CN111210870A - 蛋白质分类方法 - Google Patents
蛋白质分类方法 Download PDFInfo
- Publication number
- CN111210870A CN111210870A CN201911376845.XA CN201911376845A CN111210870A CN 111210870 A CN111210870 A CN 111210870A CN 201911376845 A CN201911376845 A CN 201911376845A CN 111210870 A CN111210870 A CN 111210870A
- Authority
- CN
- China
- Prior art keywords
- protein
- voxel
- model
- dimensional
- classification method
- 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.)
- Granted
Links
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 102
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229920002521 macromolecule Polymers 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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 class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Analytical Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Bioethics (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种蛋白质分类方法,包括如下步骤:将蛋白质三维模型置入N*N*N大小的体素占据网格;对所述体素占据网格投射N*N条射线,每条射线通过N个体素的中心;基于射线与蛋白质三维模型的相交情况构建占据模型;将所述占据模型通过三维卷积神经网络实现对蛋白质的分类;采用体素占据网格实现对蛋白质结构的体积表示,从原始蛋白质体积数据中利用机器学习为蛋白质创建快速准确的分类器,对蛋白质数据集实现了高速高精度的分类效果。
Description
技术领域
本发明属于蛋白质数据分类技术领域,具体地说,是涉及一种蛋白质分类方法。
背景技术
结构生物学的目标,包括全面理解分子的形状和由生物大分子支撑的形式,并扩展这方面的内容,以理解如何使用不同的分子结构来呈现大多数生物过程。在这些大分子中,蛋白质是参与大多数过程的关键效应器,具有动态复杂的表面;它们可以由成千上万个原子组成,在原子尺度上由于局部(残基侧链)或全局(环或域)结构变化而表现出多种不同的构象,这些结构变化极大地影响它们的全局和局部形状。
由于蛋白质的结构与它们的功能有关,而它们之间相互作用的中断可能导致疾病状态,因此对它们的形状进行表征非常重要,有助于识别潜在的粘合剂,如其他蛋白质、药物或核酸等。
蛋白质分类是生物信息学中的关键问题之一,许多无监督方法被应用于蛋白质分类问题中,其中的代表性方法包括自然矢量方法、蛋白质地图、K-string字典、Yau-Hausdorff距离等。随着机器学习的快速发展,将机器学习方法应用于蛋白质分类也取得了很大进展。Khan等采用蚁群优化方法,结合关联规则挖掘与监督分类机制对蛋白质进行分类;Lacey等将隐马尔可夫模型与随机决策树应用于蛋白质分类;Islam等将自然语言处理的N-Gra模型应用于蛋白质分类等考虑到蛋白质的三维结构包含大量信息,Jiang等提出将图核应用于蛋白质的图结构信息提取,并结合SVM进行分类;对于蛋白质各种特征信息的融合问题,Singh等采用混合特征选择技术对蛋白质进行分类。
然而,上述的现有技术在很大程度上已经被基于深度学习的方法所取代,在这种方法中,特征和分类器是共同从数据中学习的;特别是卷积神经网络(CNNs),极大地提高了图像目标识别的技术水平。但基于CNNs的蛋白质数据分类方法目前面临的挑战主要有两个方面:1)虽然将CNNs基本方法扩展到体积数据在概念上很简单,但是不清楚哪些体系结构和数据表示会产生良好的性能;
2)体积难以计算。
发明内容
本发明的目的在于提供一种蛋白质分类方法,采用体素占据网格实现对蛋白质结构的体积表示,从原始蛋白质体积数据中利用机器学习为蛋白质创建快速准确的分类器,对蛋白质数据集实现了高速高精度的分类效果。
具体的,本发明采用以下技术方案予以实现:
提出一种蛋白质分类方法,包括如下步骤:将蛋白质三维模型置入N*N*N大小的体素占据网格;对所述体素占据网格投射N*N条射线,每条射线通过N个体素的中心;基于射线与蛋白质三维模型的相交情况构建占据模型;将所述占据模型通过三维卷积神经网络实现对蛋白质的分类。
进一步的,基于射线与蛋白质三维模型的相交情况构建占据模型,具体包括:确定穿过体素中心的射线命中蛋白质三维模型的情况;基于命中情况构建占据模型。
进一步的,在确定穿过体素中心的射线命中蛋白质三维模型的情况中,包括对命中概率估算的步骤:使用将射线所经过的每个体素进行更新;其中,locc和lfree分别表示在命中和未命中体素的情况下,体素被占用或空闲的对数概率;为测量序列,zt=1表示命中体素,zt=0表示未命中体素。
进一步的,构建占据模型,具体包括:将蛋白质三维模型光栅化为体素网格;将命中的体素认定为蛋白质三维模型的内部,将未命中的体素认定为蛋白质三维模型的外部。
进一步的,所述三维卷积神经网络由以下层构成:输入层,接收N*N*N尺寸的体素网格;卷积层,接收四个维度的输入,其中三个维度是空间的,第四个维度包含特征图;池化层,通过将每个非重叠体素替换为它们的最大值来境地冗余信息;全连接层,具有若干输出神经元,每个神经元的输出来自前一层的所有学习输出的线性组合。
进一步的,在三维卷积神经网络应用中,将输入减去0.5并乘以2,保证输入在(-1,1)范围内。
进一步的,所述N为32。
进一步的,lfree=-1.38,locc=1.38。
与现有技术相比,本发明的优点和积极效果是:本发明提出的蛋白质分类方法中,将蛋白质三维模型置入N*N*N大小的体素占据网格中,继而对体素占据网格投射N*N*N条射线,每条射线通过N个体素的中心,基于射线与蛋白质三维模型曲面的相交情况构建占据模型,将占据模型通过三维卷积神经网络实现对蛋白质的分类;本发明通过采用体素占据网格实现对蛋白质结构的体积表示,从原始蛋白质体积数据中利用机器学习为蛋白质创建快速准确的分类器,对蛋白质数据实现了高速高精度的分类效果。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明提出的蛋白质分类方法的方法流程图;
图2为本发明提出的蛋白质分类方法中蛋白质三维模型置入体素占据网格的示意图;
图3为本发明提出的蛋白质分类方法中对体素占据网格投射射线的示意图;
图4为本发明体出的蛋白质分类方法性能的可行性验证图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
本发明提出的蛋白质分类方法,如图1所示,包括如下步骤:
步骤S1:将蛋白质三维模型置入N*N*N大小的体素占据网格。
本发明实施例中,蛋白质三维模型数据是从蛋白质结构参考数据库中筛选出来的分布在107个类中的2267个独立蛋白质结构,其中由18个类只有一个蛋白质,最大的类包含110个蛋白质,蛋白质类的平均大小为21.18。
数据集中的蛋白质为pdb格式,所有生成的pdb文件都进行清理和准备:移除水分子;如果缺失原子便添加原子,生成最终的pdb格式的数据集。
本发明实施例中,以N=32为例,将蛋白质三维模型1置入32X32X32大小的体素占据网格2中,如图2所示(图为示意,并非32X32X32体素网格)。在本申请的体积表示中,每个点被映射到离散的体素坐标上,映射是均匀离散化的,但取决于空间中体素网格的原点,方向和空间中体素网格的分辨率。体素化蛋白质的外观很大程度上取决于这些参数。对于原点,假设是作为输入给出的,例如通过分割算法获得或通过滑动框给出。对于方向,假设网格框架的Z轴大致与重力方向对齐。对于体素网格的分辨率,本申请实施例中使用32X32X32的体素占据网格。
步骤S2:对体素占据网格投射N*N条射线,每条射线通过N个体素的中心。
对于32X32X32的体素占据网格,投射32X32=1024条射线,每条射线通过32个体素的中心,如图3所示,仅给出一条射线a通过第Q行第1列体素的中心为例。
步骤S3:基于射线与蛋白质三维模型的相交情况构建占据模型。
本申请实施例中,将蛋白质三维模型光栅化为体素网格。
每条射线通过32个体素的中心,该射线或者与蛋白质三维模型相交,或者不相交,相交即为命中蛋白质三维模型,不相交即为未命中蛋白质三维模型,命中的体素认定为蛋白质三维模型的内部,未命中的体素认定为蛋白质三维模型的外部;通过计算穿过体素中心的射线与蛋白质三维模型的相交次数,1次或者0次,可对体素进行分类。
具体的,假设有一个理想的光束传感器模型,使用三维射线跟踪来计算每个体素的命中次数或未命中次数,则可使用二进制占据网格来估计蛋白质的占用模型,这其中,给定为一组距离测量序列,射线或者命中体素zt=1,或者未命中体素zt=0。
在该模型中,每个体素都有一个二进制状态,命中或未命中,也即占据或未占据,简单来做,1即为命中或占据,0即为未命中或未占据,则根据1和0的二进制状态可构建蛋白质占据模型。
为保证数据稳定性,本发明实施例中,对每个体素的命中概率采用如下模型进行估算:
其中,locc和lfree分别表示在测量命中或未命中体素的情况下,体素被占用或空闲的对数概率。
本申请实施例中,设置lfree=-1.38,locc=1.38,并将对数概率固定为(-4,4),以避免数值问题。有本专利的经验表明,在合理范围内,这些参数对最终结果影响不大。初始占用概率为0.5或0。
概率高于设定值即为命中,概率低于设定值即为未命中。
步骤S4、将占据模型通过三维卷积神经网络实现对蛋白质的分类。
本发明所用三维卷积神经网络具体结构为:
输入层:接受N*N*N体素的固定尺寸网格,每个体素单元的每个值都从公式(1)中更新。
实际应用中,将输入减去0.5并乘以2,保持输入在(-1,1)范围内。
卷积层C(f,d,s):这些层接受四个维度的输入其中三个维度是空间的,第四个维度包含特征图。该层将输入与形状为d×d×d×f′的f学习滤波器进行卷积,生成f特征图,其中d是空间维度,f′为输入特征图的个数。卷积的步长为s。
池化层P(m):这些层通过将每个非重叠体素块替换为他们的最大值来降低不必要的冗余信息。
全连接层FC(n全连接层具有n个输出神经元。每个神经元的输出是来自前一层的所有学习输出的线性组合。我们使用ReLUs保存最终输出层,其中输出数量n对应于类标签的数量。
本发明所用的VoxNet基础架构是C(32,5,2)-C(32,3,1)-P(2)-FC(128)-FC(K),其中K是类的数量。VoxNet本质上是Maturana和Scherer中的两阶段模型的简单版本。这些变化旨在减少参数数量并提高计算效率,使网络更容易,更快速地学习。
如图4所示,为本发明提出的蛋白质分类方法的可行性验证,在用查全率-查准率来衡量本发明方法的性能,它分别以查全率(Recall)和查准率(Precision)作为X轴和Y轴;查准率,是指检出的相关蛋白质数占检出蛋白质总数的百分比,反映检索准确性;查全率,是指检出的相关蛋白质占数据集中相关蛋白质总数的百分比,反映检索全面性。一般而言,查全率-查准率曲线与坐标轴围成的面积越大,算法性能越好。
如图4所示,查全率-查准率与坐标轴围成的面积较大,说明本发明提出的蛋白质分类方法实现了在蛋白质数据分类中较高的精度。
应该指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.蛋白质分类方法,其特征在于,包括如下步骤:
将蛋白质三维模型置入N*N*N大小的体素占据网格;
对所述体素占据网格投射N*N条射线,每条射线通过N个体素的中心;
基于射线与蛋白质三维模型的相交情况构建占据模型;
将所述占据模型通过三维卷积神经网络实现对蛋白质的分类。
2.根据权利要求1所述的蛋白质分类方法,其特征在于,基于射线与蛋白质三维模型的相交情况构建占据模型,具体包括:
确定穿过体素中心的射线命中蛋白质三维模型的情况;
基于命中情况构建占据模型。
4.根据权利要求2所述的蛋白质分类方法,其特征在于,构建占据模型,具体包括:
将蛋白质三维模型光栅化为体素网格;
将命中的体素认定为蛋白质三维模型的内部,将未命中的体素认定为蛋白质三维模型的外部。
5.根据权利要求1所述的蛋白质分类方法,其特征在于,所述三维卷积神经网络由以下层构成:
输入层,接收N*N*N尺寸的体素网格;
卷积层,接收四个维度的输入,其中三个维度是空间的,第四个维度包含特征图;
池化层,通过将每个非重叠体素替换为它们的最大值来境地冗余信息;
全连接层,具有若干输出神经元,每个神经元的输出来自前一层的所有学习输出的线性组合。
6.根据权利要求3所述的蛋白质分类方法,其特征在于,在三维卷积神经网络应用中,将输入减去0.5并乘以2,保证输入在(-1,1)范围内。
7.根据权利要求1所述的蛋白质分类方法,其特征在于,所述N为32。
8.根据权利要求3所述的蛋白质分类方法,其特征在于,lfree=-1.38,locc=1.38。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911376845.XA CN111210870B (zh) | 2019-12-27 | 2019-12-27 | 蛋白质分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911376845.XA CN111210870B (zh) | 2019-12-27 | 2019-12-27 | 蛋白质分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210870A true CN111210870A (zh) | 2020-05-29 |
CN111210870B CN111210870B (zh) | 2024-03-08 |
Family
ID=70786419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911376845.XA Active CN111210870B (zh) | 2019-12-27 | 2019-12-27 | 蛋白质分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210870B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2743316C1 (ru) * | 2020-08-14 | 2021-02-17 | Автономная некоммерческая образовательная организация высшего образования Сколковский институт науки и технологий | Способ идентификации участков связывания белковых комплексов |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070254307A1 (en) * | 2006-04-28 | 2007-11-01 | Verseon | Method for Estimation of Location of Active Sites of Biopolymers Based on Virtual Library Screening |
CN107052244A (zh) * | 2017-04-10 | 2017-08-18 | 遵义金业机械铸造有限公司 | 一种ZG40Mn2材料的消失模铸造方法 |
CN107330973A (zh) * | 2017-07-03 | 2017-11-07 | 深圳市唯特视科技有限公司 | 一种基于多视角监督的单视角重建方法 |
CN109635843A (zh) * | 2018-11-14 | 2019-04-16 | 浙江工业大学 | 一种基于多视角图像的三维物体模型分类方法 |
CN109783887A (zh) * | 2018-12-25 | 2019-05-21 | 西安交通大学 | 一种面向三维加工特征的智能识别与检索方法 |
CN110007670A (zh) * | 2019-02-14 | 2019-07-12 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN110333720A (zh) * | 2019-07-10 | 2019-10-15 | 国网四川省电力公司电力科学研究院 | 一种基于粒子滤波的slam优化方法 |
-
2019
- 2019-12-27 CN CN201911376845.XA patent/CN111210870B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070254307A1 (en) * | 2006-04-28 | 2007-11-01 | Verseon | Method for Estimation of Location of Active Sites of Biopolymers Based on Virtual Library Screening |
CN107052244A (zh) * | 2017-04-10 | 2017-08-18 | 遵义金业机械铸造有限公司 | 一种ZG40Mn2材料的消失模铸造方法 |
CN107330973A (zh) * | 2017-07-03 | 2017-11-07 | 深圳市唯特视科技有限公司 | 一种基于多视角监督的单视角重建方法 |
CN109635843A (zh) * | 2018-11-14 | 2019-04-16 | 浙江工业大学 | 一种基于多视角图像的三维物体模型分类方法 |
CN109783887A (zh) * | 2018-12-25 | 2019-05-21 | 西安交通大学 | 一种面向三维加工特征的智能识别与检索方法 |
CN110007670A (zh) * | 2019-02-14 | 2019-07-12 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN110333720A (zh) * | 2019-07-10 | 2019-10-15 | 国网四川省电力公司电力科学研究院 | 一种基于粒子滤波的slam优化方法 |
Non-Patent Citations (1)
Title |
---|
杨军等: "基于深度卷积神经网络的三维模型识别", vol. 31, no. 31, pages 253 - 260 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2743316C1 (ru) * | 2020-08-14 | 2021-02-17 | Автономная некоммерческая образовательная организация высшего образования Сколковский институт науки и технологий | Способ идентификации участков связывания белковых комплексов |
Also Published As
Publication number | Publication date |
---|---|
CN111210870B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Point clouds learning with attention-based graph convolution networks | |
CN109697510B (zh) | 具有神经网络的方法和装置 | |
Zeng et al. | 3DContextNet: Kd tree guided hierarchical learning of point clouds using local and global contextual cues | |
CN110163261A (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
JP6888484B2 (ja) | 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置 | |
Liu et al. | Meshing point clouds with predicted intrinsic-extrinsic ratio guidance | |
CN109559300A (zh) | 图像处理方法、电子设备及计算机可读存储介质 | |
CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 | |
CN106529569A (zh) | 基于深度学习的三维模型三角面特征学习分类方法及装置 | |
CN104392253B (zh) | 一种草图数据集的交互式类别标注方法 | |
JP5969837B2 (ja) | 性能予測装置、性能予測方法、及びプログラム | |
CN106886980A (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
Nguyen et al. | Deep learning for metagenomic data: using 2d embeddings and convolutional neural networks | |
Du et al. | Polyline simplification based on the artificial neural network with constraints of generalization knowledge | |
Liu et al. | Deep learning approaches in flow visualization | |
CN113378112A (zh) | 一种基于各向异性卷积的点云补全方法及装置 | |
CN115661550A (zh) | 基于生成对抗网络的图数据类别不平衡分类方法及装置 | |
Zhang et al. | Fast 3d visualization of massive geological data based on clustering index fusion | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
Afzal et al. | Discriminative feature abstraction by deep L2 hypersphere embedding for 3D mesh CNNs | |
CN111210870B (zh) | 蛋白质分类方法 | |
Shi et al. | CEGAT: A CNN and enhanced-GAT based on key sample selection strategy for hyperspectral image classification | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN112529057A (zh) | 一种基于图卷积网络的图相似性计算方法及装置 | |
CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 266000 No.1 weiwenhai Road, Aoshan, Jimo, Qingdao, Shandong Province Applicant after: Qingdao Marine Science and Technology Center Address before: 266000 No.1 weiwenhai Road, Aoshan, Jimo, Qingdao, Shandong Province Applicant before: QINGDAO NATIONAL LABORATORY FOR MARINE SCIENCE AND TECHNOLOGY DEVELOPMENT CENTER Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |