刘海东
- 作品数：4 被引量：5H指数：2
- 供职机构：中国科学院计算机网络信息中心更多>>
- 发文基金：国家自然科学基金河北省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种图形化及网络化的高通量第一性原理计算工作流系统
- 本发明涉及一种图形化及网络化的高通量第一性原理计算工作流系统，包括：前端的工作流设计器，用户不需下载任何客户端软件，通过浏览器便可基于图形化方式构建第一性原理计算流程、设置流程所涉及的计算参数、启动所述流程以及监控所述流...
- 杨小渝任杰孙雪娇刘海东张明明赵旭山王宗国宋健龙
- 文献传递
- 一种高通量材料计算数据自动采集和加工方法及系统
- 本发明涉及一种高通量材料计算数据自动采集和加工方法及系统，以快速获取目标材料物理化学性质并自动存储。该方法包括：构建第一性原理的计算流程；根据计算流程，对获取的所述目标材料大量晶体结构数据进行第一性原理计算；自动采集得到...
- 杨小渝任杰王宗国赵旭山张明明刘海东宋健龙
- 文献传递
- 基于生成对抗网络的乳腺癌病理图像可疑区域标记被引量：2
- 2017年
- 本论文针对乳腺癌病理图像分析提出新的方法进行图像特征提取和可疑区域标记。由于深度神经网络,例如VGG,Google Net,Res Net等,均需要大量的标注样本才能完成训练,而医疗影像图像的标记成本很高,并不能为训练复杂的网络提供足够的训练数据。本论文借鉴生成对抗网络(Generative Adversarial Network,GAN)的思想,提出基于弱监督学习的病理图像可疑区域标记网络,首先利用少量有标记的病理图像数据来训练分类模型,即判断该图像是否是乳腺癌,然后通过融合该网络提取到的具有判别力的特征来对可疑区域进行标记。由本文提出的网络在已有的国外乳腺癌病理图像数据集上达到的平均准确率为83.8%,比基于卷积神经网络(Convolutional Neural Network,CNN)的分类方法在准确率上分别高3个百分点,说明该网络提取到的特征具有更好的判别力,不仅能够提高分类模型的准确率,还更有助于对病理图像的可疑区域进行标记。
- 刘海东杨小渝杨小渝
- 关键词：乳腺癌特征提取
- 一种基于丰富视觉信息学习的3D场景物体标注算法被引量：3
- 2017年
- 在智能服务机器人领域,根据场景的图像序列来完成场景重构及其中物体的检测与标注,是机器人场景理解、人机交互及后续服务的基础.本文针对基于RGB-D数据的3D场景物体标注展开研究,设计了一种充分融合颜色与深度数据的物体建模学习方法,并将其应用于图像目标快速检测及3D场景物体标注.离线学习阶段,在构建物体检测模型时,加入了物体颜色的高斯模型,与物体的RGB-D HOG特征一同构成先验模型.在线阶段,首先对待检测的场景图像进行超像素分割,将对场景图像的处理从以像素为单位转变为以超像素区域为单位;同时计算每个超像素区域的高斯颜色模型,并与物体的先验高斯颜色模型比对,筛选得到物体所在的候选超像素区域;然后,在筛选出的超像素周围进行滑动窗口搜索,计算目标物体出现在场景图像中的概率图;最后,将该概率图映射到3D场景中对应体素,联合该体素及其周边体素构建马尔科夫随机场,进而进行3D场景物体标注.实验结果表明,由于引入了超像素处理,以及基于颜色模型比对的超像素筛选,所处理的数据量大大减少,在基本不损失精度的同时,算法效率明显提高.
- 吴培良刘海东孔令富
- 关键词：HOG特征
