CN111325231A - 神经网络模型融合方法及应用其的电子装置 - Google Patents

神经网络模型融合方法及应用其的电子装置 Download PDF

Info

Publication number
CN111325231A
CN111325231A CN201811577292.XA CN201811577292A CN111325231A CN 111325231 A CN111325231 A CN 111325231A CN 201811577292 A CN201811577292 A CN 201811577292A CN 111325231 A CN111325231 A CN 111325231A
Authority
CN
China
Prior art keywords
model
neural network
probability matrix
matrix
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811577292.XA
Other languages
English (en)
Other versions
CN111325231B (zh
Inventor
周嘉政
邓名杉
林轩毅
李雅文
张世芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN111325231A publication Critical patent/CN111325231A/zh
Application granted granted Critical
Publication of CN111325231B publication Critical patent/CN111325231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种神经网络模型融合方法及应用其的电子装置。神经网络模型融合方法包括以下步骤：接收一影像。通过多个神经网络模型，对影像进行分析。这些神经网络模型包含一程度分级模型、一多分类辨识模型及一物件侦测模型的至少其中两个。依据这些神经网络模型获得多个分析结果。转换这些分析结果为多笔转换数据。将这些转换数据输入一融合模型，以获得一融合结果。

Description

神经网络模型融合方法及应用其的电子装置
技术领域
本发明有关于一种神经网络模型融合方法及应用其的电子装置。
背景技术
影像辨识技术的应用层面相当广泛，尤其在医疗影像的病征判读、信息安全控管、犯罪侦查等应用，更是需要高精准度的影像辨识技术。
以医疗影像的病征判读为例，目前仅采用严重程度分级模型来进行医疗影像的判读，常常无法获得足够高的准确度。如果能够提高影像辨识技术的精准度，对于病患将会产生相当大的贡献。因此，医学界与工程界研究人员均致力此方面的研究。
发明内容
本发明有关于一种神经网络模型融合方法及应用其的电子装置。
根据本发明的一实施例，提出一种神经网络模型融合方法。神经网络模型融合方法包括以下步骤：接收一影像。通过多个神经网络模型，对影像进行分析。这些神经网络模型包含一程度分级模型、一多分类辨识模型及一物件侦测模型的至少其中两个。依据这些神经网络模型获得多个分析结果。转换这些分析结果为多笔转换数据。将这些转换数据输入一融合模型，以获得一融合结果。
根据本发明的另一实施例，提出一种电子装置。电子装置包括一处理器。处理器用以执行一神经网络模型融合方法。神经网络模型融合方法包括以下步骤：接收一影像。通过多个神经网络模型，对影像进行分析。这些神经网络模型包含一程度分级模型、一多分类辨识模型及一物件侦测模型的至少其中两个。依据这些神经网络模型获得多个分析结果。转换这些分析结果为多笔转换数据。将这些转换数据输入一融合模型，以获得一融合结果。
为了对本发明的上述及其他方面有更好的了解，下文特列举实施例，并配合所附附图详细说明如下：
附图说明
图1绘示根据一实施例的神经网络模型融合方法的实施架构。
图2A～2E示例说明分配机率矩阵。
图3A～3E示例说明个别机率矩阵。
图4A～4D示例说明个别范围描述矩阵。
图5绘示根据一实施例的神经网络模型融合方法的流程图。
图6绘示根据一实施例的电子装置的示意图。
图7绘示根据另一实施例的神经网络模型融合方法的实施架构。
图8绘示根据另一实施例的神经网络模型融合方法的实施架构。
图9绘示根据另一实施例的神经网络模型融合方法的实施架构。
【附图标记】
100：电子装置
110：传输接口
120：处理器
121：推论模块
122：决定模块
130：储存装置
AR：分析结果
B0：影像区块
L：病征
L0、L1、L2、L3、L4：程度
H：出血
HE：硬渗出物
MA：微血管瘤
MD1：程度分级模型
MD2：多分类辨识模型
MD3：物件侦测模型
ML：融合模型
MX11：分配机率矩阵
MX12：加权机率矩阵
MX21：个别机率矩阵
MX22：分配机率矩阵
MX31：个别范围描述矩阵
MX32：全体物件范围描述矩阵
NEO：新生血管
P0、P10、P11、P12、P13、P14：影像
RS1、RS2、RS3、RS4：融合结果
SE：软渗出物
S110、S120、S130、S140、S150、S160、S170：步骤
TD：转换数据
具体实施方式
以下公开各种实施例的神经网络模型融合方法，其通过机器学习的方式融合不同任务目标的神经网络模型，例如程度分级模型(例如用以分析病变严重程度分级结果)、多分类辨识模型(例如用以分析病征种类等多病征辨识结果)或物件侦测模型(例如用以分析病征范围等病征侦测结果)，使得影像辨识的效能能够有效提升。尤其是在医疗影像的判读上，本发明的神经网络模型融合方法能够有效提升病变严重程度的分级以及病征判读的准确性。
请参照图1，其绘示根据一实施例的神经网络模型融合方法的实施架构。在影像P0经过切割程序(crop)后，切割成多个影像区块B0。影像P0例如是医疗影像、人脸影像、监视器影像等，本发明不以此为限。三个神经网络模型包括程度分级模型MD1、多分类辨识模型MD2、及物件侦测模型MD3。程度分级模型MD1、多分类辨识模型MD2、及物件侦测模型MD3对影像区块B0进行分析获得分析结果AR(例如分别是病变严重程度分级结果、多病征辨识结果、及病征侦测结果)，并在转换为转换数据TD后，通过机器学习的融合模型ML获得融合结果RS1。
详细来说，程度分级模型MD1分析影像P0的影像区块B0所获得的分析结果AR为多个程度L0～L4的一分配机率矩阵MX11，本发明不以此为限。举例来说，请参照图2A～2E及表1，图2A～2E示例说明分配机率矩阵MX11，表1整理影像P10～P14的分配机率矩阵MX11。程度L0～L4的数量并非用以局限本发明的范围。程度L0～L4所考虑的因素可以不仅仅是病征的数量，也有可能包含病征的大小、病征的类型、病征分散程度、病征的颜色等等，本发明不以此为限。程度L0～L4所对应的数值为其分配机率值，其总和为1。分配机率矩阵MX11的元素的数值越高，代表越有可能被归类为该程度。分配机率矩阵MX11的元素中的最大值所对应的程度，即代表归类后的程度。
表1
Figure BDA0001915998550000041
如图2A所示，没有病征L的影像P10的分配机率矩阵MX11为[L0，L1，L2，L3，L4]＝[0.9，0.1，0.0，0.0，0.0]，程度L0的机率最高，而被归类为程度L0。
如图2B所示，含有1个病征L的影像P11的分配机率矩阵MX11为[L0，L1，L2，L3，L4]＝[0.1，0.8，0.1，0.0，0.0]，程度L1的机率最高，而被归类为程度L1。
如图2C所示，含有2个病征L的影像P12的分配机率矩阵MX11为[L0，L1，L2，L3，L4]＝[0.0，0.1，0.8，0.1，0.0]，程度L2的机率最高，而被归类为程度L2。
如图2D所示，含有3个病征L的影像P13的分配机率矩阵MX11为[L0，L1，L2，L3，L4]＝[0.0，0.0，0.1，0.8，0.1]，程度L3的机率最高，而被归类为程度L3。
如图2E所示，含有5个病征L的影像P14的分配机率矩阵MX11为[L0，L1，L2，L3，L4]＝[0.0，0.0，0.0，0.1，0.9]，程度L4的机率最高，而被归类为程度L4。
如图1所示，多分类辨识模型MD2分析影像P0的影像区块B0所获得的分析结果AR为微血管瘤MA、出血H、硬渗出物HE、软渗出物SE及新生血管NEO的至少一个别机率矩阵MX21，本发明不以此为限。
举例来说，请参照图3A～3E及表2，图3A～3E示例说明个别机率矩阵MX21，表2整理影像P10～P14的个别机率矩阵MX21。在个别机率矩阵MX21中，微血管瘤MA、出血H、硬渗出物HE、软渗出物SE及新生血管NEO所对应的数值为其个别机率值，各个个别机率值为0.0～1.0的数值。个别机率值越高，代表越有可能含有该病征。
表2
Figure BDA0001915998550000051
如图3A所示，没有任何病征的影像P10的个别机率矩阵MX21为[MA，H，HE，SE，NEO]＝[0.0，0.0，0.0，0.0，0.0]。
如图3B所示，含有微血管瘤MA的影像P11的个别机率矩阵MX21为[MA，H，HE，SE，NEO]＝[0.8，0.0，0.0，0.0，0.0]。
如图3C所示，含有微血管瘤MA及出血H的影像P12的个别机率矩阵MX21为[MA，H，HE，SE，NEO]＝[0.8，0.9，0.0，0.0，0.0]。
如图3D所示，含有微血管瘤MA、出血H及硬渗出物HE的影像P13的个别机率矩阵MX21为[MA，H，HE，SE，NEO]＝[0.8，0.9，0.8，0.0，0.0]。
如图3E所示，含有微血管瘤MA、出血H、硬渗出物HE、软渗出物SE及新生血管NEO的影像P14的个别机率矩阵MX21为[MA，H，HE，SE，NEO]＝[0.8，0.9，0.8，0.8，0.8]。
如图1所示，物件侦测模型MD3分析影像P0的影像区块B0所获得的分析结果AR为微血管瘤MA、出血H、硬渗出物HE、软渗出物SE及新生血管NEO的影像P14等物件的个别范围描述矩阵MX31。举例来说，请参照图4A～4D及表3，图4A～4D示例说明个别范围描述矩阵MX31，表3整理影像P11～P14的个别范围描述矩阵MX31。个别范围描述矩阵MX31中，LC为病征类型、X为范围起点横轴座标、Y为范围起点纵轴座标、W为范围宽度、H为范围高度，C为信心度，本发明不以此为限。座标以左上角为原点(0，0)，沿横轴往右为正，沿纵轴往下为正。
表3
Figure BDA0001915998550000061
如图4A所示，含有微血管瘤MA的影像P11的个别范围描述矩阵MX31为[LC，X，Y，W，H，C]…＝[0，5，5，2，2，0.90]。
如图4B所示，含有微血管瘤MA及出血H的影像P12的个别范围描述矩阵MX31为[LC，X，Y，W，H，C]…＝[0，5，5，2，2，0.90]，[1，9，9，3，3，0.92]。
如图4C所示，含有微血管瘤MA、出血H及硬渗出物HE的影像P13的个别范围描述矩阵MX31为[LC，X，Y，W，H，C]…＝[0，5，5，2，2，0.90]，[1，9，9，3，3，0.92]，[2，4，10，2，2，0.8]。
如图4D所示，含有微血管瘤MA、出血H、硬渗出物HE、软渗出物SE及新生血管NEO的影像P14的个别范围描述矩阵MX31为[LC，X，Y，W，H，C]…＝[0，5，5，2，2，0.90]，[1，9，9，3，3，0.92]，[2，4，10，2，2，0.8]，[3，14，8，3，3，0.8]，[4，13，12，2，2，0.9]。
上述程度分级模型MD1、多分类辨识模型MD2及物件侦测模型MD3针对影像P0进行不同的分析，以获得不同的分析结果AR。本发明的神经网络模型融合方法能够融合上述程度分级模型MD1、多分类辨识模型MD2及物件侦测模型MD3，以有效提升判读的准确性。举例来说，经实验数据发现单独采用程度分级模型MD1，其所获得的分析结果AR为程度L1。但同时采用程度分级模型MD1、多分类辨识模型MD2及物件侦测模型MD3时，最终所获得的融合结果RS1改变为程度L2，而程度L2才为正确的结果，有效提升了判读的准确性。
请参照图5及图6，图5绘示根据一实施例的神经网络模型融合方法的流程图，图6绘示根据一实施例的电子装置的示意图。电子装置100例如是一个人电脑、一平板电脑、一笔记型电脑或一服务器等，不以此为限。电子装置100包括一传输接口110、一处理器120及一储存装置130。传输接口110例如是一有线网络模块或一无线网络模块等，不以此为限。储存装置130例如是一硬盘、或一存储器。处理器120例如是一中央处理器、或一图形处理器等，不以此为限。处理器120包括一推论模块121及一决定模块122。神经网络模型融合方法可以通过图6的电子装置100的处理器120来执行。
在步骤S110中，提供影像P0。影像P0例如是通过网络900传递至传输接口110。
接着，在步骤S120中，推论模块121判断影像P0的尺寸是否小于一预定尺寸。若影像P0的尺寸小于预定尺寸，则流程进入步骤S130。
在步骤S130中，推论模块121调整影像P0的尺寸，以使影像P0的尺寸符合预定尺寸。
在步骤S140中，推论模块121通过程度分级模型MD1、多分类辨识模型MD2及物件侦测模型MD3，对影像P0进行分析。步骤S140例如是包括：推论模块121通过程度分级模型MD1对影像P0进行分析；推论模块121通过多分类辨识模型MD2对影像P0进行分析；推论模块121通过物件侦测模型MD3对影像P0进行分析。
接着，在步骤S150中，推论模块121依据程度分级模型MD1、多分类辨识模型MD2及物件侦测模型MD3获得多个分析结果AR。
然后，在步骤S160中，决定模块122转换这些分析结果AR为多笔转换数据TD。举例来说，请参照表4，程度分级模型MD1的分析结果AR为分配机率矩阵MX11。分配机率矩阵MX11与一权重矩阵进行一元素积运算(Hadamard product，element-wise product or point-wise product)(权重矩阵例如为[1，2，3，4，5]，但非用以局限本发明的范围)，而转换为一加权机率矩阵MX12，以作为程度分级模型MD11的转换数据TD。分配机率矩阵MX11与权重矩阵所进行的元素积运算为分配机率矩阵MX11与权重矩阵的对应元素相乘。权重矩阵可以适当地强调出各个程度L0～L4的重要性，依照经验，对于不同的应用来强调权重矩阵的内容，以因应不同的使用情境。
表4
Figure BDA0001915998550000081
表4
请参照表5，多分类辨识模型MD2的分析结果AR为个别机率矩阵MX21。个别机率矩阵MX21通过一转换模型或一对应表而转换为程度L0～L4的一分配机率矩阵MX22，以作为多分类辨识模型MD2的转换数据TD。多分类辨识模型MD2的分配机率矩阵MX22的程度L0～L4的数量为5，程度分级模型MD1的分配机率矩阵MX11的程度L0～L4的数量也为5，两者相同。
表5
Figure BDA0001915998550000091
请参照表6，物件侦测模型MD3的分析结果AR为个别范围描述矩阵MX31。个别范围描述矩阵MX31转换为微血管瘤MA、出血H、硬渗出物HE、软渗出物SE及新生血管NEO等物件的一全体物件范围描述矩阵MX32。在全体物件范围描述矩阵MX32中，A为物件面积，N为物件数量。
表6
Figure BDA0001915998550000092
接着，在步骤S170中，决定模块122将这些转换数据TD输入融合模型ML，以获得融合结果RS1。
如上所述，程度分级模型MD1、多分类辨识模型MD2及物件侦测模型MD3的分析结果AR可以经由机器学习的方式进行融合而获得融合结果RS1。融合结果RS1结合了不同目的的神经网络模型的优点，使得影像辨识的效能能够有效提升。尤其是在医疗影像的判读上，本发明的神经网络模型融合方法能够有效提升病征判读的准确性。
除了上述实施例以外，本发明的神经网络模型融合方法也可以应用于不同的模型组合。举例来说，请参照图7，其绘示根据另一实施例的神经网络模型融合方法的实施架构。本发明的神经网络模型融合方法也可以应用于程度分级模型MD1与多分类辨识模型MD2的融合，以获得融合结果RS2。请参照图8，其绘示根据另一实施例的神经网络模型融合方法的实施架构。本发明的神经网络模型融合方法也可以应用于程度分级模型MD1与物件侦测模型MD3的融合，以获得融合结果RS3。请参照图9，其绘示根据另一实施例的神经网络模型融合方法的实施架构。本发明的神经网络模型融合方法也可以应用于多分类辨识模型MD2与物件侦测模型MD3的融合，以获得融合结果RS4。
综上所述，虽然本发明已以实施例发明如上，然其并非用以限定本发明。本发明的本领域普通技术人员在不脱离本发明的精神和范围的情况下，当可作各种的更动与润饰。因此，本发明的保护范围当视后附的申请专利权利要求保护范围所界定的范围为准。

Claims (20)

1.一种神经网络模型融合方法，其特征在于该神经网络模型融合方法包括：
接收影像；
通过多个神经网络模型，对该影像进行分析，这些神经网络模型包含程度分级模型、多分类辨识模型及物件侦测模型的至少其中两个；
依据这些神经网络模型获得多个分析结果；
转换这些分析结果为多笔转换数据；以及
将这些转换数据输入融合模型，以获得融合结果。
2.如权利要求1所述的神经网络模型融合方法，其中这些神经网络模型包括该程度分级模型，该程度分级模型的该分析结果为多个程度的分配机率矩阵，该分配机率矩阵具有多个分配机率值，这些分配机率值的总和为1，该分配机率矩阵与权重矩阵进行元素积运而转换为加权机率矩阵，以作为该程度分级模型的该转换数据。
3.如权利要求2所述的神经网络模型融合方法，其中该程度分级模型的该分析结果为病变严重程度分级结果。
4.如权利要求2所述的神经网络模型融合方法，其中这些神经网络模型包含该多分类辨识模型，该多分类辨识模型的该分析结果为多个分类的个别机率矩阵，该个别机率矩阵具有多个个别机率值，各该个别机率值为0.0～1.0的数值，该个别机率矩阵通过转换模型而转换为多个程度的分配机率矩阵，以作为该多分类辨识模型的该转换数据。
5.如权利要求4所述的神经网络模型融合方法，其中该多分类辨识模型的该分配机率矩阵的这些程度的数量相同于该程度分级模型的该分配机率矩阵的这些程度的数量。
6.如权利要求2所述的神经网络模型融合方法，其中该多分类辨识模型的该分析结果为多病征辨识结果。
7.如权利要求2所述的神经网络模型融合方法，其中这些神经网络模型包含该多分类辨识模型，该多分类辨识模型的该分析结果为多个分类的个别机率矩阵，该个别机率矩阵通过对应表而转换为多个程度的分配机率矩阵，以作为该多分类辨识模型的该转换数据。
8.如权利要求7所述的神经网络模型融合方法，其中该多分类辨识模型的该分配机率矩阵的这些程度的数量相同于该程度分级模型的该分配机率矩阵的这些程度的数量。
9.如权利要求1所述的神经网络模型融合方法，其中这些神经网络模型包含该物件侦测模型，该物件侦测模型的该分析结果为多个物件的至少一个别范围描述矩阵，该至少一个别范围描述矩阵转换为这些物件的全体物件范围描述矩阵，以作为该物件侦测模型的该转换数据。
10.如权利要求9所述的神经网络模型融合方法，其中该物件侦测模型的该分析结果为病征侦测结果。
11.一种电子装置，其特征在于该电子装置包括：
处理器，用以执行神经网络模型融合方法，该神经网络模型融合方法包括：
接收影像；
通过多个神经网络模型，对该影像进行分析，这些神经网络模型包含程度分级模型、多分类辨识模型及物件侦测模型的至少其中两个；
依据这些神经网络模型获得多个分析结果；
转换这些分析结果为多笔转换数据；以及
将这些转换数据输入融合模型，以获得融合结果。
12.如权利要求11所述的电子装置，其中这些神经网络模型包括该程度分级模型，该程度分级模型的该分析结果为多个程度的分配机率矩阵，该分配机率矩阵具有多个分配机率值，这些分配机率值的总和为1，该分配机率矩阵与权重矩阵进行元素积运算而转换为加权机率矩阵，以作为该程度分级模型的该转换数据。
13.如权利要求12所述的电子装置，其中该程度分级模型的该分析结果为病变严重程度分级结果。
14.如权利要求12所述的电子装置，其中这些神经网络模型包含该多分类辨识模型，该多分类辨识模型的该分析结果为多个分类的个别机率矩阵，该个别机率矩阵具有多个个别机率值，各该个别机率值为0.0～1.0的数值，该个别机率矩阵通过转换模型而转换为多个程度的分配机率矩阵，以作为该多分类辨识模型的该转换数据。
15.如权利要求14所述的电子装置，其中该多分类辨识模型的该分配机率矩阵的这些程度的数量相同于该程度分级模型的该分配机率矩阵的这些程度的数量。
16.如权利要求12所述的电子装置，其中该多分类辨识模型的该分析结果为多病征辨识结果。
17.如权利要求12所述的电子装置，其中这些神经网络模型包含该多分类辨识模型，该多分类辨识模型的该分析结果为多个分类的个别机率矩阵，该个别机率矩阵通过对应表而转换为多个程度的分配机率矩阵，以作为该多分类辨识模型的该转换数据。
18.如权利要求17所述的电子装置，其中该多分类辨识模型的该分配机率矩阵的这些程度的数量相同于该程度分级模型的该分配机率矩阵的这些程度的数量。
19.如权利要求11所述的电子装置，其中这些神经网络模型包含该物件侦测模型，该物件侦测模型的该分析结果为多个物件的至少一个别范围描述矩阵，该至少一个别范围描述矩阵转换为这些物件的全体物件范围描述矩阵，以作为该物件侦测模型的该转换数据。
20.如权利要求12所述的电子装置，其中该物件侦测模型的该分析结果为病征侦测结果。
CN201811577292.XA 2018-12-14 2018-12-21 神经网络模型融合方法及应用其的电子装置 Active CN111325231B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW107145180 2018-12-14
TW107145180A TWI727237B (zh) 2018-12-14 2018-12-14 神經網路模型融合方法及應用其之電子裝置

Publications (2)

Publication Number Publication Date
CN111325231A true CN111325231A (zh) 2020-06-23
CN111325231B CN111325231B (zh) 2023-08-15

Family

ID=71168493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811577292.XA Active CN111325231B (zh) 2018-12-14 2018-12-21 神经网络模型融合方法及应用其的电子装置

Country Status (2)

Country Link
CN (1) CN111325231B (zh)
TW (1) TWI727237B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578783A (zh) * 2022-11-09 2023-01-06 北京鹰瞳科技发展股份有限公司 基于眼部图像进行眼部疾病识别的装置、方法及相关产品

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2624910A (en) * 2022-11-30 2024-06-05 Ocado Innovation Ltd Detecting an identification marker on a picking station

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW514513B (en) * 1996-02-06 2002-12-21 Deus Technologies Inc Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network
CN102855640A (zh) * 2012-08-10 2013-01-02 上海电机学院 基于神经网络的水果等级分类系统
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
EP3273387A1 (en) * 2016-07-19 2018-01-24 Siemens Healthcare GmbH Medical image segmentation with a multi-task neural network system
CN107967688A (zh) * 2017-12-21 2018-04-27 联想(北京)有限公司 对图像中的对象进行分割的方法及系统
CN108090429A (zh) * 2017-12-08 2018-05-29 浙江捷尚视觉科技股份有限公司 一种分级前脸卡口车型识别方法
CN108319968A (zh) * 2017-12-27 2018-07-24 中国农业大学 一种基于模型融合的果蔬图像分类识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWM527991U (zh) * 2016-01-28 2016-09-01 太豪生醫股份有限公司 醫療影像處理裝置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW514513B (en) * 1996-02-06 2002-12-21 Deus Technologies Inc Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network
CN102855640A (zh) * 2012-08-10 2013-01-02 上海电机学院 基于神经网络的水果等级分类系统
EP3273387A1 (en) * 2016-07-19 2018-01-24 Siemens Healthcare GmbH Medical image segmentation with a multi-task neural network system
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
CN108090429A (zh) * 2017-12-08 2018-05-29 浙江捷尚视觉科技股份有限公司 一种分级前脸卡口车型识别方法
CN107967688A (zh) * 2017-12-21 2018-04-27 联想(北京)有限公司 对图像中的对象进行分割的方法及系统
CN108319968A (zh) * 2017-12-27 2018-07-24 中国农业大学 一种基于模型融合的果蔬图像分类识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578783A (zh) * 2022-11-09 2023-01-06 北京鹰瞳科技发展股份有限公司 基于眼部图像进行眼部疾病识别的装置、方法及相关产品
CN115578783B (zh) * 2022-11-09 2023-10-31 北京鹰瞳科技发展股份有限公司 基于眼部图像进行眼部疾病识别的装置、方法及相关产品

Also Published As

Publication number Publication date
TW202022796A (zh) 2020-06-16
TWI727237B (zh) 2021-05-11
CN111325231B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
US10963757B2 (en) Neural network model fusion method and electronic device using the same
EP3779774B1 (en) Training method for image semantic segmentation model and server
EP3989109A1 (en) Image identification method and device, identification model training method and device, and storage medium
CN109829506B (zh) 图像处理方法、装置、电子设备和计算机存储介质
CN111524106A (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN106296681B (zh) 基于双通道低秩分解的协同学习显著性检测方法
EP3425528A1 (en) Service parameter selection method and related device
US20190080235A1 (en) Method and apparatus for machine learning
CN111325231A (zh) 神经网络模型融合方法及应用其的电子装置
US10733481B2 (en) Cloud device, terminal device, and method for classifying images
EP4401007A1 (en) Neural network acquisition method, data processing method and related device
CN108764322A (zh) 一种基于概念漂移的流数据集成分类方法和装置
US20240136023A1 (en) Data processing method and apparatus, device, and storage medium
CN116049909A (zh) 联邦特征工程中的特征筛选方法、装置、设备及存储介质
CN107742527A (zh) 电子病历记录方法及系统
CN115687674A (zh) 服务于智慧云服务平台的大数据需求分析方法及系统
Walker et al. Parallel evolution using multi-chromosome cartesian genetic programming
AU2021105154A4 (en) Adaptive Hierarchical Sampling for image Classification
CN112906652A (zh) 一种人脸图像的识别方法、装置、电子设备及存储介质
WO2024044815A1 (en) Improved classification methods for machine learning
CN114330885A (zh) 目标状态的确定方法、装置、设备以及存储介质
US20220222941A1 (en) Method for recognizing action, electronic device and storage medium
CN112966180B (zh) 请求处理方法、装置、设备、介质和程序产品
CN111835658B (zh) 一种基于lpwan的数据优先响应方法及装置
CN112036502B (zh) 图像数据比对方法、装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant