-
公开(公告)号：CN114334013B
公开(公告)日：2025-03-21
申请号：CN202111671817.8
申请日：2021-12-31
Applicant: 武汉大学
IPC: G16B40/30 , G06F18/23213 , G06F18/213 , G06F18/2413 , G06N3/0464 , G06N3/042 , G06N3/047 , G06N3/08
Abstract: 本发明提供一种单细胞聚类方法、装置、设备及可读存储介质。该方法包括：基于单细胞样本点和簇中心的相似度构造分布Q和目标分布P；基于分布Q与目标分布P构造第一损失函数；对样本特征矩阵进行降维，得到降维后的样本特征矩阵；将降维后的样本特征矩阵和连接矩阵传入低通滤波图卷积模块，得到概率矩阵；基于目标分布P和概率矩阵构造第二损失函数；根据第一损失函数和第二损失函数得到新的概率矩阵；从新的概率矩阵中获取单细胞样本点的聚类结果。通过本发明，降维后的样本特征矩阵在低通滤波图卷积模块传输的过程中同一簇类的特征表示变得更光滑，使得从新的概率矩阵中获取单细胞样本点的聚类结果更好。
-
公开(公告)号：CN114334013A
公开(公告)日：2022-04-12
申请号：CN202111671817.8
申请日：2021-12-31
Applicant: 武汉大学
Abstract: 本发明提供一种单细胞聚类方法、装置、设备及可读存储介质。该方法包括：基于单细胞样本点和簇中心的相似度构造分布Q和目标分布P；基于分布Q与目标分布P构造第一损失函数；对样本特征矩阵进行降维，得到降维后的样本特征矩阵；将降维后的样本特征矩阵和连接矩阵传入低通滤波图卷积模块，得到概率矩阵；基于目标分布P和概率矩阵构造第二损失函数；根据第一损失函数和第二损失函数得到新的概率矩阵；从新的概率矩阵中获取单细胞样本点的聚类结果。通过本发明，降维后的样本特征矩阵在低通滤波图卷积模块传输的过程中同一簇类的特征表示变得更光滑，使得从新的概率矩阵中获取单细胞样本点的聚类结果更好。
-
公开(公告)号：CN111798921A
公开(公告)日：2020-10-20
申请号：CN202010571759.0
申请日：2020-06-22
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多尺度注意力卷积神经网络的RNA结合蛋白预测方法，包括训练阶段和预测阶段。训练阶段包括RNA数据的预处理，RNA数据的编码，构建神经网络和网络参数训练。通过将RNA的数学抽象的统计模式转化成矩阵的形式，输入到预先设计好的基于注意力机制的多尺度卷积神经网络，通过使设计的特别交叉熵损失函数最小，使用Adam优化方法训练神经网络中的参数。在预测阶段，以四个碱基为基本单元的RNA序列数据被输入到网络中，神经网络最后一层输出RNA数据中是否有结合蛋白对应的结合位点的概率大小，从而获得对RNA序列类别的预测结果。本发明可以提高预测精度。
-
公开(公告)号：CN119888317A
公开(公告)日：2025-04-25
申请号：CN202411926194.8
申请日：2024-12-25
Applicant: 武汉大学
IPC: G06V10/764 , G06V20/10 , G06V10/58 , G06V10/74 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本申请涉及遥感图像处理技术领域，特别涉及一种基于小样本分类模型的高光谱遥感图像分类方法及装置，其中，方法包括：将高光谱遥感图像的像素块输入至预先构建的自适应掩膜模块中，以得到对应的掩膜像素块；将掩膜像素块输入至预先构建的布朗距离协方差表示模块中，以得到像素块对应的预测标签；训练自适应掩膜模块和布朗距离协方差表示模块，得到高光谱遥感图像的小样本分类模型，以获取高光谱遥感图像的分类结果。由此，解决了相关技术中，由于地物的复杂性和多样性，使得地物空间覆盖不一致，难以准确提取空间上下文信息，挖掘不同光谱维度之间的非线性相关性，无法有效获取和概括有限先验样本的信息等问题。
-
Patent Agency Ranking
公开(公告)号：CN118898787A
公开(公告)日：2024-11-05
申请号：CN202410962840.X
申请日：2024-07-18
Applicant: 武汉大学
IPC: G06V20/13 , G06V10/77 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明提供一种用于对高光谱图像进行异常检测的方法和装置，其中，方法包括：获取目标图像；其中目标图像为需要进行异常检测的高光谱图像；将目标图像输入预设卷积注意力网络，经预设卷积注意力网络输出关于目标图像的异常检测结果；其中，异常检测结果包括从目标图像中分离出的异常目标；其中，预设卷积注意力网络基于预设训练框架以及至少一组训练数据训练得到，至少一组训练数据中的每组训练数据包括一张高光谱样本图像，预设训练框架能够基于每组训练数据中的高光谱样本图像生成对应的异常样本图像和背景样本图像，以及基于异常样本图像生成对应的异常增强样本图像。利用本发明的方法可以不受输入高光谱图像空间尺寸和光谱维度大小的限制。
-
公开(公告)号：CN118823582A
公开(公告)日：2024-10-22
申请号：CN202411004636.3
申请日：2024-07-25
Applicant: 武汉大学
IPC: G06V20/10 , G06V20/13 , G06V10/774 , G06V10/764 , G06V10/77
Abstract: 本发明提供一种高光谱图像处理方法、装置、设备和介质，其中，方法包括：响应于获取到待处理的高光谱图像以及对应的标签，利用预设数据集划分规则，基于待处理的高光谱图像以及标签，确定第一数据集和第二数据集；基于预设空间光谱自训练规则，利用第二数据集对第一数据集进行扩充，得到第三数据集；基于待处理的高光谱图像以及第三数据集，利用预设测度约束流形规则，确定测度矩阵；利用测度矩阵，对待处理的高光谱图像进行降维，得到降维后的高光谱图像。利用本发明的方法，可获得更好的高光谱降维数据。
-
公开(公告)号：CN119810657A
公开(公告)日：2025-04-11
申请号：CN202411875850.6
申请日：2024-12-19
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明公开一种非监督双掩码图自编码器特征提取的高光谱影像分类方法，包括如下步骤：步骤1，获取高光谱遥感图像；步骤2，对高光谱遥感影像进行数据预处理，得到基于空间‑光谱信息构建的初始图；步骤3，从所述初始图导出节点分支和边分支，借助图掩码自编码器构建双分支图掩码‑重构结构来进行特征处理，所述图掩码自编码器的编码器用于基于跳跃连接的多级GCN‑Transformer并联编码器结构，来提取图结构的局部和全局信息特征；步骤4，将图掩码自编码器中编码器最后一层提取的图结构的特征转换为像素特征，将像素特征用于监督分类模型分类；本发明有着精度高、效率高的优点。
-
公开(公告)号：CN118898746A
公开(公告)日：2024-11-05
申请号：CN202410950994.7
申请日：2024-07-16
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/40 , G06V10/58 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种用于对高光谱图像进行跨场景分类的方法、装置和设备，其中，方法包括：获取目标域图像；其中，目标域图像为需要进行跨场景分类的目标区域的高光谱图像；将目标域图像输入预设跨场景分类模型，经预设跨场景分类模型输出关于目标域图像的分类类别；其中，预设跨场景分类模型基于预设训练框架以及至少一组训练数据训练得到，至少一组训练数据中的每组训练数据包括一张源域样本图像和对应的标签值，预设训练框架能够基于每组训练数据中的源域样本图像生成对应的扩展域样本图像。利用本发明公开的方法，可以在训练阶段通过变换图像的频率特性来实现提升模型的泛化能力，从而使得训练得到的预设跨场景分类模型对高光谱图像进行跨场景分类的准确性更高。
-
公开(公告)号：CN111798921B
公开(公告)日：2022-08-05
申请号：CN202010571759.0
申请日：2020-06-22
Applicant: 武汉大学
Abstract: 本发明公开了一种基于多尺度注意力卷积神经网络的RNA结合蛋白预测方法，包括训练阶段和预测阶段。训练阶段包括RNA数据的预处理，RNA数据的编码，构建神经网络和网络参数训练。通过将RNA的数学抽象的统计模式转化成矩阵的形式，输入到预先设计好的基于注意力机制的多尺度卷积神经网络，通过使设计的特别交叉熵损失函数最小，使用Adam优化方法训练神经网络中的参数。在预测阶段，以四个碱基为基本单元的RNA序列数据被输入到网络中，神经网络最后一层输出RNA数据中是否有结合蛋白对应的结合位点的概率大小，从而获得对RNA序列类别的预测结果。本发明可以提高预测精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.014 seconds)
