-
公开(公告)号：CN114373509B
公开(公告)日：2024-10-29
申请号：CN202111569787.X
申请日：2021-12-21
Applicant: 南京邮电大学 , 南京趣集客信息技术有限公司
IPC: G16B35/10
Abstract: 本发明公开了一种基于GPU加速AutoDock Vina的方法及实现，该方法通过增加初始随机配体构象的数目来扩展蒙特卡罗的迭代局部搜索方法中对接线程的并行规模，减少蒙特卡罗的迭代局部搜索方法中的搜索步数，利用OpenCL实现AutoDock Vina中CPU和GPU异构并行结构以此达到更高水平的并行和加速能力。现代药物筛选需要面对海量的化合物数据，目前的分子对接技术无法满足现实需求。采用本发明的方法，可以在保证不损失对接精度的同时大幅加快分子对接和虚拟筛选的速度，满足大型化合物数据库分子对接的实际需求。
-
公开(公告)号：CN116681111A
公开(公告)日：2023-09-01
申请号：CN202310487616.5
申请日：2023-05-04
Applicant: 南京邮电大学
IPC: G06N3/0495 , G06N3/0464 , G06N3/084 , G06F18/214
Abstract: 本发明提供了一种零样本学习深度模型的量化方法，主要包括以下步骤：获取已经训练完毕的全精度预训练模型；利用知识匹配生成器从全精度预训练模型的批归一化层BN层中获取原始训练数据的分类和分布信息；使用所述校准数据集驱动所述全精度预训练模型的量化；生成新的伪数据驱动知识匹配生成器的优化；持续交替对抗地优化量化模型和知识匹配生成器，直到模型量化性能稳定收敛。相较于现有技术，本发明提出对权重和量化参数进行逐层联合迭代优化，能够使模型每层量化层输出与全精度层输出之间的误差最小化。
-
公开(公告)号：CN116433931A
公开(公告)日：2023-07-14
申请号：CN202310397081.2
申请日：2023-04-13
Applicant: 南京邮电大学
IPC: G06V10/62 , G06V20/17 , G06V10/82 , G06V10/776 , G06N3/048 , G06N3/0464
Abstract: 本发明公开了一种基于轻量化网络的长时间隔的行人重识别方法，应用于无人机场景。该方法包括：使用无人机设备远程控制拍摄包含在不同日期的同一行人在不同服装特征的数据集，将同一个行人的多张图片标记为同一个类别；使用预训练的轻量级主干网络模型作为特征提取器，将行人图片输入模型中提取出特征表示；在训练时每个batch会根据轻量级主干网络提取的特征，通过多类N对损失函数为每个样本计算出最相似的正样本；样本在训练的过程中会随着每个batch传入大间隔余弦损失函数，以实现最小类内方差和最大类间方差，以提高每个样本分类正确的概率；根据训练中每个batch中样本的类别信息和特征维度，计算损失函数，减少类内变化并增加类间变化。
-
公开(公告)号：CN112905599B
公开(公告)日：2022-10-14
申请号：CN202110288629.0
申请日：2021-03-18
Applicant: 南京邮电大学
Abstract: 本发明公开了基于端到端的分布式深度哈希检索方法，利用“二次前传”技术和交替方向乘子法ADMM来交互式更新分布式网络中的每个参数。本发明解决了传统的人工提取的特征在用于分布式环境下图像检索性能较差的问题。而且通过微调的ResNet网络，并不会损失太多分类性能，统一了分类与检索，同时采用了分布式架构，便于数据的并行式计算与存储。此外，通过卷积神经网络提取到的图像特征更具语义相似性。更重要的是，利用“二次前传”技术和ADMM算法实现参数的交互式更新，使得深度哈希技术与分布式架构完美结合。
-
公开(公告)号：CN111832637B
公开(公告)日：2022-08-30
申请号：CN202010619341.2
申请日：2020-06-30
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于交替方向乘子法ADMM的分布式深度学习分类方法，包括以下：1：在各个节点的数据库中对图像、视频、文件进行分类标记；2：初始化各节点Alexnet网络层参数，以及拉格朗日乘子矩阵；3：各个节点数据通过Alexnet网络一次前向传播进行提取特征；4：引入最小化分类误差，得到全局最优的分类器；5：全局分类器参数赋值给每个节点Alexnet网络的最后一层，即全连接层，各个节点数据通过Alexnet网络进行再进行一次前向传播；6：固定分类层参数，更新特征层参数；7：判断训练精度是否等于1，是即训练完成，反之，重复3‑7；8：分类测试过程，本发明解决了图像，视频，文本等样本数目大，若集中在一起训练，传输量和计算量过大的问题。
-
Patent Agency Ranking
公开(公告)号：CN110459274B
公开(公告)日：2022-08-26
申请号：CN201910707134.X
申请日：2019-08-01
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于深度迁移学习的小分子药物虚拟筛选方法及其应用，先将源域作为输入，进行训练并经过收敛之后推导得出权重矩阵；再将目标域输入到改进工具中作为目标域的初始化权重；将初始化权重和目标域中数据进行微调继续训练至收敛；在目标域中预测先导化合物与药物靶标相互作用的生物活性值，得到目标域分子指纹和预测值，输出预测结果的评价指标均方根误差和相关系数；对目标域重复以上步骤进行微调，实现借助源域的权重矩阵帮助目标域构建模型。本发明提供的小分子药物虚拟筛选方法及其应用能够在已知活性配体样本信息不充分的情况下仍得到有效的虚拟筛选模型，而不需要依赖大量的数据样本。
-
公开(公告)号：CN113192571B
公开(公告)日：2022-08-23
申请号：CN202110477984.2
申请日：2021-04-29
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于图注意机制迁移学习的小分子药物hERG毒性预测方法和装置，该方法包括以下步骤：S1：数据集预处理，将待检测的类药化合物通过分子指纹生成软件生成指纹序列；S2：通过S1步骤生成的指纹序列得到原子及化学键特征，将原子及化学键特征构建分子图及图特征；S3：通过图注意力机制对S2步骤得到的分子图进行处理，生成分子中每个原子特征向量；S4：通过图注意力机制及每个原子的特征生成分子特征向量。该方法基于图注意力机制对分子图结构进行处理，有效获取对预测属性值贡献大的子结构，基于迁移学习对源域和目标域数据集进行处理，有效解决样本量不足的问题。
-
公开(公告)号：CN113257369A
公开(公告)日：2021-08-13
申请号：CN202110542907.0
申请日：2021-05-18
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于多任务图神经网络的分子毒性预测方法和装置，该方法包括以下步骤：S1：毒性数据集的准备，得到用化学分子规范表达式表示的毒性数据；S2：使用S1步骤中得到的用化学分子规范表达式的毒性数据，生成原子节点特征向量；S3：使用S1步骤中得到的用化学分子规范表达式的毒性数据，生成边信息特征向量；S4：基于S2步骤得到的原子节点特征向量和和S3步骤得到的边信息特征向量，构建基于多任务图神经网络的分子毒性预测模型；S5：对模型进行性能验证。针对分子毒性数据集设计的多任务图神经网络，构建自动学习分子图结构信息模型，能够结合分子毒性任务间的关联性，使用多任务学习方法来提升毒性预测任务的性能。
-
公开(公告)号：CN113077003A
公开(公告)日：2021-07-06
申请号：CN202110381819.7
申请日：2021-04-09
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于图采样的图注意力网络归纳学习方法，主要包含图采样过程和图训练过程两个部分，通过使用随机游走采样器在原数据集大图中采样出多个子图形成mini batch，再输入到图注意力网络中进行训练，将大数据集拆分为小数据集，并增加训练轮数，从而显著地提升了方法性能、保证了方法具有良好的鲁棒性。本发明还能够作为技术思路的依据，对业内研究人员日后设计相关算法而言具有参考价值和部署意义。
-
公开(公告)号：CN112085772A
公开(公告)日：2020-12-15
申请号：CN202010854930.9
申请日：2020-08-24
Applicant: 南京邮电大学
Abstract: 本发明公开一种遥感图像配准方法及装置，所述方法包括如下步骤：通过采用选择性搜索算法分别提取参考图像B和配准图像A的显著图像块；经过采用非极大值抑制方法筛选后获得待配准图像和参考图像中显著区域；MatchNet进行配对，经过MatchNet的配对之后，获得待配准图像和参考图像中的未经匹配的图像块集合；通过采用尺度不变特征变换算法获得对图像块映射矩阵集合；使用随机抽样一致算法，求得映射矩阵的预测值；让该映射矩阵和待配准图像相乘得到配准后的图像，得到最终的配准图像。本发明提出图像‑特征‑特征点的匹配思想，参考图像的特征点的描述信息只在待匹配图像的配对图像块中的特征点的描述信息中进行匹配，降低了匹配错误率。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.028 seconds)
