-
公开(公告)号：CN115588191A
公开(公告)日：2023-01-10
申请号：CN202211121058.2
申请日：2022-09-15
IPC: G06V20/69 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于图像声流控细胞分选模型的细胞分选方法、系统及计算机可读存储介质，图像声流控细胞分选模型包括细胞图像识别模块和细胞弹射模块，细胞分选方法包括：获取原始细胞图像集和预确定的样本细胞图像集；将样本细胞图像集输入细胞图像识别模块进行特征提取，得到细胞图像的图像种类信息；将图像种类信息以及样本图像集输入图像声流控细胞分选模型进行训练；将原始细胞图像输入训练好的图像声流控细胞分选模型进行图像预测，确定与图像类别对应的目标图像；基于细胞弹射模块将与目标图像对应的细胞弹射至预设收集区。在本发明实施例中能够采用无标记的方法进行细胞的自动分类，从而实现目标细胞的纯化收集。
-
公开(公告)号：CN114842100A
公开(公告)日：2022-08-02
申请号：CN202210377201.8
申请日：2022-04-12
Abstract: 本发明实施例提供了一种太赫兹图像重建的模型训练方法、太赫兹图像重建方法、装置、系统及计算机可读存储介质，太赫兹光谱仪采集到的初始太赫兹图像和与初始太赫兹图像不同类别的高分辨率图像经过将分辨率处理后得到的低分辨率图像共同输入到卷积网络模型中，通过卷积网络模型对低分辨率图像进行特征信息的提取。通过在卷积网络模型的最后一层设置残差融合层，使得卷积网络模型对低分辨率图像进行特征信息的提取更加全面，减少梯度下降对图像分辨率重建的影响，从而使卷积网络模型对太赫兹图像重建出更高的分辨率。
-
公开(公告)号：CN114820308A
公开(公告)日：2022-07-29
申请号：CN202210377676.7
申请日：2022-04-12
Abstract: 本发明公开了一种基于特征卷积神经网络的太赫兹超分辨重建方法、系统及计算机可读存储介质，特征卷积神经网络包括边缘检测模块、下采样模块和超分辨重构模块，太赫兹超分辨重建方法包括：获取训练样本集，将训练样本集中的缺陷图像集输入边缘检测模块生成二值边缘图像集；将二值边缘图像集输入下采样模块进行下采样处理，得到特征卷积核算子；将训练样本集输入超分辨重构模块，使得超分辨重构模块根据特征卷积核算子对高分辨率图像集以及低分辨率图像集进行训练，生成权重矩阵；根据权重矩阵生成与训练样本集对应的目标缺陷图像。在本发明实施例中,基于特征卷积神经网络实现太赫兹超分辨重建，能够提高太赫兹缺陷轮廓分辨率。
-
公开(公告)号：CN114742917A
公开(公告)日：2022-07-12
申请号：CN202210442223.8
申请日：2022-04-25
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于卷积神经网络的CT图像分割方法，先利用给定的已分割的CT图像对构建的分割模型中对其进行训练，再将待分割的CT图像送入训练好的分割模型中，得到分割好的CT图像。本发明的分割模型EfficientNetV2‑UNet以由EfficientNetV2模型中的特征提取器部分作为主干网络，该主干网络中包含5个注意力机制模块(2个融合‑移动翻转卷积块和3个移动翻转卷积块)。分割模型的特征提取器部分进行特征的有效提取，且使模型更小、训练速度更快，多尺度的信息提取，细节与“较粗”抽象信息都得到有效的提取与保留，在降低了噪声的影响的同时最大限度的保留模糊边界的梯度信息，分割精度更高。
-
公开(公告)号：CN113300965A
公开(公告)日：2021-08-24
申请号：CN202110534810.5
申请日：2021-05-17
IPC: H04L12/771 , H04Q1/02 , H04Q1/04
Abstract: 本发明公开一种用于片上网络互连的蜂窝状路由器，包括二氧化硅衬底和在二氧化硅衬底上呈矩阵排列的N×N个光开关单元。每个光开关单元包括开关波导和2个总线波导。开关波导由硅层、下二氧化铪层、氧化铟锡层、上二氧化铪层和金属电极层自上而下叠加而成；2个总线波导均为硅层。开关波导和2个总线波导在二氧化硅衬底的上表面呈相互平行设置；开关波导的硅层和金属电极层同时与正电极相接，开关波导的氧化铟锡层与负电极相接。每2个相邻的光开关单元的相同编号的光端口相连，其中位于第一行、最后一行、第一列和最后一列的光开关单元中悬置的光端口形成路由器的N×N个路由端口。本发明具有尺寸小、功耗低和稳定性好的优势。
-
Patent Agency Ranking
公开(公告)号：CN109102062B
公开(公告)日：2020-03-13
申请号：CN201810927745.0
申请日：2018-08-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于Petri网与混沌差分萤火虫算法的3D NoC测试规划方法，首先通过在原型Petri网的基础之上增加时延与带抑止弧的概念，能有效描述测试规划中的IP核调度问题、简化模型；模型建立后，为了在Petri网的变迁发生序列集合中实施高效寻优，对基本萤火虫算法进行了两处改进，即分别采用单维结合多维的混沌优化方法，使基本萤火虫算法具备精细的局部寻优能力，采用与差分进化算法之间的信息共享机制，增强基本萤火虫算法的全局寻优能力。将实验结果与其他测试方法的实验结果进行比较，结果显示本发明测试方法在测试时间与程序运行时间方面都展现出较明显的优势。
-
公开(公告)号：CN106503333A
公开(公告)日：2017-03-15
申请号：CN201610918068.7
申请日：2016-10-20
Applicant: 桂林电子科技大学
CPC classification number: G06F17/5013 , G06F11/3684
Abstract: 本发明公开一种三维片上网络测试规划方法，结合3D NoC测试的特点建立一种时间Petri网模型，将变迁激发序列作为并行测试任务规划方案，通过改进的两级递阶蝙蝠算法，在测试路径分配基础上进行顺序调度优化，将测试资源合理有效的分配给各IP核。本发明采用的模型直观的描述了3D NoC测试规划问题，可以有效降低3D NoC测试时间、提高测试效率、保证测试有效性。本发明的测试规划算法在解的质量、收敛速度方面具有一定的优势，能有效提高并行测试的效率，降低测试时间。
-
公开(公告)号：CN114967275B
公开(公告)日：2024-05-07
申请号：CN202210799616.4
申请日：2022-07-06
Abstract: 本发明公开一种用于光片上网络的光子晶体三通道全光开关，由正方晶格圆形介质柱结构的二维光子晶体构成；该二维光子晶体上设有3个光子晶体波导、3个光子晶体谐振腔、3个输入波导和3个输出波导。本发明仅在正方晶格圆形介质柱结构的二维光子晶体的基础上上进行介质柱的删减和介质柱尺寸的设计，并未进行介质柱的增加，且大部分介质柱的结构参数都相同，在实际制作时比较方便；采用硫系玻璃Ge20Sn10Se70和半导体材料Si制成，利用具有较高三阶非线性折射率系数的Ge20Sn10Se70硫系玻璃，实现了工作波长通信波段的光子晶体光开关。本发明具有结构简单、尺寸小和消光比高、品质因数大的特点。
-
公开(公告)号：CN114742917B
公开(公告)日：2024-04-26
申请号：CN202210442223.8
申请日：2022-04-25
Applicant: 桂林电子科技大学
IPC: G06T11/00 , G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于卷积神经网络的CT图像分割方法，先利用给定的已分割的CT图像对构建的分割模型中对其进行训练，再将待分割的CT图像送入训练好的分割模型中，得到分割好的CT图像。本发明的分割模型EfficientNetV2‑UNet以由EfficientNetV2模型中的特征提取器部分作为主干网络，该主干网络中包含5个注意力机制模块(2个融合‑移动翻转卷积块和3个移动翻转卷积块)。分割模型的特征提取器部分进行特征的有效提取，且使模型更小、训练速度更快，多尺度的信息提取，细节与“较粗”抽象信息都得到有效的提取与保留，在降低了噪声的影响的同时最大限度的保留模糊边界的梯度信息，分割精度更高。
-
公开(公告)号：CN110336694B
公开(公告)日：2022-02-18
申请号：CN201910520647.X
申请日：2019-06-17
Applicant: 桂林电子科技大学
IPC: H04L41/14 , H04L43/08 , H04L45/02 , H04L45/121 , G06N3/00
Abstract: 本发明公开一种基于Petri网与IFA的3D NoC测试调度方法，其一方面根据测试调度过程中各IP核测试流程相似、TAM选择随机、路由过程繁琐等特点，将Petri网模型分为上下两层，简化了建模过程，并通过着色思想减少模型元素，压缩了网规模，使3D NoC中IP核的测试调度过程、资源约束、优先级等特性得到精确的刻画；另一方面，对模型中的路由计算变迁进行改进，从而实现系统测试时间在调度组合方面与路由过程方面的双重优化；另外，在模型中嵌入IFA，为模型求解提供了有力的算法支持，从而能够高效求得最佳测试调度方案，且测试时间较其他方法大约缩短了8.94％，有效提升了测试效率。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.032 seconds)
