“龚海刚”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40个，建议您升级VIP下载更多相关专利

[发明专利]一种肺炎医学图像分割方法-CN202310839302.7在审
发明人：吴磊;闵捷;王晓敏;龚海刚;刘明 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-07-10 - 公布日： 2023-10-03 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种肺炎医学图像分割方法，该方法包括S1：对收集的肺炎数据集进行预处理；S2：预训练标准概率模型；S3：预训练编解码模块；将需要分割的肺炎医学数据集输入到预训练后的标准概率模型中，得到加了噪声的标注图像；S5：将得到加了噪声的标注图像送入训练后的编解码模块，得到变换结果；S6：将变换结果经过编解码模块的编码层下采样，经过两个编码层后，得到隐层特征，并将隐层特征还原到原图尺寸，得到分割图像，通过标准概率模型，神经网络可以很好地学习带有噪声的病灶特征，并将其与输入图像特征融合，本申请构建了一个编解码器模块，让神经网络学习分割新冠病灶区域的能力，优化了损失函数，使模型更容易收敛。
一种肺炎医学图像分割方法

[发明专利]基于深度学习方法的ICC病理分化程度预测方法-CN202310794200.8在审
发明人： 龚海刚;王晓敏;刘明辉;夏文涛;刘念伯;刘明 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-06-30 - 公布日： 2023-09-22 - 主分类号： G16H50/30 文献下载
摘要：本发明公开了基于深度学习方法的ICC病理分化程度预测方法，涉及计算机技术领域，包括S1获取训练数据集；S2训练数据集导入ResNet‑50网络，训练优化获得病理分化程度预测模型；S3获取待预测患者的待预测数据集；S5病理分化程度预测模型对待预测数据集进行预测分析，得到分析结果；S6根据所有的分析结果输出预测结果；通过对患者的CT图像进行分析，得到最后的预测结果作为预测患者的病理分化程度，区别于传统的组织学活检当时，本方法无需侵入患者身体，避免给患者带来生理上的痛苦，而且本方法可以获取病灶情况的时效性强，以便于指导术前治疗方案的制定，选择最佳的治疗方案，以达到最好的治疗效果；亦可以用于患者的预后，了解治疗的效果。
基于深度学习方法 icc 病理分化程度预测方法

[发明专利]一种基于深度学习的单阶段实例分割方法-CN202310682616.0在审
发明人：吴磊;成磊;王晓敏;龚海刚;刘明 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-06-09 - 公布日： 2023-09-12 - 主分类号： G06T7/13 文献下载
摘要：本发明公开了一种基于深度学习的单阶段实例分割方法，本申请通过传统的边缘检测算子提取到每个实例的边缘信息，从而让网络在训练学习的过程中显示的监督对实例轮廓的学习，边缘信息的融入不仅提升了实例掩码的分割精度，而且融入边缘信息后的算法在分割掩码边缘处的表现更精细，并且本申请通过原型掩码分组后再融合的方法，将原型掩码的融合过程从一次增加为两次，两次融合的方式不仅提升了实例掩码的分割效果而且增加了整个算法的泛化能力。
一种基于深度学习阶段实例分割方法

[发明专利]肝胆管细胞癌术后的复发情况预测方法-CN202310743593.X在审
发明人：刘明辉;王晓敏;范世晓;刘念伯;龚海刚;程旋;刘明 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-06-21 - 公布日： 2023-09-12 - 主分类号： G16H50/30 文献下载
摘要：本发明公开了肝胆管细胞癌术后的复发情况预测方法，涉及计算机技术领域，包括S1构建复发情况预测模型，复发情况预测模型包括图像分割模块、指标数据分析模块和预测分析模块；S2获取训练数据集，训练数据包括CT图像和病例指标；S3训练数据集导入复发情况预测模型，并对其进行训练优化；S4获取待预测数据；S5利用优化后的复发情况预测模型对待预测数据进行分析得到，肝胆管细胞癌术后的复发情况；除了对CT图像进行充分利用外，本方法还将病例所对应的指标数据与其图像数据进行了融合使用，以补充CT图像无法表达的信息。通过不断地优化训练，最终得到了具有良好性能的术后复发情况预测模型。
肝胆细胞术后复发情况预测方法

[发明专利]基于图神经网络会话推荐系统的用户偏好预测方法-CN202310719597.4在审
发明人：吴磊;唐超;龚海刚;刘明;王晓敏 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-06-16 - 公布日： 2023-09-01 - 主分类号： G06F16/9032 文献下载
摘要：本发明公开了基于图神经网络会话推荐系统的用户偏好预测方法，涉及人工智能技术领域，包括：S1获取训练数据集；S2、预处理训练数据集得会话序列；S3构建偏好预测模型；S4会话序列导入到偏好预测模型，并训练优化；S5获取待预测的用户数据，预处理得待预测的会话序列；S6、待预测的会话序列导入优化的偏好预测模型得预测结果；在构建会话图时给每个物品节点添加自环并将边的关系，增加邻接矩阵的信息，解决矩阵稀疏问题，采用多通道图神经网络来提取会话的局部兴趣特征，高效利用会话图中的信息，然后引入多层自注意力网络来提取会话的全局兴趣特征，通过会话实现精准有效的偏好预测。
基于神经网络会话推荐系统用户偏好预测方法

[发明专利]基于深度学习构建肾透明细胞癌分级模型的方法-CN202310642810.6在审
发明人：刘明辉;王晓敏;范世晓;刘念伯;龚海刚;程旋;刘明 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-06-01 - 公布日： 2023-08-29 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了基于深度学习构建肾透明细胞癌分级模型的方法，包括获取肾透明癌细胞患者的CT图像；CT图像进行切割，获得切割图像；对切割图像进行旋转生成操作并标注，基于RegNetY400MF、RegNetY800MF、SE‑ResNet50和ResNet101四类网络模型，以普通交叉熵为损失函数，使用旋转后的切割图像对四类网络模型进行预训练；在普通的交叉熵中加入噪声修正策略作为损失函数，对经过预训练的四类网络模型进行实际训练；实际训练完成后的四类网络模型基于输出概率最大的CT图像对患者的病理进行诊断，获得四类网络模型的表现AUC；以四类网络模型的表现AUC作为其权重，对患者的最终诊断进行加权计算，得到其最终诊断，本申请实现了更有效的模型集成，达到了更好的最终预测准确度。
基于深度学习构建透明细胞分级模型方法

[发明专利]一种用于移动边缘云计算中资源分配的方法-CN202310453898.7在审
发明人：刘念伯;许宏柳;刘明;龚海刚;王晓敏;刘明辉 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2023-04-25 - 公布日： 2023-07-25 - 主分类号： H04W28/084 文献下载
摘要：本发明公开了一种用于移动边缘云计算中资源分配的方法，该方法基于两级串联队列系统，利用强化学习算法深度确定性策略梯度来学习最优的计算资源分配策略，通过使用门控循环单元来捕捉两个处理队列之间的关联关系，同时考虑了移动边缘云计算网络的复杂动态性，且不限制计算任务迁移请求的到达时间满足特定的分布，因此，本发明提出的移动边缘云计算网络资源分配方法，在强化学习训练完成后，能够自动地根据请求的到达和资源变化来分配合理的计算资源以满足端到端延迟的需求，这对于实现在端设备运行复杂的应用程序并节省计算资源至关重要。
一种用于移动边缘计算资源分配方法

[发明专利]一种用于肝癌患者PD-1和PD-L1表达的无创预测方法-CN202310130457.3在审
发明人：徐礼锋;张峰;解天舒;刘明;龚海刚 -专利权人：衢州市人民医院
申请日： 2023-02-17 - 公布日： 2023-06-23 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种用于肝癌患者PD‑1和PD‑L1表达的无创预测方法，包括：利用自监督对比学习帮助模型提取肝癌患者CT图像中的PD‑1和PD‑L1表达的深层表示，使用补丁洗牌增强模型学习CT图像中PD‑1和PD‑L1表达本地局部特征的能力，引入未标记的训练图像用于自我监督训练；将肝癌患者的CT图像输入预测模型中，通过迁移学习策略同时获得其PD‑1和PD‑L1表达的概率，选择所有图像中概率高的前k个图像，计算其平均值作为最终概率。本发明通过自监督对比学习策略来提高深度学习模型提取CT图像深层表示的能力，引入了补丁洗牌的数据增强方法，以丰富训练CT图像的特征模式，增强模型的局部特征表示的提取能力。
一种用于肝癌患者 pd l1 表达预测方法

[发明专利]一种丰富数据模式的数据增强方法-CN202211492454.6在审
发明人：王晓敏;卢辉;解天舒;程旋;刘明辉;龚海刚;吴磊;刘明 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2022-11-25 - 公布日： 2023-05-09 - 主分类号： G06V10/774 文献下载
摘要：本发明涉及一种丰富数据模式的数据增强方法，包括：将每个样本图像框选一个与样本图像大小一样的图像框，将样本图像朝图像框某一个方向移动，且移动的距离小于移动方向上样本图像的长度；将移出图像框外的图像信息作为填充部分重新填充会完成图像移动步骤后图像框中的空白区域，与图像框内的图像信息构成跟原始样本图像大小相同的新样本图像，实现样本数据的增强。本发明通过简单有效地操作，产生新的训练样本，可以在已有的数据增强方法上无缝叠加，能在已有的数据增强方法产生的样本基础上，生成更多的新的训练样本，而更多的训练样本意味着训练数据集具有更为丰富的数据模式，从而提高网络模型的性能，以及网络模型的鲁棒性和泛化性。
一种丰富数据模式增强方法

[发明专利]一种基于潜层表征的主动学习样本标注方法-CN202211599181.5在审
发明人： 龚海刚;孙怡忻;吴磊;刘明;王晓敏;刘明辉;解天舒;程旋 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2022-12-12 - 公布日： 2023-04-07 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种基于潜层表征的主动学习样本标注方法，述样本标注方法包括：S1、特征提取步骤：通过自动编码器模拟从病理图像中提取潜层的表征；S2、判别步骤：将病理图像作为判别器D的输入，训练一个二分类模型，通过判别器D区分有标签和无标签的样本数据集，得到概率值；S3、样本标注步骤：设置样本选择策略ALHS，根据判别器的输出概率值分布通过样本选择策略ALHS选择未标注的样本进行标注，实现病理数据集的自动标注。本发明能够极大减轻病理学家标注数据集的沉重负担，能够缓解样本冗余问题，提高样本选择的质量；能够极大地节省样本标注成本；通用性强，能适用于类不平衡和噪声样本的场合。
一种基于表征主动学习样本标注方法

[发明专利]基于强化学习的检测模型训练方法及相关装置-CN202210625588.4在审
发明人：杜鸿飞;陈思颖;刘明;王晓敏;龚海刚;程旋;刘明辉;解天舒;邓佳丽 -专利权人：电子科技大学
申请日： 2022-06-02 - 公布日： 2022-10-25 - 主分类号： G06V10/774 文献下载
摘要：本申请提供的基于强化学习的检测模型训练方法及相关装置中，模型训练设备利用强化学习的思想，基于当前构建策略为多个初始模型构建不同的损失函数，用于训练出多个候选模型；然后，从多个候选模型中确定出训练效果最好的作为目标模型；并根据目标模型对病灶的识别精度更新构建策略；以及将目标模型复制多份作为下一轮迭代周期的多个初始模型。如此，经过至少一轮的迭代，获得满足预设条件的病灶检测模型。因此，在以上训练过程中，自动最优地选择损失函数，从而能够避免人为选择损失函数所引入的主观影响，从而在一定程度上提升所训练病灶检测模型的泛化能力。
基于强化学习检测模型训练方法相关装置

[发明专利]人工智能的数据处理方法及装置-CN202210692440.2在审
发明人： 龚海刚 -专利权人：上海铂英飞信息技术有限公司
申请日： 2022-06-17 - 公布日： 2022-09-27 - 主分类号： G06F21/62 文献下载
摘要：本公开实施例用于人工智能的数据处理方法及装置，其中方法包括当人工智能应用被触发数据处理请求后，用户端设备获取待处理的数据，其中，所述用户端设备包括用户终端、和/或预设服务器；用户端设备通过第一模型对所述待处理数据处理，得到降维后的数据；将所述降维后的数据发送至部署所述智能应用的服务端，以使服务端对通过第二模型该降维后的数据进行预设处理后输出。通过将人工智能模型的不同网络结构层部署在不同位置，保证了用户数据的安全性，以及保证了人工智能程序的安全性，克服了相关技术中用户隐私数据无法保证使用安全性，无法保证人工智能应用程序的安全性等。
人工智能数据处理方法装置

[发明专利]图像生成模型训练方法、图像生成方法及相关装置-CN202210625806.4在审
发明人：杜鸿飞;邓攀;刘明;王晓敏;龚海刚;刘明辉;程旋;邓佳丽;解天舒 -专利权人：电子科技大学
申请日： 2022-06-02 - 公布日： 2022-09-06 - 主分类号： G06V10/774 文献下载
摘要：本发明的提供图像生成模型训练方法、图像生成方法及相关装置，方法包括：获取随机噪声样本和图像样本；根据随机噪声样本和图像样本，对初始的生成对抗网络进行迭代训练，直到预构建的损失函数达到设定条件，将训练后的生成对抗网络作为图像生成模型；其中，损失函数是基于随机噪声样本得到的生成图像之间的距离信息、生成图像和图像样本的判别信息以及预设参数信息构建的；迭代训练用于降低生成图像之间的相似度。针对相似度很高的噪声，本发明可以得到不同的生成图像，拉大生成图像对应的分布模式之间的距离，从而可以解决模式崩溃问题。
图像生成模型训练方法相关装置

[发明专利]一种基于生成对抗网络的两阶段图像生成方法-CN202210623258.1在审
发明人： 龚海刚;刘明;邓攀;王晓敏;刘明辉 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2022-06-01 - 公布日： 2022-08-30 - 主分类号： G06T11/00 文献下载
摘要：本发明涉及一种基于生成对抗网络的两阶段图像生成方法，包括：图像特征生成步骤：通过残差网络捕获输入图像的特征，训练一个特征生成网络，使用GAN拟合图像经过捕获网络后的特征进而得到特征生成器，并通过判别器区分图像经过捕获网络的特征和特征生成器生成的特征；图像生成步骤：固定图像特征生成步骤训练得到的特征生成器的参数，加入到新的图像生成网络，让随机噪声先经过特征生成器，然后将输出传入到图像生成器中得到最终生成的图像。本发明在阶段一先通过一个生成网络学习图像的特征，然后在阶段二通过对抗网络生成图像。相比于传统的GAN优化方法，能够降低GAN的训练难度、提高生成模式的多样性、提升图像生成质量。
一种基于生成对抗网络阶段图像方法

[发明专利]图像分类模型训练方法、图像分类方法、电子设备和存储介质-CN202210625461.2在审
发明人：解天舒;杨宇航;刘明;王晓敏;龚海刚;程旋;刘明辉;邓佳丽 -专利权人：电子科技大学长三角研究院（衢州）
申请日： 2022-06-02 - 公布日： 2022-08-30 - 主分类号： G06V10/44 文献下载
摘要：本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质，涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本，将图像样本输入至图像分类模型，在图像分类模型中的任意一层卷积层中，从图像样本中提取出多张具有不同通道的特征图像。其中，不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签，以及该图像样本已标注的类型标签，计算得到图像分类模型的损失值，基于该损失值调整图像分类模型的参数。重复执行上述步骤，以使可以达到预期训练目标。如此，由于没有增加输入图像分类模型的图像样本的数量，使得每次模型训练耗费的时间更少。
图像分类模型训练方法电子设备存储介质

1
2
3
下一页»
尾页
共 40 条