-
公开(公告)号：CN117436474A
公开(公告)日：2024-01-23
申请号：CN202311526278.8
申请日：2023-11-16
Applicant: 西北农林科技大学
IPC: G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06F18/214 , G06F18/21
Abstract: 本发明提供基于关系型图卷积神经网络快速预测基因调控网络，包括如下步骤：步骤A：初始图构建,DeepGenei n根据scRNA‑seq数据和已知的调控关系网络构建初始GRN骨架；步骤B：使用R‑GCN编码器学习TF和Target节点嵌入,根据初始GRN骨架随机负采样生成对应的负样本，分别构造正关系二分图和负关系二分图，采用R‑GCN来学习初始GRN的拓扑信息和特征信息，生成TF和Target节点嵌入；步骤C：应用双线性解码器重构图，本发明采用能够很好的聚合拓扑结构信息和节点特征信息的关系型图卷积神经网络来解决，R‑GCN处理非结构化数据时具有出色的能力，对于没有可靠负样本的情况，采用两个矩阵来分别保存真实的交互关系和负采样不存在的交互关系，通过采用这种方式能够很好地提高样本的可信度。
-
公开(公告)号：CN115100488A
公开(公告)日：2022-09-23
申请号：CN202210726753.5
申请日：2022-06-24
Applicant: 西北农林科技大学
IPC: G06V10/774 , G06V10/764 , G06T7/60 , G06T7/00 , G06V10/82
Abstract: 本发明公开了一种基于三重路径网络的乳腺辅助识别方法、系统、终端及介质，包括：获取原始乳房超声图像，对原始乳房超声图像进行处理，获取面向BIRADS的特征映射；将面向BIRADS的特征映射输入至SATPN网络中，基于编码器对面向BIRADS的特征映射进行特征提取，得到病变特征；对病变特征分别进行分类训练和重建训练，获取图像重建误差和标签预测误差；对图像重建误差和标签预测误差进行加权投票，得到最优的图像。本发明能够集成分类和图像重建任务，以实现对乳房的准确识别，提高先验领域知识的利用率，提高乳腺超声图像的病变分类精度。
-
公开(公告)号：CN117935911A
公开(公告)日：2024-04-26
申请号：CN202410171602.7
申请日：2024-02-06
Applicant: 西北农林科技大学
IPC: G16B20/20 , G06N3/0464 , G06N3/08 , G06F18/241
Abstract: 本发明公开了一种基于深度学习框架的家畜染色质开放区域识别方法，该方法基于一种用于预测家畜OCR的轻量级深度可分离残差网络模型来实现，所述网络模型为DeepOCR，所述DeepOCR采用三层网络架构，所述网络构架包括输入层、隐藏层和输出层，所述输入层用于将经过预处理的DNA序列转换为特征向量，所述隐藏层由单卷积层、可分离残差卷积层和全连接层组成，通过对残差网络的层结构进行优化，从而减少模型中的参数数量，使模型更加轻量级，便于为每个物种构建准确的模型，减少参数数量，有助于提高模型的计算效率，减少内存占用，由于模型的轻量化和通用性，更容易适应不同类型的基因组数据，使得模型对于新的物种或变异的适应能力更强，具有一定的灵活性。
-
公开(公告)号：CN115100488B
公开(公告)日：2024-08-13
申请号：CN202210726753.5
申请日：2022-06-24
Applicant: 西北农林科技大学
IPC: G06V10/774 , G06V10/764 , G06T7/60 , G06T7/00 , G06V10/82
Abstract: 本发明公开了一种基于三重路径网络的乳腺辅助识别方法、系统、终端及介质，包括：获取原始乳房超声图像，对原始乳房超声图像进行处理，获取面向BIRADS的特征映射；将面向BIRADS的特征映射输入至SATPN网络中，基于编码器对面向BIRADS的特征映射进行特征提取，得到病变特征；对病变特征分别进行分类训练和重建训练，获取图像重建误差和标签预测误差；对图像重建误差和标签预测误差进行加权投票，得到最优的图像。本发明能够集成分类和图像重建任务，以实现对乳房的准确识别，提高先验领域知识的利用率，提高乳腺超声图像的病变分类精度。
-
-
-
Search Results
4
records
(took 0.016 seconds)
