CN113537279A - 基于类残差卷积和lstm的covid-19识别系统 - Google Patents
基于类残差卷积和lstm的covid-19识别系统 Download PDFInfo
- Publication number
- CN113537279A CN113537279A CN202110540822.9A CN202110540822A CN113537279A CN 113537279 A CN113537279 A CN 113537279A CN 202110540822 A CN202110540822 A CN 202110540822A CN 113537279 A CN113537279 A CN 113537279A
- Authority
- CN
- China
- Prior art keywords
- lstm
- features
- convolution
- residual
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于类残差卷积和LSTM的COVID‑19识别系统,所述方案能够有效地提取图像的多抽象层次的特征;且创新性的将类似与残差网络的思想与卷积神经网络结合使用,在一定程度上防止梯度爆炸与网络退化;在特征融合过程中,创新性的使用LSTM中的门控机制对多抽象层次的特征矩阵进行“选择性记忆”,在融合特征的同时有效的降低了多抽象层次的特征之间的冗余所带来的影响,对图像中的有效特征进行了充分提取,进而提高了图像分类识别的精度。
Description
技术领域
本公开属于图像处理技术领域,尤其涉及一种基于类残差卷积和LSTM的COVID-19识别系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
新型冠状病毒(CoronaVirusDisease2019,COVID-19)是由一种冠状病毒引发的肺部炎症,目前已成为全球性的重大公共卫生事件。反转录·聚合酶链反应(reversetranscription-polymerase chain reaction,RT-PCR)检测是检测新型冠状病毒的黄金手段,但在疫情爆发初期以及爆发集中的地域,RT-PCR检测试纸往往供不应求且检测经济成本较大;研究人员考虑利用基于图像识别技术的图像分类识别策略,基于肺部CT图像的分类是来判别图像中是否存在COVID-19;但是,发明人发现,在此之前已有一些关于计算机辅助X射线或CT图像上自动筛查COVID-19的研究,其大部分采用的是经典的卷积神经网络或组合多个预训练的卷积神经网络进行特征提取,其无法解决多级特征之间的冗余问题与多级特征的融合问题,导致图像中的有效特征无法充分利用,进而识别精度较低。
发明内容
本公开为了解决背景技术中所述问题,提供了一种基于类残差卷积和LSTM的COVID-19识别方法及系统,所述方案能够有效地提取图像的多抽象层次的特征;且创新性的将类似与残差网络的思想与卷积神经网络结合使用,在一定程度上防止梯度爆炸与网络退化;同时,在特征融合过程中,创新性的使用LSTM中的门控机制对多抽象层次的特征矩阵进行“选择性记忆”,在融合特征的同时有效的降低了多抽象层次的特征之间的冗余所带来的影响,有效提高了图像分类识别的精度。
根据本公开实施例的第一个方面,提供了一种基于类残差卷积和LSTM的COVID-19识别系统,包括:
图像获取模块,其配置为获取待识别的肺部CT图像数据;
多级特征提取模块,其配置为利用预训练的类残差卷积神经网络模型对所述肺部CT图像数据进行多级特征提取;
融合特征提取模块,其配置为按时间步将所述多级特征输入到预训练的LSTM中,取最终时间步的记忆细胞作为融合特征;
分类识别模块,其配置为将所述融合特征输入全连接层进行COVID-19的分类识别。
进一步的,所述类残差卷积神经网络模型采用串行结构的卷积神经网络或并行结构卷积神经网络。
进一步的,针对串行结构的卷积神经网络,将其划分为预设数量的卷积块,每个卷积括中包括预设数量的卷积层和池化层;将所述肺部CT图像数据输入预训练的卷积神经网络模型中,分别从每个卷积块中获得不同尺度的特征。
进一步的,所述按时间步将所述多级特征输入到预训练的LSTM中,取最终时间步的记忆细胞作为融合特征,其中,所述最终时间步的记忆细胞包含当前时间步的特征信息与之前所有时间步的特征信息。
进一步的,所述按时间步将所述多级特征输入到预训练的LSTM中,通过LSTM中的门控机制对多抽象层次的图像特征进行选择性记忆,取最终时间步的记忆细胞输出作为融合特征。
根据本公开实施例的第二个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于类残差卷积LSTM的COVID-19识别系统的功能。
根据本公开实施例的第三个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于类残差卷积LSTM的COVID-19识别系统的功能。
与现有技术相比,本公开的有益效果是:
本公开所述方案提供了一种基于类残差卷积LSTM的COVID-19识别系统,所述方案能够有效地提取图像的多抽象层次的特征;且创新性的将类似与残差网络的思想与卷积神经网络结合使用,在一定程度上防止梯度爆炸与网络退化;在特征融合过程中,创新性的使用LSTM中的门控机制对多抽象层次的特征矩阵进行“选择性记忆”,在融合特征的同时有效的降低了多抽象层次的特征之间的冗余所带来的影响,对图像中的有效特征进行了充分提取,进而提高了图像分类识别的精度。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的基于类残差卷积LSTM的COVID-19识别系统的特征提取过程示意图;
图2为本公开实施例一中所述的基于类残差卷积LSTM的COVID-19识别系统的特征融合过程示意图;
图3(a)为本公开实施例一中所述的串行类残差CNN-LSTM神经网络模型结构示意图;
图3(b)为本公开实施例一中所述的并行CNN-LSTM神经网络模型结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种基于类残差卷积和LSTM的COVID-19识别系统。
一种基于类残差卷积和LSTM的COVID-19识别系统,包括:
图像获取模块,其配置为获取待识别的肺部CT图像数据;
多级特征提取模块,其配置为利用预训练的类残差卷积神经网络模型对所述肺部CT图像数据进行多级特征提取;
融合特征提取模块,其配置为按时间步将所述多级特征输入到预训练的LSTM中,取最终时间步的记忆细胞作为融合特征;其中,所述时间步指根据不同卷积块生成特征的先后顺序;
分类识别模块,其配置为将所述融合特征输入全连接层进行COVI D-19的分类识别。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
本公开所述方案采用了一种基于类残差CNN-LSTM网络对CT图像中是否存在COVID-19进行分类识别,针对串行结构的卷积神经网络,在特征提取过程中,将卷积神经网络划分为若干个卷积块,每个卷积块中包含若干个卷积层与池化层,将模型进行训练后,采用类似于残差网络的思想按卷积块提取图像的多级特征,再按时间步输入到LSTM中,取最终时间步的记忆细胞作为融合后的特征(包含当前时间步的特征信息与之前所有时间步的特征信息)进行识别;针对并行结构的卷积神经网络,将多尺度的特征按时间步输入到LSTM中,取最终时间步的记忆细胞作为融合后的特征(包含当前时间步的特征信息与之前所有时间步的特征信息)进行识别。
进一步的,所述多级特征提取模块,具体执行如下操作:
使用类似于残差神经网络的思想结合卷积神经网络(即首先使用卷积神经网络提取各层次特征,之后采用类似于残差网络的思想,将各级特征提取到下一步进行融合(此处的各级特征具有时序关系))进行特征提取,并采用具有不同输出形状的全连接层对提取到的特征矩阵进行整流,将其转化为具有相同形状的矩阵以便下一步进行融合:
a.卷积过程中特征图m的点积运算:
其中,图像I尺寸为h*w,卷积核K大小为x*y。
b.特征图m的激活运算:
c.特征图m的整流运算:
m′i=Wimi+bi
其中,mi为第i及特征矩阵,m′i为整流后的特征矩阵,bi为偏差矩阵,Wi为权重矩阵;
进一步的,所述特征融合模块,具体执行如下操作:
将具有相同维度的特征矩阵按时间步输入到LSTM中,通过LSTM中的门控机制对多抽象层次的图像特征进行“选择性记忆”,取最终时间步的记忆细胞输出(包含当前时间步的特征信息与之前时间步的特征信息)作为融合后的特征,设隐藏单元个数为h,D代表输入数据维度,每个时间步的输入为一个特征矩阵mt∈RN×D(Feature-t),以及上一时间步的隐藏状态Ht-1∈RN×h、记忆细胞Ct-1∈RN×h。则当前时间步t的输入门It∈RN×h、遗忘门Ft∈RN×h和输出门Ot∈RN×h以及候选记忆细胞分别计算如下:
进一步的,所述分类识别模块,具体执行如下操作:
(a)当前时间步t的输入门It计算:
It=σ(XtWxi+Ht-1Whi+bi)
(b)当前时间步t的遗忘门Ft计算:
Ft=σ(XtWxf+Ht-1Whf+bf)
(c)当前时间步t的输出门Ot计算:
Io=σ(XtWxo+Ht-1Who+bo)
(e)当前时间步t的记忆细胞计算如下,其中,⊙):表示按元素乘法:
其中,隐藏单元个数为h,D代表输入数据维度,每个时间步的输入为一个特征矩阵Xt∈RN×D(Featuret),以及上一时间步的隐藏状态Ht-1∈RN×h、记忆细胞Ct-1∈RN×h;则当前时间步t的输入门It∈RN×h、遗忘门Ft∈RN×h和输出门Ot∈RN×h以及候选记忆细胞
进一步的,所述分类识别模块,具体执行如下操作:
将融合后的特征矩阵(最终时间步的记忆细胞输出)送入全连接层中进行识别分类。
本公开所述方案能够有效地提取图像的多抽象层次的特征;且创新性的将类似与残差网络的思想与卷积神经网络结合使用,在一定程度上防止梯度爆炸与网络退化;在特征融合过程中,创新性的使用LSTM中的门控机制对多抽象层次的特征矩阵进行“选择性记忆”,在融合特征的同时有效的降低了多抽象层次的特征之间的冗余所带来的影响。
为了进一步证明本公开所述方案的有效性,本实施例中对所述方案进行了试验验证,具体的,该方法在加州大学开源的数据集(COVID-CT-Dataset:a C T scan datasetabout COVID-19)上进行了验证,该数据集共包含746张CT图像,由349张标记为COVID-19阳性和397张标记为COVID-19阴性的CT图像构成。
如表1、表2所示,相较于预训练的经典卷积神经网络模型,本申请改进后的模型各项评测指标提高了2~10个百分点,识别效果有明显提升。
表1串行结构类残差CNN-LSTM模型识别结果
表2并行结构CNN-LSTM模型识别结果
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述系统的功能。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述系统的功能。
实施例一中的系统可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述系统的功能。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种基于类残差卷积LSTM的COVID-19识别系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,包括:
图像获取模块,其配置为获取待识别的肺部CT图像数据;
多级特征提取模块,其配置为利用预训练的类残差卷积神经网络模型对所述肺部CT图像数据进行多级特征提取;
融合特征提取模块,其配置为按时间步将所述多级特征输入到预训练的LSTM中,取最终时间步的记忆细胞作为融合特征;
分类识别模块,其配置为将所述融合特征输入全连接层进行COVID-19的分类识别。
2.如权利要求1所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,所述类残差卷积神经网络模型采用串行结构的卷积神经网络或并行结构卷积神经网络。
3.如权利要求1所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,针对串行结构的卷积神经网络,将其划分为预设数量的卷积块,每个卷积括中包括预设数量的卷积层和池化层;将所述肺部CT图像数据输入预训练的卷积神经网络模型中,分别从每个卷积块中获得不同尺度的特征。
4.如权利要求1所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,针对并行结构的卷积神经网络,将所述肺部CT图像数据输入预训练的卷积神经网络模型中,输出不同尺度特征。
5.如权利要求1所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,所述类残差卷积神经网络模型提取的不同尺度的特征,均采用不同输出形状的全连接层进行整流,将不同尺度的特征矩阵转化为具有相同形状的矩阵。
6.如权利要求5所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,所述整流过程具体表示如下:
m′i=Wimi+bi
其中,mi为第i及特征矩阵,m′i为整流后的特征矩阵,bi为偏差矩阵,Wi为权重矩阵。
7.如权利要求1所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,所述按时间步将所述多级特征输入到预训练的LSTM中,取最终时间步的记忆细胞作为融合特征,其中,所述最终时间步的记忆细胞包含当前时间步的特征信息与之前所有时间步的特征信息。
8.如权利要求1所述的一种基于类残差卷积和LSTM的COVID-19识别系统,其特征在于,所述按时间步将所述多级特征输入到预训练的LSTM中,通过LSTM中的门控机制对多抽象层次的图像特征进行选择性记忆,取最终时间步的记忆细胞输出作为融合特征。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于类残差卷积LSTM的COVID-19识别系统的功能。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于类残差卷积LSTM的COVID-19识别系统的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540822.9A CN113537279A (zh) | 2021-05-18 | 2021-05-18 | 基于类残差卷积和lstm的covid-19识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540822.9A CN113537279A (zh) | 2021-05-18 | 2021-05-18 | 基于类残差卷积和lstm的covid-19识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537279A true CN113537279A (zh) | 2021-10-22 |
Family
ID=78094665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540822.9A Pending CN113537279A (zh) | 2021-05-18 | 2021-05-18 | 基于类残差卷积和lstm的covid-19识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537279A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267015A (zh) * | 2021-12-24 | 2022-04-01 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
CN116629810A (zh) * | 2023-07-24 | 2023-08-22 | 中建五局第三建设有限公司 | 基于建筑办公系统的操作推荐方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650781A (zh) * | 2016-10-21 | 2017-05-10 | 广东工业大学 | 一种卷积神经网络图像识别方法及装置 |
CN109934241A (zh) * | 2019-03-28 | 2019-06-25 | 南开大学 | 可集成到神经网络架构中的图像多尺度信息提取方法及应用 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111353504A (zh) * | 2020-03-02 | 2020-06-30 | 济南大学 | 基于图像块多样性选择和残差预测模块的源相机识别方法 |
CN111739075A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
-
2021
- 2021-05-18 CN CN202110540822.9A patent/CN113537279A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650781A (zh) * | 2016-10-21 | 2017-05-10 | 广东工业大学 | 一种卷积神经网络图像识别方法及装置 |
CN109934241A (zh) * | 2019-03-28 | 2019-06-25 | 南开大学 | 可集成到神经网络架构中的图像多尺度信息提取方法及应用 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111353504A (zh) * | 2020-03-02 | 2020-06-30 | 济南大学 | 基于图像块多样性选择和残差预测模块的源相机识别方法 |
CN111739075A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267015A (zh) * | 2021-12-24 | 2022-04-01 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
CN114267015B (zh) * | 2021-12-24 | 2022-09-09 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
CN116629810A (zh) * | 2023-07-24 | 2023-08-22 | 中建五局第三建设有限公司 | 基于建筑办公系统的操作推荐方法、装置、设备和介质 |
CN116629810B (zh) * | 2023-07-24 | 2023-10-20 | 中建五局第三建设有限公司 | 基于建筑办公系统的操作推荐方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Adaptive object detection using adjacency and zoom prediction | |
US10963685B2 (en) | Generating variations of a known shred | |
CN107957993B (zh) | 英文句子相似度的计算方法及装置 | |
CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
CN113537279A (zh) | 基于类残差卷积和lstm的covid-19识别系统 | |
US20170076152A1 (en) | Determining a text string based on visual features of a shred | |
Widiyanto et al. | Implementation of convolutional neural network method for classification of diseases in tomato leaves | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN112102899A (zh) | 一种分子预测模型的构建方法和计算设备 | |
US11314842B1 (en) | Hardware implementation of mathematical functions | |
CN110569738A (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
JP2009510633A5 (zh) | ||
US20150125072A1 (en) | Data processing method for learning discriminator, and data processing apparatus therefor | |
US11120297B2 (en) | Segmentation of target areas in images | |
CN106355044A (zh) | 基于随机游走模型的蛋白质复合物识别方法 | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
JP6107531B2 (ja) | 特徴抽出プログラム及び情報処理装置 | |
US10733483B2 (en) | Method and system for classification of data | |
CN114882340A (zh) | 基于边界框回归的弱监督目标检测方法 | |
CN107480441B (zh) | 一种儿童脓毒性休克预后预测的建模方法及系统 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN113948160A (zh) | 一种药物筛选方法、设备及存储介质 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN111768803B (zh) | 基于卷积神经网络和多任务学习的通用音频隐写分析方法 | |
KR101821770B1 (ko) | 특징 추출을 위한 기법들 |
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 |