CN111507952A - 一种嵌入式端的糖尿病性视网膜病变筛查解决方法 - Google Patents
一种嵌入式端的糖尿病性视网膜病变筛查解决方法 Download PDFInfo
- Publication number
- CN111507952A CN111507952A CN202010283610.2A CN202010283610A CN111507952A CN 111507952 A CN111507952 A CN 111507952A CN 202010283610 A CN202010283610 A CN 202010283610A CN 111507952 A CN111507952 A CN 111507952A
- Authority
- CN
- China
- Prior art keywords
- embedded
- deep learning
- learning model
- neural network
- diabetic retinopathy
- 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.)
- Pending
Links
- 206010012689 Diabetic retinopathy Diseases 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 title claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000013139 quantization Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 11
- 230000018109 developmental process Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims 1
- 238000009440 infrastructure construction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种嵌入式端的糖尿病性视网膜病变筛查解决方法，1)设计以异构微处理器为核心的嵌入式***；2)开发深度学***台的联动；本发明提供的嵌入式端的糖尿病性视网膜病变筛查解决方法，是一种低成本、高效率的解决方案，属于一种边缘计算解决方案，眼底照片的数据流向完全受使用方的掌握，数据安全性更高，不依赖于云计算和互联网，可以在基础设施建设薄弱的偏远地区和基层医院发挥AI糖网筛查的优势。
Description
技术领域
本发明涉及一种结合了深度学习和嵌入式***技术的人工智能技术产品，应用于针对眼底照片的糖尿病性视网膜病变的筛查。具体地，是一种嵌入式端的糖尿病性视网膜病变筛查解决方法，将深度学习模型与AI 芯片相结合的软硬件一体化解决方案，在嵌入式端利用AI芯片的 NPU(neural-network processing units神经网络处理器)加速深度学习模型的运算，达到实时推理的效果。
背景技术
糖尿病性视网膜病变(DR)是糖尿病最常见的并发症之一，严重可导致双目失明。而糖尿病视网膜病变患者在糖尿病患者人群的比例为 24.7％-37％，大约每三个糖尿病患者中就有一个糖尿病视网膜病变患者，基于糖尿病患者人群的巨大基数(我国有超过1亿糖尿病患者)，糖尿病视网膜病变的潜在患者群体具有很大规模。所以，糖尿病性视网膜病变筛查对社会健康促进具有重大意义。
本发明提供了一项结合深度学习技术与嵌入式***的软硬件一体化解决方案。该发明可以在嵌入式终端实时完成眼底图像处理、深度学习模型推理以及筛查报告生成等全套工作。由于本发明的技术方案，不需要依赖服务器、云和网络，非常适合在基础设施条件薄弱的基层医院、欠发达地区的糖尿病性视网膜病变的大规模筛查工作。本发明提供的解决方案同时兼具高效率(实测单例筛查时间小于1秒)、低成本(成本仅为低端深度学习服务器的1/50)以及数据更安全等优势，是一项具有大规模商用潜力的糖尿病性视网膜病变筛查解决方案。
发明内容
本发明为嵌入式端的糖尿病性视网膜病变解决方案，可以在嵌入式终端实时完成针对眼底照片的图像处理、深度学习模型的推理以及筛查报告生成等任务，该发明的解决方案能实时响应本地糖尿病性视网膜病变请求。
为实现上述技术效果，采用的具体技术方案为：
技术流程如下：
1)设计以异构微处理器为核心的嵌入式***；
2)开发深度学习模型，利用大量眼底照片训练深度卷积神经网络；
3)将步骤(2)训练好的神经网络进行参数量化，将深度学习模型的原始32浮点型参数量化为8位整型参数，在确认量化操作对模型精度造成的损失可接受后，将深度学习模型固化为AI芯片内NPU驱动可识别模型，并进行部署；
4)图像采集软件、图像处理算法、深度学***台的联动。
上述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其中：1)中，嵌入式***的开发包含硬件开发和软件开发两大块；
硬件方面，主控芯片选择搭载了NPU的异构微处理器，围绕该处理器的硬件模块有RAM芯片作为内存和ROM芯片作为硬盘的存储结构，硬件上同时包含相机接口和以太网接口，分别用作眼底照片数据采集和本地局域网的通信；
软件的层次化设计，包括最底层的驱动→定制化linux内核→嵌入式端的交互框架，最底层的驱动包括NPU driver、USB driver；
基于此软硬件环境，开发出图像采集、报告生成功能。
上述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其中：2)中，利用大量标注好的眼底照片训练深度学习模型，采用深度卷积神经网络作为糖尿病性视网膜病变分类的主干网络；首先对原始眼底照片做图像预处理，得到特征经过强化的眼底照片，该步骤的目的是凸显数据特征，提高卷积神经网络的训练效率和训练效果，将特征强化的眼底照片输入卷积神经网络网络，同时输入的还有眼底照片对应的标签，该标签是卷积神经网络需要逼近的目标；卷积神经网络的训练是一个反复迭代前向计算和反向计算的过程，前向计算将算出卷积神经网络的输出与target的差异,依据该差异，反向计算将逐层更新卷积神经网络的权重，直到卷积神经网络的输出与target的差异足够小，训练过程结束。
上述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其中：3)中，在将深度学***台之前将深度学习模型的权重进行量化，以期达到减少运算量和访存的目的；同时又由于训练好的深度卷积神经网络中，每层的权重数值范围相对确定且波动不大，所以其动态范围是适合做量化；权重量化操作的数学原理也清晰，权重在两个值域的映射，保留权重分布信息的前提下，将权重从一个值域映射到另一个值域，权重量化给深度学习模型的权重造成的误差认为是噪声，而深度卷积神经网络恰好对噪声不敏感，所以量化最终带来的精度损失在可接受范围内。
上述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其中：4)中，采用嵌入式多媒体框架gstreamer做自定义相机，完成眼底图像的采集，眼底照片采集摄像头需要有光学设备辅助；数据采集完完成后，针对眼底照片的图像处理算法对照片进行处理，强化其特征，接下来将处理后的图像输入深度学习模型进行推理，最后将推理结果和原始照片以数据流的形式往外推送，采用UDP协议进行局域网推流。
上述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其中：2)中，输入的原始眼底照片图片的预处理流程如下：
a对原始眼底照片进行阈值分割；
b步骤a中阈值分割后，得到眼底照片的ROI(region of interest) 区域,根据ROI进行crop操作；
c对步骤b的结果进行resize操作，这是由于本发明的深度学习模型要求输入图片尺寸是固定的；
d对步骤c的结果进行图像对比度增强操作。
上述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其中：3)中，将训练好的深度学习模型进行权重量化，其原理如下：
在原始的权重分布上，截取合适边界±T，因为合适的边界使边界内的权重分布更均衡，做完值域映射后，量化误差更小，采用工具tensorRT 做权重量化，该工具在选取边界用的是KL-divergence(散度)进行优化，KL-divergence的公式如公式(1)所示，其中p(i)与q(i)代表的是两种分布的元素，该公式的含义是两种分布的差异：
本发明相对于现有技术具有如下有益效果：
1、本发明聚焦在嵌入式端完成对眼底照片的糖尿病性视网膜病变的筛查，是一种低成本、高效率的解决方案。
2、本发明属于一种边缘计算解决方案，眼底照片的数据流向完全受使用方的掌握，数据安全性更高。
3本发明的解决方案不依赖于云计算和互联网，可以在基础设施建设薄弱的偏远地区和基层医院发挥AI糖网筛查的优势。
附图说明
图1(a)为整体硬件架构的示意图。
图1(b)为软件层次设计的示意图。
图2为训练过程示意图。
图3为权重量化操作的数学原理的示意图。
图4为整体流程的示意图。
图5(a)为将训练好的深度学习模型进行权重(参数)量化的原理图。
图5(b)为将训练好的深度学习模型进行权重(参数)量化的原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本发明提供的解决方案采用深度卷积神经网络(deep convolutional neural-network)作为核心AI模块，实现高精度筛查(敏感性96％,特异性 94％)。采用NPU为核心的AI芯片作为神经网络的运算加速硬件。同时本发明的解决方案中，在嵌入式***内移植并裁剪了若干图像处理工具库、嵌入式端多媒体框架等。使本发明的嵌入式端可以很好地满足彩色眼底图像处理、渲染等需求。
本发明为嵌入式端的糖尿病性视网膜病变解决方案，可以在嵌入式终端实时完成针对眼底照片的图像处理、深度学习模型的推理以及筛查报告生成等任务，该发明的解决方案能实时响应本地糖尿病性视网膜病变请求。
为实现上述技术效果，采用的具体技术方案为：
技术流程如下：
1)设计以异构微处理器(多核CPU+NPU)为核心的嵌入式***；
2)开发深度学习模型，利用大量眼底照片训练深度卷积神经网络；
3)将步骤(2)训练好的神经网络进行参数量化，将深度学习模型的原始32浮点型参数量化为8位整型参数，在确认量化操作对模型精度造成的损失可接受后，将深度学习模型固化为AI芯片内NPU驱动可识别模型，并进行部署；
4)图像采集软件、图像处理算法、深度学***台的联动。
其中，
1)中，嵌入式***的开发包含硬件开发和软件开发两大块；
硬件方面，由于要满足深度神经网络的巨大运算需求，所以主控芯片选择搭载了NPU的异构微处理器，围绕该处理器的硬件模块有RAM(random access memory)芯片作为内存和ROM(Read-Only Memory)芯片作为硬盘的存储结构，硬件上同时包含camera(相机)接口和Ethernet(以太网)接口，分别用作眼底照片数据采集和通信，整体硬件架构如图1(a)所示；
软件的层次化设计，包括最底层的驱动，最底层的驱动包括NPU driver、USBdriver等→定制化linux内核→嵌入式端的交互框架，基于此软硬件环境，开发出图像采集、报告生成功能，如图1(b)所示。
2)中，利用大量标注好的眼底照片训练深度学习模型，采用深度卷积神经网络(Deep convolution neural network)作为糖尿病性视网膜病变分类的主干网络；训练过程如附图2所示，首先对原始眼底照片做图像预处理，得到特征经过强化的眼底照片，该步骤的目的是凸显数据特征，提高卷积神经网络的训练效率和训练效果，将特征强化的眼底照片输入卷积神经网络网络，同时输入的还有眼底照片对应的标签，该标签是卷积神经网络需要逼近的目标(target)；卷积神经网络的训练是一个反复迭代前向计算和反向计算的过程，前向计算将算出卷积神经网络的输出与target 的差异(loss),依据该loss，反向计算将逐层更新卷积神经网络的权重，直到卷积神经网络的输出与target的loss足够小，训练过程结束。
3)中，由于本发明采用的深度卷积神经网络进行一次推断预测需要的运算量很大，同时由于嵌入式平台自身硬件算力的限制，所以在将深度学***台之前需要将深度学习模型的权重(参数)进行量化，以期达到减少运算量和访存的目的；同时又由于训练好的深度卷积神经网络中，每层的权重数值范围相对确定且波动不大，所以其动态范围是适合做量化的；权重量化操作的数学原理也相对清晰，如附图3所示，权重在两个值域的映射，尽可能保留权重分布信息的前提下，将权重从一个值域映射到另一个值域。权重(参数)量化给深度学习模型的权重造成的误差可以认为是噪声，而深度卷积神经网络恰好对噪声不敏感，所以量化最终带来的精度损失也在可接受范围内。
4)中，本发明采用嵌入式多媒体框架gstreamer做自定义相机，完成眼底图像的采集(眼底照片采集摄像头需要有光学设备辅助)；数据采集完完成后，针对眼底照片的图像处理算法对照片进行处理，强化其特征，接下来将处理后的图像输入深度学习模型进行推理，最后将推理结果和原始照片以数据流的形式往外推送，本发明采用UDP协议在本地局域网推流，整体流程如附图4所示。
上述的一种嵌入式端的糖尿病性视网膜病变筛查解决方案，其中：
2)中，输入的原始眼底照片图片的预处理(特征增强)流程如下：
a对原始眼底照片进行阈值分割。
b步骤a中阈值分割后，得到眼底照片的ROI(region of interest) 区域,根据ROI进行crop操作。
c对步骤b的结果进行resize操作，这是由于本发明的深度学习模型要求输入图片尺寸是固定的。
d对步骤c的结果进行图像对比度增强操作。
3)中，将训练好的深度学习模型进行权重(参数)量化，其原理如下：
量化的本质是完成模型权重(参数)在两个值域的映射。直接进行映射，要面对的一个问题是：如果权重数值在原始数据域分布不均衡，会浪费一部分值域，这样进行的量化会带来很大的误差，精度损失也很大如附图5(a)所示。所以更好的方案是采用如附图5(b)的方案，在原始的权重分布上，截取合适边界±T，合适的边界可以使边界内的权重分布更均衡，做完值域映射后，量化误差更小，本发明采用NVIDIA公司的工具tensorRT 做权重量化。该工具在选取边界用的是KL-divergence(散度)进行优化。 KL-divergence的公式如公式(1)所示：
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。
Claims (7)
1.一种嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：
1)设计以异构微处理器为核心的嵌入式***；
2)开发深度学习模型，利用眼底照片训练深度卷积神经网络；
3)将步骤(2)训练好的神经网络进行参数量化，将深度学习模型的原始32浮点型参数量化为8位整型参数，在确认量化操作对模型精度造成的损失可接受后，将深度学习模型固化为AI芯片内NPU驱动可识别模型，并进行部署；
4)利用图像采集软件、图像处理算法、深度学***台的联动。
2.如权利要求1所述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：1)中，嵌入式***的开发包含硬件开发和软件开发两大块；
硬件方面，主控芯片选择搭载NPU的异构微处理器，围绕该处理器的硬件模块利用RAM芯片作为内存和ROM芯片作为硬盘的存储结构，硬件上同时包含相机接口和以太网接口，分别用作眼底照片数据采集和通信；
软件的层次化设计，步骤为最底层的驱动→定制化linux内核→嵌入式端的交互框架，其中，最底层的驱动包括NPU driver、USB driver；
基于上述软、硬件环境，开发图像采集、报告生成功能。
3.如权利要求2所述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：2)中，利用大量标注好的眼底照片训练深度学习模型，采用深度卷积神经网络作为糖尿病性视网膜病变分类的主干网络；首先，对原始眼底照片做图像预处理，得到特征经过强化的眼底照片，该步骤的目的是凸显数据特征，提高卷积神经网络的训练效率和训练效果，将特征强化的眼底照片输入卷积神经网络网络，同时输入的还有眼底照片对应的标签，该标签是卷积神经网络需要逼近的目标；卷积神经网络的训练是一个反复迭代前向计算和反向计算的过程，前向计算算出卷积神经网络的输出与target的差异,依据该差异，反向计算将逐层更新卷积神经网络的权重，直到卷积神经网络的输出与target的差异足够小，训练过程结束。
4.如权利要求3所述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：3)中，在将深度学***台之前将深度学习模型的权重进行量化，达到减少运算量和访存的目的；权重在两个值域的映射，保留权重分布信息的前提下，将权重从一个值域映射到另一个值域。
5.如权利要求4所述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：4)中，采用嵌入式多媒体框架gstreamer做自定义相机，完成眼底图像的采集，眼底照片采集摄像头需要有光学设备辅助；数据采集完完成后，针对眼底照片的图像处理算法对照片进行处理，强化其特征，接下来将处理后的图像输入深度学习模型进行推理，最后将推理结果和原始照片以数据流的形式往外推送，采用UDP协议推流。
6.如权利要求5所述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：2)中，输入的原始眼底照片图片的预处理流程如下：
a对原始眼底照片进行阈值分割；
b步骤a中阈值分割后，得到眼底照片的ROI(region of interest)区域,根据ROI进行crop操作；
c对步骤b的结果进行resize操作，这是由于深度学习模型要求输入图片尺寸是固定的；
d对步骤c的结果进行图像对比度增强操作。
7.如权利要求6所述的嵌入式端的糖尿病性视网膜病变筛查解决方法，其特征在于：3)中，将训练好的深度学习模型进行权重量化，其原理如下：
在原始的权重分布上，截取合适边界±T，合适的边界使边界内的权重分布更均衡，做完值域映射后，量化误差更小，采用工具tensorRT做权重量化，该工具在选取边界用的是KL-divergence(散度)进行优化，KL-divergence的公式如公式(1)所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283610.2A CN111507952A (zh) | 2020-04-13 | 2020-04-13 | 一种嵌入式端的糖尿病性视网膜病变筛查解决方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283610.2A CN111507952A (zh) | 2020-04-13 | 2020-04-13 | 一种嵌入式端的糖尿病性视网膜病变筛查解决方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507952A true CN111507952A (zh) | 2020-08-07 |
Family
ID=71876025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010283610.2A Pending CN111507952A (zh) | 2020-04-13 | 2020-04-13 | 一种嵌入式端的糖尿病性视网膜病变筛查解决方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507952A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11562231B2 (en) * | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018451A1 (en) * | 2016-07-14 | 2018-01-18 | Magic Leap, Inc. | Deep neural network for iris identification |
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108470359A (zh) * | 2018-02-11 | 2018-08-31 | 艾视医疗科技成都有限公司 | 一种糖尿病性视网膜眼底图像病变检测方法 |
| CN108734285A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 神经网络的计算优化 |
| CN109598294A (zh) * | 2018-11-23 | 2019-04-09 | 哈尔滨工程大学 | 基于软硬件平台的云端视网膜oct识别智能诊断***及其使用方法 |
| CN109993074A (zh) * | 2019-03-14 | 2019-07-09 | 杭州飞步科技有限公司 | 辅助驾驶的处理方法、装置、设备及存储介质 |
-
2020
- 2020-04-13 CN CN202010283610.2A patent/CN111507952A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018451A1 (en) * | 2016-07-14 | 2018-01-18 | Magic Leap, Inc. | Deep neural network for iris identification |
| CN108734285A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 神经网络的计算优化 |
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108470359A (zh) * | 2018-02-11 | 2018-08-31 | 艾视医疗科技成都有限公司 | 一种糖尿病性视网膜眼底图像病变检测方法 |
| CN109598294A (zh) * | 2018-11-23 | 2019-04-09 | 哈尔滨工程大学 | 基于软硬件平台的云端视网膜oct识别智能诊断***及其使用方法 |
| CN109993074A (zh) * | 2019-03-14 | 2019-07-09 | 杭州飞步科技有限公司 | 辅助驾驶的处理方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11562231B2 (en) * | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11798132B2 (en) | Image inpainting method and apparatus, computer device, and storage medium | |
| US20220309674A1 (en) | Medical image segmentation method based on u-net | |
| CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
| WO2021190451A1 (zh) | 训练图像处理模型的方法和装置 | |
| CN107798381B (zh) | 一种基于卷积神经网络的图像识别方法 | |
| WO2023185785A1 (zh) | 一种图像处理方法、模型训练方法及相关装置 | |
| WO2022156561A1 (zh) | 一种自然语言处理方法以及装置 | |
| CN111767922B (zh) | 一种基于卷积神经网络的图像语义分割方法及网络 | |
| WO2023236977A1 (zh) | 一种数据处理方法及相关设备 | |
| WO2022253074A1 (zh) | 一种数据处理方法及相关设备 | |
| US20240019777A1 (en) | Training method and apparatus for lithographic mask generation model, device and storage medium | |
| WO2023134447A1 (zh) | 数据处理的方法和相关设备 | |
| WO2022242127A1 (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
| WO2023284716A1 (zh) | 一种神经网络搜索方法及相关设备 | |
| WO2021169366A1 (zh) | 数据增强方法和装置 | |
| CN115690072A (zh) | 基于多模态深度学习的胸片特征提取和疾病分类方法 | |
| CN114863539A (zh) | 一种基于特征融合的人像关键点检测方法及*** | |
| WO2023173552A1 (zh) | 目标检测模型的建立方法、应用方法、设备、装置及介质 | |
| CN113837290A (zh) | 一种基于注意力生成器网络的无监督非成对图像翻译方法 | |
| CN112668608A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN116486408A (zh) | 遥感图像跨域语义分割方法及装置 | |
| CN116258147A (zh) | 一种基于异构图卷积的多模态评论情感分析方法及*** | |
| CN117009547A (zh) | 基于图神经网络与对抗学习的多模态知识图谱补全方法和装置 | |
| CN111507952A (zh) | 一种嵌入式端的糖尿病性视网膜病变筛查解决方法 | |
| WO2021082518A1 (zh) | 机器翻译方法、机器翻译模型训练方法、装置及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210708 Address after: 215000 room d303, building g-1, shazhouhu science and Technology Innovation Park, Huachang Road, yangshe Town, Zhangjiagang City, Suzhou City, Jiangsu Province Applicant after: Suzhou aikor Intelligent Technology Co.,Ltd. Address before: 201601 building 6, 351 sizhuan Road, Sijing Town, Songjiang District, Shanghai Applicant before: Shanghai Sike Intelligent Technology Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200807 |