CN105844333A - 一种基于深信度网络的免疫层析试条定量检测方法 - Google Patents
一种基于深信度网络的免疫层析试条定量检测方法 Download PDFInfo
- Publication number
- CN105844333A CN105844333A CN201610156768.7A CN201610156768A CN105844333A CN 105844333 A CN105844333 A CN 105844333A CN 201610156768 A CN201610156768 A CN 201610156768A CN 105844333 A CN105844333 A CN 105844333A
- Authority
- CN
- China
- Prior art keywords
- layer
- sample
- training
- test strip
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/558—Immunoassay; Biospecific binding assay; Materials therefor using diffusion or migration of antigen or antibody
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Hematology (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Urology & Nephrology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Microbiology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Cell Biology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深信度网络的免疫层析试条定量检测方法,包括以下步骤:采集若干不同浓度样品液的免疫层析试条图像作为训练图像,预处理后提取包含检测线和质控线的目标区域;以像素作为样本单位,选取适当的网络输入特征量,计算出每个样本的输入量从而获得训练样本;构造基于受限玻尔兹曼机的深信度网络,输入训练样本,完成深信度网络的训练;将待测样品液试条图像进行预处理,计算输入特征量,得到测试样本;将测试样本输入到已训练的深信度网络得到待测样品液的图像分割结果;根据图像分割结果计算特征量得到定量检测浓度值。本发明可以获得较好的图像分割效果,提高了待测样品液浓度辨识的准确率,具有较强的应用性和鲁棒性。
Description
技术领域
本发明涉及免疫层析试条定量测试技术领域,特别是涉及一种基于深信度网络的免疫层析试条定量检测方法。
背景技术
免疫层析测定法是一种快速诊断技术,在层析过程中完成抗原抗体的特异性反应,从而达到检测的目的。免疫层析测定法由于符合现代医学倡导的“床边检验”的发展潮流,具有特异性强,操作方法简单、效率高、可以单人份检测及无污染等特点而成为最常用的一种侧流免疫层析快速检测方法。
在目前应用中,由于试条背景受待测液中的水、血、标记物纳米金以及渗透不均匀的干扰,大多仅适用于定性或半定量检测,且普遍采用直接肉眼判读,使其应用范围受到一定限制。而且定性或半定量的检测结果提供的信息较少,无法满足实际应用的要求。因此,本专利采用图像处理和人工智能等相关技术,提出了一种基于深信度网络的免疫层析试条定量检测方法。
发明内容
本发明为了克服现有技术存在的不足之处,提供一种基于深信度网络的免疫层析试条定量检测方法。所述方法能够有效克服内外部干扰因素的影响,准确提取试条的检测线和质控线,计算特征量从而得出待测样品液的浓度,实现免疫层析试条的定量检测。
本发明采用的技术方案是:一种基于深信度网络的免疫层析试条定量检测方法,包括以下步骤:
1、采集若干不同浓度样品液的免疫层析试条图像作为训练图像,对它们进行预处理,提取出包含检测线和质控线的目标区域。
2、以像素作为样本单位,选取适当的网络输入特征量,计算出每个样本的输入量从而获得训练样本。
3、构造基于受限玻尔兹曼机的深信度网络,确定深信度网络的层数以及各层节点数,输入训练样本,根据图像分割效果来调节网络参数,完成深信度网络的训练。
4、与训练图像相同,将待测样品液试条图像进行预处理,计算输入特征量,得到测试样本。
5、将测试样本输入到已经训练好的深信度网络里,得到待测样品液的图像分割结果。
6、根据得到的图像分割结果计算待测样品液试条图像的特征量。
7、根据样品液浓度与特征量之间的特定关系,得出待测物样品液的定量检测浓度值。
本发明为基于深信度网络的免疫层析试条定量检测方法,以像素作为样本单位,输入特征量考虑了三个方面的因素,所述步骤2具体包括:
21)因素一:邻域像素点的灰度值。取邻域窗口大小为n,将其展开维度为n×n的一维向量,其中边界像素点可使用镜像的方法补齐。
22)因素二:距离值。计算像素点到中心点的距离。
23)因素三:对比值。表征检测线或质控线与背景位置像素点灰度值的差值,取目标区域中的第一行与最后一行的灰度平均值和灰度最小值的差值。
24)分别对各个输入特征量进行归一化处理,使其数值都处于区间[0,1]内,避免单位和数量级的影响。
所述步骤3具体包括:
31)构建基于受限玻尔兹曼机的四层深信度网络,包括一个输入层、两个隐含层和一个输出层,其中,输入层节点数与训练样本的输入特征量的维数一致,输出层节点数与像素点的分类类别数一致。
32)预训练阶段:训练样本输入到第1层受限玻尔兹曼机(RBM)的可见层,通过逐层训练的方式对各层中的RBM进行训练,低一层RBM的隐含层输出作为上一层的RBM的可见层的输入。
33)微调阶段:采用有监督学习方式对最后一层的反向传播(BP)网络进行训练,并将实际输出与预期输出的误差逐层向后传播,对深信度网络的权值进行微调。
34)根据图像分割效果调节和优化网络参数,完成深信度网络的训练。
本发明的有益效果:1)选择了含多个隐含层的深信度网络,具有非常优异的特征表达能力;2)有效克服了内外部干扰因素的影响,可以获得较好的图像分割效果,提高了待测样品液浓度辨识的准确率,具有较强的应用性和鲁棒性;3)实现了免疫层析试条的定量检测,具有重要的理论意义和应用前景,可为现场测定如临床诊断、环境检测、农业、食品安全检测及一些新兴领域比如分子诊断等提供一种新的、快速准确而有效的检测手段。
以下结合附图及实施例对本发明作进一步详细说明;但本发明的一种基于深信度网络的免疫层析试条定量检测方法不局限于实施例。
附图说明
图1是本发明的方法流程图;
图2是基于深信度网络的免疫层析试条定量检测图像分割结果图,其中左侧为提取出的目标区域,右侧为通过本方法的图像分割结果;
图3是基于深信度网络的免疫层析试条定量检测实例结果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明,如图1所示,一种基于深信度网络的免疫层析试条定量检测方法,包括以下步骤:
1、采集若干不同浓度样品液的免疫层析试条图像作为训练图像,对它们进行预处理,分别提取出包含检测线和质控线的目标区域,目标区域的大小为180×90。
2、将目标区域分成两个部分,一部分为检测线及其背景,另一部分为质控线及其背景,大小均为50×90。以像素作为样本单位,选取适当的网络输入特征量,计算出每个样本的输入量,输入特征量考虑三个方面的因素,包括以下步骤:
21)因素一:邻域像素点的灰度值。取邻域窗口大小为13,将其展开维度为13×13的一维向量,其中边界像素点可使用镜像的方法补齐。
22)因素二:距离值。计算像素点到中心点的距离。
23)因素三:对比值。表征检测线或质控线与背景位置像素点灰度值的差值,取目标区域中的第一行与最后一行的灰度平均值和灰度最小值的差值。
24)分别对各个输入特征量进行归一化处理,使其数值都处于区间[0,1]内,避免单位和数量级的影响。
25)对于每个样本,输入向量的维度为171,像素点个数为4500。选择18张图片作为训练样本,则训练样本的个数为18×4500×171。
3、构造基于受限玻尔兹曼机的深信度网络,输入训练样本,完成深信度网络的训练,包括以下步骤:
31)构建基于受限玻尔兹曼机的四层深信度网络,包括一个输入层、两个隐含层和一个输出层,其中,输入层节点数为171,第一层隐含层节点数为100,第二层隐含层节点数为100,输出层节点数为2(背景部分用0表示,检测线或质控线部分用1表示)。
32)预训练阶段:训练样本输入到第1层受限玻尔兹曼机(RBM)的可见层,通过逐层训练的方式对各层中的RBM进行训练,低一层RBM的隐含层输出作为上一层的RBM的可见层的输入。随机初始化模型参数θ=(wij,ai,bj),wij表示可见层节点vi与隐含层hj之间的连接权值,ai和bj分别表示vi和hj的偏置值。采用对比散度算法,各参数的更新规则如下:
Δwij=ε(<vihj>data-<vihj>recon) (1)
Δai=ε(<vi>data-<vi>recon) (2)
Δbj=ε(<hj>data-<hj>recon) (3)
其中,ε为预训练的学习率,<>data为训练数据集所定义的分布上的数学期望,<>recon为重构后的模型所定义的分布上的数学期望。
33)微调阶段:采用有监督学习方式对最后一层的反向传播(BP)网络进行训练,并将实际输出与预期输出的误差逐层向后传播,对深信度网络的权值进行微调。对于输出层,第i个节点的灵敏度δ为:
δi=oi(1-oi)(di-oi) (4)
其中,oi为第i个节点的实际输出,di为期望输出。
对于第l个隐含层,灵敏度δ为:
其中,为第l个隐含层中第i个节点的灵敏度,为第l个隐含层中第i个节点的输出,为第(l+1)个隐含层中第j个节点的灵敏度,表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值;
得到各层的δ之后,DBN的网络权值按下式进行更新:
其中,εfine-turning为微调的学习率,为第(l+1)个隐含层中第j个节点的灵敏度,为第l个隐含层中第i个节点的输出,表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值。
34)根据图像分割效果来调节优化网络参数,完成深信度网络的训练。网络参数最终确定为:预训练和微调阶段的学习率均为1,mini-batch的大小分别为100和50,迭代次数设置为20。
4、与训练图像相同,将待测样品液试条图像进行预处理,计算输入特征量,得到测试样本。
5、将测试样本输入到已经训练好的深信度网络里,得到待测样品液的图像分割结果。
6、根据得到的图像分割结果计算待测样品液试条图像的特征量。
7、根据样品液浓度与特征量之间的特定关系,得出待测物样品液的定量检测浓度值。
为了验证本发明方法在免疫层析试条定量检测领域的效果,对多种浓度的hCG(人绒毛膜促性腺激素)样品液纳米金免疫层析试条图像进行检测,结果如表1和图2、3所示。
表1纳米金免疫层析试条的特征量
hCG浓度(mIU/ml) | 35 | 75 | 100 | 150 |
特征量 | 0.4686 | 0.6241 | 0.9697 | 1.0803 |
hCG浓度(mIU/ml) | 200 | 300 | 400 | 500 |
特征量 | 1.8766 | 2.0895 | 2.8828 | 3.8213 |
从表1可以看出,随着hCG样品液浓度的增加,试条的特征值量也逐渐增加。图2中,由提取出的目标区域及通过本方法的图像分割结果两者明显地可以看出,本方法具有较准确的图像分割效果。图3为通过最小均方误差拟合得到的hCG-特征量直线,可以看出拟合直线的相关度很好(R2=0.97681),从而验证了本方法的准确性和实用性。
上述实施例仅用来进一步说明本发明的一种基于深信度网络的免疫层析试条定量检测方法,但本发明并不局限于实施例,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均落入本发明技术方案的保护范围内。
Claims (7)
1.一种基于深信度网络的免疫层析试条定量检测方法,其特征在于包括以下步骤:
1)、采集若干不同浓度样品液的免疫层析试条图像作为训练图像,对它们进行预处理,分别提取出包含检测线和质控线的目标区域;
2)、以所述训练图像的像素作为样本单位,选取适当的网络输入特征量,计算出每个样本的输入量从而获得训练样本;
3)、构造基于受限玻尔兹曼机的深信度网络,确定深信度网络的层数以及各层节点数,输入所述训练样本,根据图像分割效果来调节网络参数,完成深信度网络的训练;
4)、与训练图像相同,将待测样品液试条图像进行预处理,计算输入特征量,得到测试样本;
5)、将测试样本输入到已经训练好的深信度网络里,得到待测样品液的图像分割结果;
6)、根据得到的图像分割结果计算待测样品液试条图像的特征量;
7)、根据样品液浓度与特征量之间的特定关系,得出待测物样品液的定量检测浓度值。
2.根据权利要求1所述的基于深信度网络的免疫层析试条定量检测方法,其特征在于:步骤1中,所述目标区域分成两个部分,一部分为检测线及其背景,另一部分为质控线及其背景,像素大小相同。
3.根据权利要求1所述的基于深信度网络的免疫层析试条定量检测方法,其特征在于:步骤2中,所述输入特征量包括领域像素点的灰度值、距离值及对比值,其中所述距离值是像素点到中心点的距离,所述对比值是所述检测线或质控线与背景位置像素点灰度值的差值。
4.根据权利要求3所述的基于深信度网络的免疫层析试条定量检测方法,其特征在于:步骤2具体包括以下子步骤:
2.1取领域窗口大小为n,将其展开维度为n×n的一维向量,其中边界像素点通过镜像的方法补齐;
2.2计算像素点到中心点的距离;
2.3取所述目标区域中的第一行与最后一行的灰度平均值和灰度最小值的差值;
2.4分别对各个输入特征量进行归一化处理,使其数值都处于区间[0,1]内。
5.根据权利要求1或4所述的基于深信度网络的免疫层析试条定量检测方法,其特征在于:所述步骤3)具体包括以下子步骤:
3.1构建基于受限玻尔兹曼机的四层深信度网络,包括一个输入层、两个隐含层和一个输出层,其中,输入层节点数与训练样本的输入特征量的维数一致,输出层节点数与像素点的分类类别数一致;
3.2预训练阶段:训练样本输入到第1层受限玻尔兹曼机的可见层,通过逐层训练的方式对各层中的受限玻尔兹曼机进行训练,低一层受限玻尔兹曼机的隐含层输出作为上一层的受限玻尔兹曼机的可见层的输入;
3.3微调阶段:采用有监督学习方式对最后一层的反向传播网络进行训练,并将实际输出与预期输出的误差逐层向后传播,对深信度网络的权值进行微调;
3.4根据图像分割效果调节和优化网络参数,完成深信度网络的训练。
6.根据权利要求5所述的基于深信度网络的免疫层析试条定量检测方法,其特征在于:所述步骤3.2中,随机初始化模型参数θ=(wij,ai,bj),其中wij表示可见层节点vi与隐含层hj之间的连接权值,ai和bj分别表示vi和hj的偏置值;采用对比散度算法,各参数的更新规则如下:
Δwij=ε(<vihj>data-<vihj>recon)
Δai=ε(<vi>data-<vi>recon)
Δbj=ε(<hj>data-<hj>recon)
其中,ε为预训练的学习率,<>data为训练数据集所定义的分布上的数学期望,<>recon为重构后的模型所定义的分布上的数学期望。
7.根据权利要求5所述的基于深信度网络的免疫层析试条定量检测方法,其特征在于:步骤3.3中,
对于输出层,第i个节点的灵敏度δ为:
δi=oi(1-oi)(di-oi)
其中,oi为第i个节点的实际输出,di为期望输出;
对于第l个隐含层,灵敏度δ为:
其中,为第l个隐含层中第i个节点的灵敏度,为第l个隐含层中第i个节点的输出,为第(l+1)个隐含层中第j个节点的灵敏度,表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值;
得到各层的δ之后,DBN的网络权值按下式进行更新:
其中,εfine-turning为微调的学习率,为第(l+1)个隐含层中第j个节点的灵敏度,为第l个隐含层中第i个节点的输出,表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610156768.7A CN105844333A (zh) | 2016-03-18 | 2016-03-18 | 一种基于深信度网络的免疫层析试条定量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610156768.7A CN105844333A (zh) | 2016-03-18 | 2016-03-18 | 一种基于深信度网络的免疫层析试条定量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844333A true CN105844333A (zh) | 2016-08-10 |
Family
ID=56587338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610156768.7A Pending CN105844333A (zh) | 2016-03-18 | 2016-03-18 | 一种基于深信度网络的免疫层析试条定量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844333A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN109035273A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN109347863A (zh) * | 2018-11-21 | 2019-02-15 | 成都城电电力工程设计有限公司 | 一种改进的免疫的网络异常行为检测方法 |
CN112071423A (zh) * | 2020-09-07 | 2020-12-11 | 上海交通大学 | 一种基于机器学习的免疫层析浓度检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080311595A1 (en) * | 2007-06-18 | 2008-12-18 | Inger Mattsby-Baltzer | Rapid fungal detection assay and product |
CN102384972A (zh) * | 2010-10-19 | 2012-03-21 | 刘江 | 一种基于机器视觉的免疫层析结果判读方法 |
CN104077580A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于深信度网络的害虫图像自动识别方法 |
CN104636732A (zh) * | 2015-02-12 | 2015-05-20 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
-
2016
- 2016-03-18 CN CN201610156768.7A patent/CN105844333A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080311595A1 (en) * | 2007-06-18 | 2008-12-18 | Inger Mattsby-Baltzer | Rapid fungal detection assay and product |
CN102384972A (zh) * | 2010-10-19 | 2012-03-21 | 刘江 | 一种基于机器视觉的免疫层析结果判读方法 |
CN104077580A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于深信度网络的害虫图像自动识别方法 |
CN104636732A (zh) * | 2015-02-12 | 2015-05-20 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
Non-Patent Citations (3)
Title |
---|
NIANYIN ZENG ET AL.: "Image-Based Quantitative Analysis of Gold Immunochromatographic Strip via Cellular Neural Network Approach", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
吕启等: "基于DBN模型的遥感图像分类", 《计算机研究与发展》 * |
曾念寅等: "FCM聚类算法实现金免疫层析试条定量检测的研究", 《仪器仪表学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN109035273A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN109035273B (zh) * | 2018-08-08 | 2021-08-20 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN109347863A (zh) * | 2018-11-21 | 2019-02-15 | 成都城电电力工程设计有限公司 | 一种改进的免疫的网络异常行为检测方法 |
CN109347863B (zh) * | 2018-11-21 | 2021-04-06 | 成都城电电力工程设计有限公司 | 一种改进的免疫的网络异常行为检测方法 |
CN112071423A (zh) * | 2020-09-07 | 2020-12-11 | 上海交通大学 | 一种基于机器学习的免疫层析浓度检测方法及系统 |
CN112071423B (zh) * | 2020-09-07 | 2023-07-21 | 上海交通大学 | 一种基于机器学习的免疫层析浓度检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eaton-Rosen et al. | Towards safe deep learning: accurately quantifying biomarker uncertainty in neural network predictions | |
CN105844333A (zh) | 一种基于深信度网络的免疫层析试条定量检测方法 | |
CN105741267B (zh) | 聚类引导深度神经网络分类的多源图像变化检测方法 | |
Kłosowski et al. | Using neural networks and deep learning algorithms in electrical impedance tomography | |
CN109190537A (zh) | 一种基于掩码感知深度强化学习的多人物姿态估计方法 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN107169556A (zh) | 基于深度学习的干细胞自动计数方法 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN110110754B (zh) | 基于代价局部泛化误差的不平衡问题的分类方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN105046241B (zh) | 基于rbm模型的目标级遥感图像变化检测方法 | |
CN109740588A (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN103295031B (zh) | 一种基于正则风险最小化的图像目标计数方法 | |
CN109102515A (zh) | 一种基于多列深浅卷积神经网络的细胞计数方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN108596274A (zh) | 基于卷积神经网络的图像分类方法 | |
Zhang et al. | Unsupervised learning of particle image velocimetry | |
CN110502277A (zh) | 一种基于bp神经网络的代码坏味检测方法 | |
CN107346556A (zh) | 一种基于块字典学习和稀疏表达的pet图像重建方法 | |
CN103390274A (zh) | 一种基于区域相关信息熵的图像分割质量评价方法 | |
CN111090764A (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
CN101706443A (zh) | 一种服装面料接缝平整度评定方法 | |
CN106991411A (zh) | 基于深度形状先验的遥感图像目标精细化提取方法 | |
CN108154133A (zh) | 基于非对称联合学习的人脸画像-照片识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |
|
RJ01 | Rejection of invention patent application after publication |