CN106295245B - 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 - Google Patents
基于Caffe的堆栈降噪自编码基因信息特征提取的方法 Download PDFInfo
- Publication number
- CN106295245B CN106295245B CN201610600542.1A CN201610600542A CN106295245B CN 106295245 B CN106295245 B CN 106295245B CN 201610600542 A CN201610600542 A CN 201610600542A CN 106295245 B CN106295245 B CN 106295245B
- Authority
- CN
- China
- Prior art keywords
- model
- noise reduction
- gene
- caffe
- storehouse noise
- 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.)
- Active
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 70
- 230000009467 reduction Effects 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000014509 gene expression Effects 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013145 classification model Methods 0.000 description 6
- 238000002869 basic local alignment search tool Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 108091005461 Nucleic proteins Chemical group 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical group 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于Caffe的堆栈降噪自编码基因信息特征提取的方法，该基于Caffe的堆栈降噪自编码基因信息特征提取的方法具体步骤如下：S1：数据准备，S2：搭建基于Caffe的堆栈降噪自编码基因特征提取模型，S3：逐层训练堆栈降噪自编码基因特征提取模型，S4：使用有标签基因数据微调堆栈降噪自编码基因特征提取模型，S5：使用训练好的基因特征提取模型搭建基因性状识别系统，本发明的技术方案采用深度学习的算法框架，在图像特征提取的基础上，通过训练分类识别模型，以此可进行对待测基因的特征提取和进一步的分类识别。
Description
技术领域
本发明涉及生物信息技术领域，具体为基于Caffe的堆栈降噪自编码基因信息特征提取的方法。
背景技术
人类基因组计划奠定了从基因切入研究复杂疾病的基础，人们希望找到人类发病与基因之间的关系。全基因组关联研究(Genome-wide association study)是指在人类全基因组范围内找出存在的序列变异，即单核苷酸多态性(SNP)，从中筛选出与疾病相关的SNPs。这一研究方法的引入，使对遗传流行病的发病预测不再停留在传统的年龄、家族史等“环境性”因素分析，而是通过对人体的全基因组的分析，找出可能导致今后发病的基因，并结合“环境性”因素，得出包括癌症在内的多种流行病的发病率。虽然，GWAS已经发现了很多与复杂疾病相关的SNP位点，但是GWAS仍然存在很多问题，其成果与人们的预期差距甚远。
BLAST(Basic Local Alignment Search Tool)是一套在DNA数据库或蛋白质数据库中进行相似性比较的分析工具。BLAST程序能迅速使目标基因序列与公开数据库进行相似性序列比较。BLAST采用一种局部的算法获得两个序列中具有相似性的序列，并且对一条或多条序列(可以是任何形式的序列)在一个或多个核酸或蛋白序列库中进行比对。然而，BLAST更多的表现为一种查询比对工具，并不能通过深度学习算法进行自动的特征提取和基因性状识别。
Caffe是一个清晰而高效的深度学习框架，它是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口，可以在CPU和GPU直接无缝切换，用于研究机器视觉的开源卷积神经网络框架，并且主要应用于图像领域处理。它的特点是：快速搭建网络结构，代码可扩展，计算速度快等。利用Caffe开源深度学习框架，搭建基于Caffe的堆栈降噪自编码基因特征提取模型，然后构建基于该模型的基因性状识别系统，并使用该系统对待测基因序列进行精确、高效的特征提取与自动识别基因的对应性状。
本发明基于深度学习算法，提供了基于Caffe的堆栈降噪自编码基因信息特征提取的方法，能够在以机器学习的方式，通过训练特征提取模型与构建自动识别系统，更加精确、高效的实现基因序列分析与分类识别，为基因信息的比对研究、分类识别等提供了一种新的技术方案。
发明内容
本发明的目的在于提供基于Caffe的堆栈降噪自编码基因信息特征提取的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于Caffe的堆栈降噪自编码基因信息特征提取的方法，该基于Caffe的堆栈降噪自编码基因信息特征提取的方法具体步骤如下：
S1：数据准备,基因碱基序列可视化，图像数据预处理,首先将基因碱基序列进行可视化转换，即先由序列信息转换成二进制数字节流表示，再利用颜色空间转换为二维的图像格式，然后使用Caffe提供的工具将图像数据调整到固定大小，最后使用Caffe的工具将全部基因图像转换为适用于Caffe的数据库文件，格式为leveldb或者lmdb；
S2：搭建基于Caffe的堆栈降噪自编码基因特征提取模型，第一步：定义堆栈降噪自编码基因特征提取模型，第二步：编写基于caffe的堆栈降噪自编码模型的模型描述文件；
S3：逐层训练堆栈降噪自编码基因特征提取模型，采用逐层贪婪的训练方法，编写基于Caffe的模型求解文件，使用步骤S1准备好的基因信息数据，对步骤S2模型描述文件定义的堆栈降噪自编码基因特征提取模型进行训练，求解特征中各层的参数；
S4：使用有标签基因数据微调堆栈降噪自编码基因特征提取模型，在堆栈降噪自编码模型的基础上，构建一个分类模型，使用有标签的基因信息数据对该分类模型进行训练，其中有标签指已知性状分类；
S5：使用训练好的基因特征提取模型搭建基因性状识别系统，并使用该系统对基因性状进行识别，保留经过微调之后的堆栈降噪自编码基因特征提取模型，并以大量的基因信息数据对该基因特征提取模型进行特征提取训练，利用微调的基因特征提取模型，构建基因性状识别模型，对待测基因信息数据进行对应性状的分类识别。
进一步地，所述S2中模型描述文件是Caffe用来定义堆栈降噪自编码模型的网络结构以及网络中各层的参数。
进一步地，所述步骤S4中所谓有标签的基因信息数据是指带有该基因对应性状标签的数据。
本发明的技术方案采用深度学习的算法框架，在图像特征提取的基础上，通过训练分类识别模型，以此可进行对待测基因的特征提取和进一步的分类识别。
附图说明
图1为本发明技术方案实施流程图；
图2为本发明降噪自编码器示意图；
图3为本发明堆栈式降噪自编码器示意图；
图4为本发明堆栈降噪自编码基因信息识别模型微调示意图；
图5为本发明堆栈降噪自编码基因特征提取模型搭建基因性状识别系统图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
步骤S1的数据准备：首先准备用于训练模型的基因信息数据，这里的基因信息数据采用不同个体的同名基因，假设有n个不同人的基因样本数据。将这n个人的该基因碱基序列进行可视化操作，可视化结果为n个图像格式的基因数据；
假设图像像素大小为p0×q0，然后，将这n张图像像素设置到固定大小p×q。使用Caffe提供的convert_imageset工具，将这n张图像样本转换为适用于Caffe的数据库文件，数据库文件格式为leveldb或者lmdb，优选lmdb。
步骤S2是基于Caffe，搭建一个堆栈降噪自编码基因特征提取模型。模型的基础单元是一个降噪自编码模型，一个基因特征提取模型是由若干个降噪自编码模型的基础单元逐层堆叠在一起构成一个深度模型；降噪自编码模型是在原始输入基础上加入随机噪声，生成新的输入。然后，一个编码器将新的输入进行编码，一个解码器将编码的结果进行解码；降噪自编码模型的目的是使经过解码器解码出来的结果尽可能地接近原始输入。这个模型用下面的公式表示：
这里，x是原始输入，qD是加入噪声操作，表示加入噪声之后新的输入；
编码器为：
这里，W为权重，b为偏置，s是非线性Sigmoid函数，y为编码器的输出，θ＝(W,b)为编码器的参数；
解码器为：
z＝gθ(y)＝s(W′y+b′)
这里，W′为权重，b′为偏置，y为编码器的输出，s是非线性Sigmoid函数，z是解码器的输出，θ′＝(W′,b′)为解码器的参数；
Loss函数为：
L(x,z)＝L2(x,z)＝C(σ2)||x-z||2
这里，C(σ2)为常数项，并且只与σ2有关；
堆栈降噪自编码模型由若干个降噪自编码基础单元逐层堆叠构成的深度模型。前一个降噪自编码模型的编码器输出作为后一个降噪自编码模型的输入；
再根据上述定义的模型结构，编写适用于Caffe的模型描述文件。
步骤S3逐层训练堆栈降噪自编码基因特征提取模型，是采用逐层贪婪算法来训练堆栈降噪自编码基因特征提取模型；
所谓逐层贪婪算法指的是，首先训练第一个降噪自编码模型，固定其它降噪自编码模型。训练完第一个降噪自编码模型后，丢弃它的解码器，将该降噪自编码模型的输出作为第二个降噪自编码模型的输入，训练第二个降噪自编码模型。接下来采用同样的方法，逐一训练各个降噪自编码模型，直到训练结束；
按照逐层贪婪算法，编写适用于Caffe的模型求解文件，结合步骤S1准备的基因数据，训练步骤S2定义的堆栈降噪自编码基因特征提取模型。
步骤S4是在训练好的堆栈降噪自编码基因特征提取模型的基础上，添加一个softmax分类器，构成一个有监督分类模型。然后按照步骤S1准备的具有对应性状标签的基因数据，利用该有标签的基因数据训练该监督分类模型；
监督分类模型的权重初始值为步骤S3逐层贪婪训练得到的模型参数；
编写基于Caffe的有监督分类模型的描述文件和基于Caffe的有监督分类模型的微调求解文件。保存训练结果中堆栈降噪自编码各层参数作为堆栈降噪自编码基因信息特征提取模型的参数。
步骤S5是结合步骤S2定义的堆栈降噪自编码基因信息特征提取模型和步骤S4训练得到的经微调的特征提取模型参数，构造一个新的基因信息特征提取模型；
利用该新建的基因特征提取模型可搭建基因对应性状识别系统，该基因性状识别系统核心部分为经过监督分类模型微调参数结合的堆栈降噪自编码基因信息特征提取模型，因此将待检测的基因序列信息，转化为可视化的无标签基因图像数据，利用以上基因信息特征体模型进行基因特征提取并分类识别，输出即为具有对应性状标签的基因识别结果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.基于Caffe的堆栈降噪自编码基因信息特征提取的方法，其特征在于：该基于Caffe的堆栈降噪自编码基因信息特征提取的方法具体步骤如下：
S1：数据准备,基因碱基序列可视化，图像数据预处理,首先将基因碱基序列进行可视化转换，即先由序列信息转换成二进制数字节流表示，再利用颜色空间转换为二维的图像格式，然后使用Caffe提供的工具将图像数据调整到固定大小，最后使用Caffe的工具将全部基因图像转换为适用于Caffe的数据库文件，格式为leveldb或者lmdb；
S2：搭建基于Caffe的堆栈降噪自编码基因特征提取模型，第一步：定义堆栈降噪自编码基因特征提取模型，第二步：编写基于Caffe 的堆栈降噪自编码模型的模型描述文件；
S3：逐层训练堆栈降噪自编码基因特征提取模型，采用逐层贪婪的训练方法，编写基于Caffe的模型求解文件，使用步骤S1准备好的基因信息数据，对步骤S2模型描述文件定义的堆栈降噪自编码基因特征提取模型进行训练，求解特征中各层的参数；
S4：使用有标签基因数据微调堆栈降噪自编码基因特征提取模型，在堆栈降噪自编码模型的基础上，构建一个分类模型，使用有标签的基因信息数据对该分类模型进行训练，其中有标签指已知性状分类；
S5：使用训练好的基因特征提取模型搭建基因性状识别系统，并使用该系统对基因性状进行识别，保留经过微调之后的堆栈降噪自编码基因特征提取模型，并以大量的基因信息数据对该基因特征提取模型进行特征提取训练，利用微调的基因特征提取模型，构建基因性状识别模型，对待测基因信息数据进行对应性状的分类识别。
2.根据权利要求1所述的基于Caffe的堆栈降噪自编码基因信息特征提取的方法，其特征在于：所述S2中模型描述文件是Caffe用来定义堆栈降噪自编码模型的网络结构以及网络中各层的参数。
3.根据权利要求1所述的基于Caffe的堆栈降噪自编码基因信息特征提取的方法，其特征在于：所述步骤S4中所谓有标签的基因信息数据是指带有该基因对应性状标签的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610600542.1A CN106295245B (zh) | 2016-07-27 | 2016-07-27 | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610600542.1A CN106295245B (zh) | 2016-07-27 | 2016-07-27 | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106295245A CN106295245A (zh) | 2017-01-04 |
| CN106295245B true CN106295245B (zh) | 2019-08-30 |
Family
ID=57662428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610600542.1A Active CN106295245B (zh) | 2016-07-27 | 2016-07-27 | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106295245B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009402A (zh) * | 2017-07-25 | 2018-05-08 | 北京工商大学 | 一种基于动态卷积网络的微生物基因序列分类模型的方法 |
| CN107665248A (zh) * | 2017-09-22 | 2018-02-06 | 齐鲁工业大学 | 基于深度学习混合模型的文本分类方法和装置 |
| CN108304359B (zh) * | 2018-02-06 | 2019-06-14 | 中国传媒大学 | 无监督学习统一特征提取器构建方法 |
| CN108734568B (zh) * | 2018-04-09 | 2022-11-25 | 中国平安人寿保险股份有限公司 | 一种特征组合方法、装置、终端设备及存储介质 |
| CN109688395B (zh) * | 2018-12-29 | 2020-01-14 | 北京中科寒武纪科技有限公司 | 运算方法、装置及相关产品 |
| CN111161800B (zh) * | 2019-12-30 | 2021-05-07 | 云舟生物科技（广州）有限公司 | 基因载体的序列诊断方法、系统、存储介质及电子设备 |
| CN111259366B (zh) * | 2020-01-22 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 一种基于自监督学习的验证码识别器的训练方法和装置 |
| CN111339443B (zh) * | 2020-03-09 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN112347885B (zh) * | 2020-10-27 | 2023-06-23 | 西安科技大学 | 一种基于自编码网络的铁谱图像智能识别方法 |
| CN112562656A (zh) * | 2020-12-16 | 2021-03-26 | 咪咕文化科技有限公司 | 一种信号分类方法、装置、设备及存储介质 |
| CN113160889B (zh) * | 2021-01-28 | 2022-07-19 | 人科(北京)生物技术有限公司 | 一种基于cfDNA组学特性的癌症无创早筛方法 |
| CN112863599B (zh) * | 2021-03-12 | 2022-10-14 | 南开大学 | 一种病毒测序序列的自动化分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1584027A (zh) * | 2004-06-10 | 2005-02-23 | 上海交通大学 | Rna全序列特征可视化提取方法 |
| CN103955936A (zh) * | 2014-05-13 | 2014-07-30 | 西北工业大学 | 一种基于堆栈式去噪自编码机的显著性物体检测方法 |
| CN105654121A (zh) * | 2016-04-11 | 2016-06-08 | 李云栋 | 一种基于深度学习的复杂提花织物缺陷检测方法 |
-
2016
- 2016-07-27 CN CN201610600542.1A patent/CN106295245B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1584027A (zh) * | 2004-06-10 | 2005-02-23 | 上海交通大学 | Rna全序列特征可视化提取方法 |
| CN103955936A (zh) * | 2014-05-13 | 2014-07-30 | 西北工业大学 | 一种基于堆栈式去噪自编码机的显著性物体检测方法 |
| CN105654121A (zh) * | 2016-04-11 | 2016-06-08 | 李云栋 | 一种基于深度学习的复杂提花织物缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《Deep autoencoders for dimensionality reduction of high-content screening data》;L.Zamparo et al;《ArXiv preprint arXiv:1501.01348》;20151231;第4页最后一段 |
| 《基于堆叠降噪自动编码器的胶囊缺陷检测方法》;王宪保，等;《计算机科学》;20160229;第43卷(第2期);第64-68页 |
| 《基于改进型SDA的自然图像分类与检索》;徐守晶，等;《模式识别与人工智能》;20140831;第27卷(第8期);第750-758页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106295245A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295245B (zh) | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 | |
| CN109543667B (zh) | 一种基于注意力机制的文本识别方法 | |
| CN108875807B (zh) | 一种基于多注意力多尺度的图像描述方法 | |
| CN108804397A (zh) | 一种基于少量目标字体的汉字字体转换生成的方法 | |
| CN107516096A (zh) | 一种字符识别方法及装置 | |
| CN109308485A (zh) | 一种基于字典域适应的迁移稀疏编码图像分类方法 | |
| CN103186776B (zh) | 基于多特征和深度信息的人体检测方法 | |
| Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
| CN114529903A (zh) | 文本细化网络 | |
| WO2021050769A1 (en) | Spatio-temporal interactions for video understanding | |
| CN110852375A (zh) | 基于深度学习的端到端乐谱音符识别方法 | |
| CN107392229B (zh) | 一种基于最面向社会关系抽取的网络表示方法 | |
| CN115761764A (zh) | 一种基于视觉语言联合推理的中文手写文本行识别方法 | |
| CN106096327A (zh) | 基于Torch监督式深度学习的基因性状识别方法 | |
| CN113160885A (zh) | 基于胶囊网络的rna与蛋白质绑定偏好预测方法和系统 | |
| CN110097615B (zh) | 一种联合风格化和去风格化的艺术字编辑方法和系统 | |
| KR101066343B1 (ko) | 상호 정보 최대화 기반의 국부 이진 패턴 코드를 이용한 패턴 인식 방법, 장치 및 그 기록 매체 | |
| Li et al. | Deep neural network with attention model for scene text recognition | |
| CN112329389B (zh) | 一种基于语义分割与禁忌搜索的汉字笔画自动提取方法 | |
| CN108009402A (zh) | 一种基于动态卷积网络的微生物基因序列分类模型的方法 | |
| CN103793720A (zh) | 一种眼睛定位方法和系统 | |
| CN107967472A (zh) | 一种使用动态形状编码的搜索词语方法 | |
| CN108921911B (zh) | 结构化图片自动转换为源代码的方法 | |
| WO2015029158A1 (ja) | データ変換装置およびデータ変換方法ならびにデータ変換プログラム | |
| Sun et al. | Face recognition based on fractal and hidden Markov model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 510670 17 / F, building 3, Yunsheng Science Park, No. 11, puyuzhong Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. Address before: No.205-7, 79 Ruihe Road, Guangzhou Economic and Technological Development Zone, Guangdong 510665 Patentee before: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. |
|
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20231120 Granted publication date: 20190830 |
|
| PD01 | Discharge of preservation of patent | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20231219 Granted publication date: 20190830 |