骤:同时进行操作一和操作二,操作一为构建基于卷积神经网络的特征提取器,操作二为构建基于传统特征提取方法的特征提取器,最小冗余最大相关算法进行特征提取,用120组选择特征组训练SVM分类器,其中,在每组选择特征组训练时采用5折交叉验证的方法,对待测数据集进行分类,准备待测数据集C’,同时进行操作a和操作b,利用SVM分类器进行分类,本发明的提取骨X光图像特征判断骨质疏松的方法结合卷积神经网络和传统特征提取方法提取骨X光切片特征进行骨质疏松的判断,较以往的方法对判断骨质疏松的准确率有了一定程度的提升。
  • 提取图像特征判断骨质疏松方法
  • [发明专利]基于半监督学习的组织学图像分割模型-CN202210858624.1有效
  • 邓有朋;金强国;苏苒;孟昭鹏 - 天津大学
  • 2022-07-20 - 2023-05-02 - G06V10/26
  • 本发明公开了一种基于半监督学习的组织学图像分割模型,包括:教师模型、学生模型、多层次强制一致性模块和用于监督训练的总损失函数;学生模型通过有标注数据和无标注数据进行训练,教师模型通过无标注数据进行训练,多层次强制一致性模块采用多层次一致性损失函数对学生模型和教师模型使用无标注数据进行训练时教师模型的分割预测结果和学生模型中编码器的多层次潜在表示的变体的分割预测结果进行一致性约束;本发明组织学图像分割模型有效,其提出多层次强制一致性模块以及多层次一致性损失函数,通过对模型的多层次潜在表示添加扰动来增强模型分割预测结果的预测不变性。
  • 基于监督学习组织学图像分割模型
  • [发明专利]基于残差-注意力深度神经网络的肝脏分割方法-CN201811045104.9有效
  • 苏苒;金强国;孟昭鹏 - 天津大学
  • 2018-09-07 - 2022-05-06 - G06T7/11
  • 本发明公开了一种基于残差‑注意力深度神经网络的肝脏分割方法,包括:数据预处理、训练集制作、构建残差‑注意力深度神经网络模型、训练残差‑注意力深度神经网络和分割阶段,本发明的肿瘤分割方法结合了残差网络中的残差模块,使深度神经网络能更好地处理梯度消失问题。其次,本发明的深度神经网络使用残差‑注意力模块使得处理的性能极大的改善,由于不同类型的注意力被提取出来,因此该分割方法更具有普适性。最后,使用U‑Net作为基本体系结构来捕获多尺度的注意力信息,并将低层特征与高级特征完美集成。
  • 基于注意力深度神经网络肝脏分割方法
  • [发明专利]基于残差-注意力深度神经网络的肿瘤分割方法-CN201811045899.3有效
  • 苏苒;金强国;孟昭鹏 - 天津大学
  • 2018-09-07 - 2022-05-03 - G06T7/11
  • 本发明公开了一种基于残差‑注意力深度神经网络的肿瘤分割方法,包括:数据预处理、训练集制作、构建残差‑注意力深度神经网络模型、训练残差‑注意力深度神经网络和分割阶段,本发明的肿瘤分割方法结合了残差网络中的残差模块,使深度神经网络能更好地处理梯度消失问题。其次,本发明的深度神经网络使用残差‑注意力模块使得处理的性能极大的改善,由于不同类型的注意力被提取出来,因此该分割方法更具有普适性。最后,使用U‑Net作为基本体系结构来捕获多尺度的注意力信息,并将低层特征与高级特征完美集成。
  • 基于注意力深度神经网络肿瘤分割方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top