本技术公开了一种基于空间‑光谱Token学习网络的全色锐化方法(SSTL)，本发明针对全色锐化任务提出了一种可以重构和融合空间、光谱特征的神经网络框架，即空间‑光谱Token学习网络，其包含三个新颖模块。傅立叶引导的Token重建模块通过应用复杂的特征交互规则，在从全色图像和低分辨率多光谱图像中提取的傅立叶域Token的交互特征，实现光谱特性的重建；Token选择模块强制空间‑光谱Token学习网络从全色图像的最相关空间区域中重建高分辨率多光谱图像的空间特性；自适应Token交互模块在光谱特征的通道交互过程中，使用从Token选择模块学习到的权重，从而实现空间‑光谱特性的无缝集成。此外，在公开数据集上的实验证实了本发明方法的有效性。

 本技术公开了一种基于深度学习的儿童发育性髋关节发育不良辅助诊断系统，包括训练好的实例分割模型和特征点定位模型；实例分割模型用于从儿童骨盆影像中分割出双侧闭孔和髂骨；特征点定位模型用于从儿童骨盆影像中精确定位8个髋关节特征点；诊断步骤如下:将待诊断的儿童骨盆影像输入实例分割模型，分割出双侧闭孔和髂骨，获得闭孔和髂骨的最大横径、面积以及闭孔和髂骨的旋转指数、面积比，以判断骨盆影像的对称性；如果判定骨盆影像对称，则符合质控标准；质控流程结束后，选择将符合质控标准的影像或全部影像送入特征点定位模型进行特征点检测及IHDI分级。本发明可实现儿童发育性髋关节发育不良的快速、准确的影像质控与分级诊断。

 本技术公开了一种基于基础模型辅助半监督学习的医学图像分割方法及系统。在医学图像分割任务中，本发明通过引入视觉基础模型Segment Anything Model(SAM)与U‑Net模型相结合的创新方法，显著提升了标注精度和分割效果。与现有的半监督学习方法相比，本发明通过引入可靠性评分机制和前景冲突处理策略，解决了低质量伪标签的问题，并通过区域交换策略有效利用了不可靠图像。最终，本发明为解决医学图像分割中的伪标签质量不高和数据标注成本高的问题提供了新的解决方案，极大地提高了医学图像分割的性能，并在多个基准数据集上展示了优越的分割效果。

 本技术提供一种基于扩张卷积神经网络的角加速度传感器去噪方法，在角加速度传感器测量的角加速度数据的基础上，引入扩张卷积神经网络对角加速度数据进行修正，设计一种角加速度传感器与深度学习结合的去噪方法；该方法考虑了深度学习的数据处理量和训练效果，采用并行应用于多个实例的操作，大幅提高了训练速度，同时采用余弦退火学习率调整算法，使得学习效率提高，大大减少了训练时间，因此我们可以通过一个低成本的角加速度传感器获得精确的姿态估计；相较于一般的神经网络训练的方式，本发明的方法对过拟合具有鲁棒性，训练效率高，训练速度快。本产品引入的角加速度传感器成本较低，便于开展大规模应用。

 本技术公开了基于大数据的乳腺患者的风险评估方法，包括采集乳腺患者的病理图像和相关数据，对所述用户交互数据和所述应答数据进行预处理；相关数据包括身体数据和历史数据；对所述病理图像进行时变特征提取获得变化特征，对所述变化特征进行分类分期获得分期数据；对所述相关数据进行影响分析获得变系数，根据所述分期数据和所述变系数构建乳腺患者风险评估模型；优化所述乳腺患者风险评估模型，将待评估数据输入优化后的所乳腺患者风险评估模型，输出评估结果。该方法不仅可以提高基于大数据的乳腺患者的风险评估的精度，同时具有较好的可解释性，可以直接应用于乳腺患者风险评估系统中。

 本技术公开了一种基于无需荧光图像的高通量抗纤维化药物筛选方法及其应用，涉及生物医药技术领域，本发明为了获得一种可用于大规模药物筛选的快速简便的方法，本发明通过高内涵仪器采集NIH/3T3细胞的DPC图像，通过自带分析软件得到的形态学参数与α‑SMA蛋白的表达量做相关性分析，筛选出13个与α‑SMA蛋白表达量高相关的13个形态学参数与人工智能方法相结合用于大规模药物筛选，该方法具有高通量、高准确度、操作简便、可用于判断药物是否具有抗纤维化效果等优势，能够提高检测效率，可应用于预测中药单体是否具有抗纤维作用，此方法证明了其作为抗纤维化药物筛选的准确性与有效性，为未来的药物开发和纤维化疾病的治疗提供了重要的实验依据和技术支持。

 本技术公开了一种基于多模态数据的失能干预质量评价方法、装置及可读存储介质，其中，评价方法包括以下步骤:(1)获取多模态数据，包含图像数据、时间序列数据、文本数据和表格数据；(2)从图像数据、时间序列数据、文本数据中提取特征并融合，得到融合特征，(3)从表格数据中提取出与失能干预相关的关键失能指标；(4)基于关键失能指标和融合特征，构建并训练失能风险预测模型；(5)利用失能风险预测模型对新的数据进行失能风险预测，并评价失能干预质量。利用本发明，可以有效提高失能干预质量的评价准确性，提高失能干预质量的评价效率，提高失能干预质量的评价稳定性。

 本技术公开了一种弱监督语义分割方法及相关装置，本发明在生成语义分割伪标签时，根据前景辅助文本特征和图像X特征的相似度，为前景类别名称筛选出的相似单词，构建前景文本提示，帮助视觉语言预训练模型对像素的激活，解决了目标像素激活不充分的问题，根据图像X的常见背景类别名称特征和图像X特征的相似度，筛选出的常见背景类别名称，构建背景文本提示，使视觉语言预训练模型对共现背景的敏感度提高，解决了共现背景的问题。

 本技术公开了一种换流变压器阀侧复杂电应力下典型绝缘缺陷放电模式识别方法，第一步:采集换流变压器阀侧局部放电信号，以T为周期记录每次局部放电的幅值与相位，当某放电特征量超过现场运维要求正常值时，停止采集；第二步：划分放电幅值区间，计算各区间放电次数；第三步：各区间放电次数归一化；第四步：提取归一化放电次数的数据特征；第五步：识别放电模式。本发明方法在考虑换流变压器阀侧工频交流、直流、高比例谐波的复杂电应力作用下，通过提取PRPD谱图特征，实现了典型绝缘缺陷放电模式识别，便于实际运行中对不同绝缘缺陷采取针对性措施。

 本分发明公开了一种基于非监督遥感变化检测的火烧迹地识别方法，具体为:计算火灾前后两期影像的N种光谱指数，并生成N种差异影像；对所有差异影像中的像素进行分类判断，对分类判断的结果进行融合得到初始样本；采用逻辑规则确定初始样本中火烧迹地类像素和非火烧迹地类像素作为最终训练标签；计算火灾前后两期影像的局部G指数，并与原始光谱特征进行级联，产生训练特征集；以训练标签和特征集作为输入训练多种学习器；将训练好的多种学习器的输出进行决策级融合，从而识别火烧迹地。本技术可以实现大区域、高精度、高效率的火烧迹地提取，更好地服务于野火灾后重建与灾前预防。