-
公开(公告)号:CN114091603A
公开(公告)日:2022-02-25
申请号:CN202111385235.3
申请日:2021-11-22
Applicant: 上海交通大学
Abstract: 一种空间转录组细胞聚类方法,包括步骤:对于空间转路组中每个细胞基因表达进行预处理;根据所述空间转路组的细胞坐标生成邻接矩阵A,获得空间转录组细胞的图结构表示,由细胞特征矩阵X表示细胞基因表达,将邻接矩阵A和细胞特征矩阵X输入经过训练的图卷积神经网络模型DGI;所述图卷积神经网络模型DGI输出具有空间信息的结点特征表示;对所述结点特征表示采用降维、聚类算法处理后,识别、获得所述空间转录组细胞类型。
-
公开(公告)号:CN120047807A
公开(公告)日:2025-05-27
申请号:CN202510122451.0
申请日:2025-01-26
Applicant: 上海交通大学
IPC: G06V20/05 , G06V10/82 , G06T7/246 , G06V10/80 , G06N3/0464
Abstract: 一种海洋底栖生物检测、识别与跟踪方法,通过收集并筛选构建海洋生物底栖数据集,经小目标数据增强后,使用P2‑YOLOv11深度学习模型对目标实现检测及初步分类;再使用轻量化ShuffleDeepsort跟踪算法进行跟踪;最后结合跟踪所得轨迹信息和初步分类信息进行动态跳帧识别,使用多层次分类网络在不同阶元系统下实现精细分类,得到海洋生物的多层次识别结果。本发明能够显著提高小目标海洋底栖生物图像以及水下航行器实拍的海底多目标跟踪图像的处理效果。
-
-
公开(公告)号:CN116486919A
公开(公告)日:2023-07-25
申请号:CN202211331719.4
申请日:2022-10-28
Applicant: 上海交通大学
IPC: G16B40/00 , G16B15/00 , G16B30/00 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06F18/23 , G06F18/24 , G06F18/214
Abstract: 一种基于混合神经网络的蛋白质与配体结合残基与口袋识别方法,通过提取待查询蛋白质的多个特征,将蛋白质的每个残基表示成三种表示,通过两种基于深度学习模型的基方法预测得到残基与配体的结合概率,再通过①平均两种基方法的预测分数得到高置信度的预测结果和②合并两种基方法的预测残基作为中置信度的预测结果,最后基于结合残基的空间坐标,通过空间聚类算法,将残基聚类得到最终的预测结合口袋。本发明从蛋白质的结构和序列两方面出发,采用两种集成策略,基于非欧式空间图网络、欧式空间的卷积网络和长短时记忆网络模型,通过空间聚类模块将预测的结合残基根据其空间位置分配到对应的结合口袋中,实现从蛋白质结构中学习蛋白质与配体的相互作用模式,并用于多种配体的特异性结合模式的学习和识别,显著提高蛋白质结合残基预测的准确性。
-
公开(公告)号:CN115731578A
公开(公告)日:2023-03-03
申请号:CN202211505788.2
申请日:2022-11-29
Applicant: 上海交通大学
Abstract: 一种基于人工智能的海洋生物图像分类方法,通过构建训练集与测试集,用于训练深度网络并利用基于梯度定位的网络可视化方法(Grad‑CAM)对训练后的深度模型进行可解释性分析,挖掘识别图像上的关注区域。本发明利用深度网络模型对海洋图像进行层次分类,并利用可解释分析挖掘图像上关注的区域,准确率超过75%,模型挖掘的关注区域对应图像上海洋生物的主要轮廓。
-
公开(公告)号:CN114093419A
公开(公告)日:2022-02-25
申请号:CN202111393944.6
申请日:2021-11-23
Applicant: 上海交通大学
Abstract: 本发明公开了一种基于多任务深度学习的RBP结合位点预测方法,解决了单任务学习在样本少时不能充分训练的问题,其技术方案要点是通过先构建适用于多任务学习模型的去耦合数据集,再接收输入的多种RBP结合位点的RNA序列样本并进行编码,使用特征共享网络和任务特异性网络建立多任务深度学习网络框架并进行交替训练,将编码后获得的特征矩阵输入特征共享网络,采用特征共享网络中的一维卷积神经算法和长短时记忆算法进行降维,采用任务特异性分类网络中的多层感知机对样本进行分类预测,得到分类概率结果,本发明的一种基于多任务深度学习的RBP结合位点预测方法,能弥补样本少的不足,提升分类算法的鲁棒性,提高预测精度。
-
-
-
-
-