-
公开(公告)号：CN119180904A
公开(公告)日：2024-12-24
申请号：CN202411269193.0
申请日：2024-09-11
Applicant: 湖州师范学院
IPC: G06T15/55
Abstract: 本发明公开了一种基于Unity引擎的神经辐射场高效渲染方法。方法包括：构建同一场景下各元素的3D模型并输入Unity引擎中处理后输出场景图像；将场景图像进行自适应采样处理后获得包括不同密度的自适应采样点的场景图像，输入神经辐射场中进行训练；将训练完成的神经辐射场封装成插件后集成到Unity引擎中，进行图像或3D模型的高效渲染。本发明方法将神经辐射场技术与Unity引擎相结合，通过Unity引擎图像信息获取结合神经辐射场的高效渲染能力，显著提高了对高精度三维模型的渲染效率和速度，不仅加快了Unity引擎中三维模型的渲染流程，也极大提升了整体处理效能，为三维模型的高效渲染和处理提供了坚实的技术支撑，具有重要的研究意义和应用价值。
-
公开(公告)号：CN119091974A
公开(公告)日：2024-12-06
申请号：CN202411012225.9
申请日：2024-07-26
Applicant: 湖州师范学院
Abstract: 本发明提出了一种基于图模态与序列模态的药物靶标亲和力预测方法，旨在解决单模态局限性及现存图神经网络的局部与整体结构捕捉问题，并实现多模态特征融合。方法包括：数据预处理，将蛋白质序列及分子SMILES序列转换成Graph形式；图模态和序列模态特征提取，分别设计特征提取模块；多模态特征融合，通过特定模块进行特征融合；利用深度神经网络(DNN)进行回归预测。在模型训练中，通过优化参数和结构提高预测性能，并进行对比实验验证，展示了可靠性，表明其在药物研发中的应用潜力。
-
公开(公告)号：CN118521792A
公开(公告)日：2024-08-20
申请号：CN202410833731.8
申请日：2024-06-26
IPC: G06V10/26 , G06V20/70 , G06V20/69 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0895 , G06N3/045 , G06N3/096
Abstract: 本发明涉及图像处理技术领域，特别涉及一种组织病理学图像的分割方法、装置、设备、介质及产品，其中，方法包括：根据有标签数据和无标签数据对半监督分割模型进行训练，且有标签数据的样本数量小于无标签数据的样本数量，根据每个类的原型语义对比学习类间的不同特征表示，根据类间的不同特征表示计算对比损失，利用标记样本和未标记样本之间的原型语义相似度获取原型伪标签；根据训练过程的总损失更新学生模型的权重参数，将学生模型的权重参数传递给教师模型，在训练结束后利用半监督分割模型对组织病理学图像进行分割得到分割结果。由此，解决了如何更好地利用全局信息进行原型对比学习和降低伪标签的噪声等问题。
-
公开(公告)号：CN117976084A
公开(公告)日：2024-05-03
申请号：CN202311184426.2
申请日：2023-09-14
Applicant: 湖州师范学院
Abstract: 本发明提供了一种化合物多模态的血脑屏障通透性预测方法，该方法包括以下步骤：第一步，对样本化合物进行预处理，得到不同的化合物模态；第二步，将处理好的多模态样本数据使用多种神经网络模型在有样本标签的监督下进行训练；第三步，经过各个模态的神经网络提取的特征，进入到预测器，对化合物的血脑屏障通透性进行预测，输出结果与实际结果进行损失计算，利用反向传播进行参数的优化；第四步，使用训练好的模型预测待测化合物的血脑屏障通透性。本发明采用了化合物的多种模态，使用了深度学习模型来预测化合物的血脑屏障通透性，该模型可以从化合物的多模态中得到更多的特征信息，从而能提高预测的准确度。
-
公开(公告)号：CN112907545B
公开(公告)日：2023-10-10
申请号：CN202110212238.0
申请日：2021-02-25
Applicant: 湖州师范学院
IPC: G06T7/00 , G06T7/13 , G06T7/181 , G06T7/155 , G06T7/187 , G06T7/11 , G06T7/136 , G06T7/194 , G06T5/30 , G06T7/66 , G06V10/56 , G06V10/28 , G06V10/25
Abstract: 基于图像处理的种子芽长与根长检测方法。首先利用颜色特征提取叶片信息，并在整株芽长二值图像中去除叶片区域信息，其次通过圆盘结构元素与线性结构元素腐蚀图像方法分割出种子图像获得种子的中心，再对整株芽长二值图像进行图像增强和边缘轮廓处理，最后对芽长图像进行骨架提取与剪枝，依据像素点间的欧氏距离计算种子的芽长与根长。实验结果表明，包含特征选择与骨架提取的图像处理过程实现对种子芽长与根长的高精度、快速检测。
-
Patent Agency Ranking
公开(公告)号：CN115171102A
公开(公告)日：2022-10-11
申请号：CN202210858949.X
申请日：2022-07-20
Applicant: 湖州师范学院
Abstract: 本发明提供一种蔬菜抽薹检测方法及系统、电子设备和存储介质，其中，方法包括：将待测蔬菜图像输入蔬菜抽薹检测模型中；其中，蔬菜图像为待测蔬菜的俯拍图；蔬菜抽薹检测模型包括：切片层、检测层和输出层；基于切片层，根据预设分块规则，将待测蔬菜图像分割成若干子分块；其中，子分块之间存在重叠区域；基于检测层，对子分块进行抽薹检测，确定子分块抽薹检测结果；基于输出层，根据所有子分块抽薹检测结果，在待测蔬菜图中确定目标抽薹蔬菜。能够有效提高蔬菜抽薹的自动检测的准确性，根据抽薹检测结果判断蔬菜是否需要及时采摘，减少蔬菜生产人力成本，提高生产效率。
-
公开(公告)号：CN112907545A
公开(公告)日：2021-06-04
申请号：CN202110212238.0
申请日：2021-02-25
Applicant: 湖州师范学院
IPC: G06T7/00 , G06T7/13 , G06T7/181 , G06T7/155 , G06T7/187 , G06T7/11 , G06T7/136 , G06T7/194 , G06T5/30 , G06T7/66 , G06K9/46 , G06K9/38 , G06K9/32
Abstract: 基于图像处理的种子芽长与根长检测方法。首先利用颜色特征提取叶片信息，并在整株芽长二值图像中去除叶片区域信息，其次通过圆盘结构元素与线性结构元素腐蚀图像方法分割出种子图像获得种子的中心，再对整株芽长二值图像进行图像增强和边缘轮廓处理，最后对芽长图像进行骨架提取与剪枝，依据像素点间的欧氏距离计算种子的芽长与根长。实验结果表明，包含特征选择与骨架提取的图像处理过程实现对种子芽长与根长的高精度、快速检测。
-
公开(公告)号：CN119229954A
公开(公告)日：2024-12-31
申请号：CN202411097119.5
申请日：2024-08-12
Applicant: 湖州师范学院
IPC: G16B15/30 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/042 , G06F18/27
Abstract: 本发明提出了一种基于多通道信息融合的药物靶标亲和力预测方法。该方法综合运用了化学信息编码、深度学习技术和特征融合策略，分别采用Transformer模块和多层图同构网络模块(MGIN)分别对药物的化学信息和分子结构进行特征提取，通过一个包含三分支的卷积神经网络层(CNNs)来学习靶标的序列特征。接下来，将提取到的药物局部化学特征、全局结构特征和靶标序列特征通过特征融合模块进行融合，形成多通道交互融合的药物靶标联合表征。最后，将联合表征输入到预测模块进行回归预测。该方法通过对药物分子的双模态特征表示和药物靶标多通道信息交互，实现了一种更全面和信息丰富的分子结构编码方式，有效提高了预测药物靶标亲和力的准确度。
-
公开(公告)号：CN119090758A
公开(公告)日：2024-12-06
申请号：CN202411012000.3
申请日：2024-07-26
IPC: G06T5/70 , G06T5/60 , G06N3/0895 , G06T11/00
Abstract: 本发明涉及生物医学图像处理技术领域，提供了一种基于自监督学习的冷冻电子断层扫描图像去噪方法，该方法包含以下步骤：S1.获得冷冻电子断层扫描的倾斜系列投影图像，对其进行三维重建，得到噪声图像V(x)；S2.对倾斜系列投影图像进行二维去噪得到去噪后的倾斜系列投影图像，并将其重建为平滑图像#imgabs0#S3.将V(x)和#imgabs1#分别裁剪成一系列重叠图像块，并将噪声图像块利用平均体积盲点替换策略构造训练数据对；S4.构建结合抗伪影池化层和特征聚焦注意力模块的去噪模型；S5.将训练数据对和对应的平滑图像块输入到去噪模型中进行训练，直到模型收敛。本发明解决了现有技术中去噪效果过于平滑且存在伪影的问题，去噪后的图像具有信噪比高和细节清晰的特点。
-
公开(公告)号：CN107527018A
公开(公告)日：2017-12-29
申请号：CN201710617052.7
申请日：2017-07-26
Applicant: 湖州师范学院
CPC classification number: G06K9/00228 , G06K9/4619 , G06K9/6256 , G06N3/084
Abstract: 基于BP神经网络的动量人脸检测方法，该方法将Gabor特征和动量因子反向传播算法相结合。首先提取训练集的Gabor特征，并将其输入到动量因子反向传播神经网络中进行训练。然后，使用训练好的系统去检测输入图像中是否存在人脸，如果存在则用矩形标出。为了提高传统反向传播算法的训练效果，将动量因子加到该算法中，有效地减缓神经网络在训练中的震荡趋势，可以避免算法陷入局部最小值。此外，增加的动量因子可以自适应地调整反向传播神经网络每层的权重值。大量的实验结果表明，与经典的或最先进的人脸检测模型相比，我们的实验方案是有效的并且具有竞争力。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.036 seconds)
