CN117851867A - 微生物拉曼光谱识别分类方法、电子设备和程序产品 - Google Patents

微生物拉曼光谱识别分类方法、电子设备和程序产品 Download PDF

Info

Publication number
CN117851867A
CN117851867A CN202410053024.7A CN202410053024A CN117851867A CN 117851867 A CN117851867 A CN 117851867A CN 202410053024 A CN202410053024 A CN 202410053024A CN 117851867 A CN117851867 A CN 117851867A
Authority
CN
China
Prior art keywords
data
raman spectrum
network
model
microbial
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
Application number
CN202410053024.7A
Other languages
English (en)
Inventor
陈明
陈亚楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN202410053024.7A priority Critical patent/CN117851867A/zh
Publication of CN117851867A publication Critical patent/CN117851867A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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
    • G06N3/096—Transfer learning
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种微生物拉曼光谱识别分类方法，通过经过训练的分类模型，对微生物拉曼光谱数据进行识别分类，该分类模型的构建方法包括以下步骤：对获得的微生物拉曼光谱数据进行预处理；使用生成对抗网络经过预处理的微生物拉曼光谱数据进行扩增；将迁移学习与WGAN生成对抗网络结合，对微生物拉曼光谱数据进一步扩增；使用UNET对扩增后的微生物拉曼光谱数据进行降噪，采用经过降噪的微生物拉曼光谱数据对基于联邦学习进行训练的分类模型进行训练，获得所述的分类模型。

Description

微生物拉曼光谱识别分类方法、电子设备和程序产品
技术领域
本发明属于检测技术领域，特别涉及一种微生物拉曼光谱识别分类方法、电子设备和程序产品。
背景技术
拉曼光谱检测是一种利用分析不同分子的拉曼散射差异的一种检测方法，作为一种无损的检测方法，拉曼光谱能够将物质中存在的特殊结构和分子信息如蛋白质、脂质、糖类等完整展现出来，且由于其高效无损易操作的特点受到研究人员的青睐，被广泛应用于化学，材料学，生物医学等方面。
另一方面，相关的研究已经开始使用生成对抗网络结合机器学习的方法对微生物进行识别。这些研究的问题是，如没有不生成对抗网络特定的评价指标，就无法评价生成数据质量的好坏，所以最终分类精度的提升是否是由生成对抗网络本身所造成，这里面存在一定的疑问。而大部分微生物拉曼光谱分类的研究还是使用传统的机器学习方法，因此仍存在一定的提升空间。
专利文献CN115481663A，提出一种生成对抗与神经网络并结合拉曼光谱进行物质分类的方法，包括：采用差分求导方法，删除光谱中与宇宙射线相对应的光谱部分；采用自适应迭代重加权惩罚最小二乘法，对光谱进行去除背景操作；采用Min-Max对光谱进行归一化处理；所述Min-Max是matlab软件中的一个函数；将上述预处理操作后的光谱拟合到对抗网络中，通过交互训练，生成的大量高分辨率的拉曼光谱；再将所述生成的大量高分辨率的拉曼光谱拟合到残差神经网络中，通过训练，得到精准的分类模型；解决了分类精度差和建模时数据量大的问题，可以产生高分辨率数据，该方法不需要大量光谱数据，可以快速、准确地对微生物进行分类，大大减小了光谱的采集时间。该专利文献公开的生成对抗与神经网络并结合拉曼光谱进行物质分类的方法，使用生成对抗网络对数据进行扩增，但是在扩增过程中，缺少生成对抗网络的相关评价指标，无法得知扩增数据的好坏。
发明内容
本公开实施例之一，一种基于生成对抗网络与联邦学习的拉曼光谱识别方法。通过经过训练的分类模型，对微生物拉曼光谱数据进行识别分类，该分类模型的构建方法包括以下步骤，
对获得的微生物拉曼光谱数据进行预处理；
使用生成对抗网络经过预处理的微生物拉曼光谱数据进行扩增；
将迁移学习与WGAN生成对抗网络结合，对微生物拉曼光谱数据进一步扩增；
使用UNET对扩增后的微生物拉曼光谱数据进行降噪，
采用经过降噪的微生物拉曼光谱数据对基于联邦学习进行训练的分类模型进行训练，获得所述的分类模型。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1根据本发明实施例之一的拉曼光谱数据分类结果混淆矩阵示例图。
图2根据本发明实施例之一的拉曼光谱数据分类方法与现有方法对比示例图。
图3根据本发明实施例之一的基于生成对抗网络与联邦学习的拉曼光谱识别方法示意图。
图4根据本发明实施例之一的数据增强中WGAN的结构示意图。
图5根据本发明实施例之一的WGAN迁移学习示意图。
图6根据本发明实施例之一的数据降噪使用的UNET网络模型示意图
图7根据本发明实施例之一的服务器聚合流程图。
具体实施方式
本公开提供一套完整的微生物拉曼光谱识别分类方法，以解决现有方法耗时长、成本高、需要专业技术人员操作等问题。实现了在短时间内，使用少量的微生物的拉曼光谱就能得到较高的微生物识别精度的目的，减少了微生物拉曼光谱识别过程中的人力和物力成本。
根据一个或者多个实施例，一种拉曼光谱识别分类方法，包括以下步骤。步骤1：拉曼光谱数据预处理。
由于受到外界的干扰，例如宇宙射线，仪器自身的噪声和被检测物品自身激发出的荧光等，最初获取的数据往往需要进行预处理之后才能使用，防止噪声对实验的结果造成干扰。
本公开实施例，使用S-G平滑和归一化对原始的数据进行预处理，S-G平滑能最大化保留数据信息的同时降低噪声，增大信噪比。归一化处理能够降低光谱数据由于变化幅度过大导致的一些负面影响，使得光谱都落入了一个特定的区间之内。
步骤2：使用生成对抗网络对步骤1的拉曼光谱数据进行扩增。
生成对抗网络(GAN)的主体结构由生成器网络和辨别器网络组成，生成器网络负责生成和真实样本类似的数据，辨别器网络负责区分生成的数据和真实的数据。生成数据的网络和识别数据的网络，两种网络相互竞争，相互学习。在经过足够次数的迭代后，两种网络无限接近纳什均衡，此时生成的数据的十分接近真实的数据。
本公开实施例使用WGAN生成对抗网络结合迁移学习对拉曼光谱数据进行扩增，使用如下的模型训练参数：模型学习率设为0.0001，每次训练的个数batchsize设为4，生成器网络和辨别器网络的优化器设置为RMSprop优化器。步骤3：将迁移学习与WGAN生成对抗网络进行结合。
迁移学习的主要思想是利用原域数据集(一般数据量很庞大)的丰富的知识信息，通过找到原域和目标域之间的联系，来补足目标域因为数据量太少导致的信息的缺失。原域和目标域数据越相似，迁移学习的效果越好。
本公开实施例，使用源域数据集对WGAN网络进行训练，训练至模型收敛后分别将生成器和辨别器的参数冻结并迁移至新的WGAN中，并使用目标域数据集直接进行训练。
步骤4：使用UNET对步骤3中生成的光谱数据进行降噪。
Unet是一种经典的网络模型，其高效，简洁且能够适应小数据集的特点被广泛运用于各种分割任务中。Unet设计的初衷是为了解决医学图像的分割问题，由于其编码器-解码器的结构能够提取复杂的特征并恢复原始的分辨率，且模型中的跳过连接减少由于卷积造成的特征丢失，帮助解码器提取重要的浅层信息。
本公开实施例，使用UNET作为实验的降噪的基础结构，通过修改原始网络结构使得其能和拉曼光谱数据项匹配，并在网络中加入RESNET，避免网络发生退化。Unet网络模型的参数设置如下：
优化器为Adam优化器，学习率设置为0.0001，设置损失函数设置为RMSE函数。
步骤5：使用一种结合联邦学习的微生物拉曼光谱分类模型对步骤4中的数据进行分类。
联邦学习作为一种新兴的机器学习方法，其目的是在大量数据在交换的同时，数据的隐私性和安全性能得到很好的保证。在联邦学习的架构中，参与的各方能够按照一定的方式交换相关的参数数据，共同训练模型。相关的经验和实验证明，使用联邦学习训练模型的性能和效率比独立训练更加优越。
在本公开实施例，步骤5首先选择K个训练的本地客户端，每个客户端均使用相同的分类模型并从服务器获得一致的初始化参数。参数具体为:优化器选择Adam优化器，学习率设置为0.001,损失函数选择交叉熵函数。随后将数据集按照选择的客户端个数进行均匀的划分，不同的客户端获得不同的子数据集，且彼此的数据集不重叠。然后不同的客户端开始训练，每个客户端在经过m次迭代，计算各自模型损失的的梯度并进行梯度的更新，每个客户端将各自更新的模型参数上传至服务器。服务器收集客户端的模型参数后进行模型的聚合，进行评估后生成全局模型并将其全局模型传输至所有的客户端。具体来说，聚合是指使用定义好的聚合函数，使用参数模型作为数据计算更新全局的模型。
在本公开中，使用全局联邦平均聚合函数(FedAvg),FedAvg的算法公式如下：
其中，wt+1表示第t+1轮更新的全局模型参数，nk表示第k个客户端上的数据量，n表示全部数据量，表示第k个客户端使用第t轮的全局模型训练后更新的模型参数。
这样使用联邦学习完了一轮全局模型的迭代，重复上述步骤直到模型迭代至理想的效果后停止。
在本公开实施例中，提出了一套完整的微生物光谱识别分类方法。该方法首先使用生成对抗网络对少量的初始光谱数据进行扩增，在训练网络的过程中不公开使用迁移学习中的微调加快模型生成数据的效率和质量。
在获得足够数量的光谱数据后，使用UNET结合RESNET对扩增的数据进行降噪，以便提高模型最终的分类精度。此方法是首次应用在微生物拉曼光谱的降噪方面。
最后，本公开设计了一种名为FL_RESNET的分类模型，对数据进行分类，区别于传统的机器学习方法，本公开创新性地使用基于联邦学习的resnet方法进行分类，实现了高维度拉曼光谱的精确分类。效果如图1所示。
经过对比，本公开提出的方法效果优于传统的几种分类算法。对比图如图2所示。
根据一个或者多个实施例，一种基于生成对抗网络与联邦学习的微生物拉曼光谱快速识别方法。此方法由数据增强，数据降噪和FL_RESNET分类三大部分组成。具体来说，
光谱仪获取测试样品的光谱数据并进行一系列的预处理得到最初的数据集。然后使用生成对抗网络结合迁移学习的微调生成与原数据相类似的数据，此方法能够快速对数据进行增强。
随后使用Unet模型对扩增的数据集进行降噪处理，以便提高分类模型的精度。
最后通过一套称为FL_RESNET的分类模型对得到的高质量数据进行分类，模型将resnet与联邦学习结合，能够高效稳定地提取不同微生物的光谱特征，准确地进行分类。本公开实施例提出的方法的流程示意图如图3所示。
本公开实施例中，数据增强部分使用的WGAN网络模型，模型由生成器和辨别器组成，生成器有五层网络结构，每层由反卷积层和归一化层组成，每层均使用LeakyRelu激活函数进行输出。随机的噪声，这里使用100维的随机高斯噪声作为输入，输出的是与真实维度相同的数据。
同样的，辨别器也有五层网络结构，每层由卷积层和归一化层组成，每层均使用Relu激活函数进行输出。生成器和辨别器的网络结构如图所示。与原始的GAN的辨别器解决0或1的分类不同，WGAN的辨别器使用Wasserstein距离来判断生成数据和真实数据之间的差距，从而避免出现原始GAN中经常出现的梯度消失问题。
将WGAN的模型结构中的生成器和辨别器结构分开展示，具体如图4所示。图中上部分为生成器，下部分为辨别器。
图5展示了WGAN使用迁移学习的过程示意图，首先使用源域数据集对WGAN网络进行训练，训练至模型收敛后分别将生成器和辨别器的参数冻结并迁移至新的WGAN中，并使用目标域数据集直接进行训练。
本实施例使用UNET作为实验的降噪的基础结构，通过修改原始网络结构使得其能和拉曼光谱数据项匹配，并在网络中加入RESNET，避免网络发生退化。本实施例使用的模型如图6所示，可以看到，模型显示出完美的对称性，网络的左边可以看成是编码器，网络的右边可以看成是解码器，网络中间使用BLOCK进行过渡。带有噪声的光谱数据输入网络后，编码器将数据的特征进行压缩，随后解码器将特征放大至原始的大小。在编码解码的过程中，光谱数据中冗余的噪声信息被剔除，而UNET独特的concat连接和网络中加入的resnet结构保证了数据的重要特征不会在整个过程中被丢失。UNET的网络示意图如图6所示。
在使用生成对抗网络生成大量光谱数据并进行降噪后，就可以对数据进行分类。由于生成的微生物光谱数据具有数据量大，数据特征维度较高等特点，本实施例提出一种名为FL_RESNET的模型用于此类数据的分类。FL_RESNET模型使用resnet网络作为分类的基础，并将resnet网络的进行改写，使其能对本实验中的光谱数据进行分类。使用此模型能很好地提炼出不同类别光谱数据的特征，在数据量较大的环境中分类效果明显优于传统的机器学习方法。
FL_RESNET模型使用resnet网络作为分类的基础，并将resnet网络的进行改写，使其能对本实验中的光谱数据进行分类。模型在进行分类的时候使用联邦学习构造出一种分布式的训练系统。
具体来说，首先选择K个训练的本地客户端，每个客户端均使用相同的分类模型并从服务器获得一致的初始化参数。随后将数据集按照选择的客户端个数进行均匀的划分，不同的客户端获得不同的子数据集，且彼此的数据集不重叠。然后不同的客户端开始训练，每个客户端在经过m次迭代，计算各自模型损失的的梯度并进行梯度的更新，每个客户端将各自更新的模型参数上传至服务器。
因为本实验中使用联邦学习的主要目的不是突出联邦学习的数据隐私性，所以在此实验中，每个客户端上传参数时没有将参数进行加密处理。服务器收集客户端的模型参数后进行模型的聚合，此时服务器会模型整体进行评估，若本轮模型的分类精度比上轮好，则将全局参数发送至客户端。若分类的精度出现了下降，则服务器保留此轮的参数，客户端使用上轮的参数重新进行一轮训练。这样使用联邦学习完了一轮全局模型的迭代，重复上述步骤直到模型迭代至理想的效果后停止。上述FL_RESNETL模型流程示意图的如图7所示。服务器收集客户端的参数并使用FedAvg算法进行聚合，生成全局的参数。
应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种微生物拉曼光谱识别分类方法，其特征在于，通过经过训练的分类模型，对微生物拉曼光谱数据进行识别分类，该分类模型的构建方法包括以下步骤，S100，对获得的微生物拉曼光谱数据进行预处理；
S200，使用生成对抗网络经过预处理的微生物拉曼光谱数据进行扩增；
S300，将迁移学习与WGAN生成对抗网络结合，对微生物拉曼光谱数据进一步扩增；
S400，使用UNET对扩增后的微生物拉曼光谱数据进行降噪，
S500，采用经过降噪的微生物拉曼光谱数据对基于联邦学习进行训练的分类模型进行训练，获得所述的分类模型。
2.根据权利要求1所述的方法，其特征在于，在步骤S100中，所述预处理包括对拉曼光谱数据使用S-G平滑处理和归一化处理。
3.根据权利要求1所述的方法，其特征在于，在步骤S200中，所述生成对抗网络由生成器网络和辨别器网络组成，
生成器网络负责生成和真实样本类似的数据，
辨别器网络负责区分生成的数据和真实的数据。
4.根据权利要求1所述的方法，其特征在于，在步骤S300中，使用源域数据集对WGAN网络进行训练，训练至模型收敛后分别将生成器和辨别器的参数冻结并迁移至新的WGAN中，并使用目标域数据集直接进行训练。
5.根据权利要求1所述的方法，其特征在于，在步骤S400中，在UNET网络中加入RESNET。
6.根据权利要求1所述的方法，其特征在于，在步骤S500中，
选择K个训练的本地客户端，每个客户端均使用相同的分类模型并从服务器获得一致的初始化参数；
将数据集按照选择的客户端个数进行均匀的划分，不同的客户端获得不同的子数据集，且彼此的数据集不重叠；
在不同的客户端进行训练，每个客户端在经过m次迭代，计算各自模型损失的的梯度并进行梯度的更新，每个客户端将各自更新的模型参数上传至服务器；
服务器收集客户端的模型参数后进行模型的聚合，进行评估后生成全局模型并将其全局模型传输至所有的客户端。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1至6任一项所述的方法。
8.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至6中任一所述的方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行以实现权利要求1至6任一项所述的方法。
CN202410053024.7A 2024-01-15 2024-01-15 微生物拉曼光谱识别分类方法、电子设备和程序产品 Pending CN117851867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410053024.7A CN117851867A (zh) 2024-01-15 2024-01-15 微生物拉曼光谱识别分类方法、电子设备和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410053024.7A CN117851867A (zh) 2024-01-15 2024-01-15 微生物拉曼光谱识别分类方法、电子设备和程序产品

Publications (1)

Publication Number Publication Date
CN117851867A true CN117851867A (zh) 2024-04-09

Family

ID=90547853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410053024.7A Pending CN117851867A (zh) 2024-01-15 2024-01-15 微生物拉曼光谱识别分类方法、电子设备和程序产品

Country Status (1)

Country Link
CN (1) CN117851867A (zh)

Similar Documents

Publication Publication Date Title
Klibisz et al. Fast, simple calcium imaging segmentation with fully convolutional networks
Cortiñas-Lorenzo et al. Adam and the ants: on the influence of the optimization algorithm on the detectability of DNN watermarks
CN111127387B (zh) 无参考图像的质量的评价方法
CN110702648B (zh) 基于非下采样轮廓波变换的荧光光谱污染物分类方法
Sahu et al. A Bayesian multiresolution approach for noise removal in medical magnetic resonance images
Rahman et al. A smart system for low-light image enhancement with color constancy and detail manipulation in complex light environments
Aljarrah Effect of image degradation on performance of convolutional neural networks
Husain et al. ACTNET: end-to-end learning of feature activations and multi-stream aggregation for effective instance image retrieval
AU2015218184B2 (en) Processing hyperspectral or multispectral image data
Gui et al. Adaptive single image dehazing method based on support vector machine
Maji et al. A feature based reconstruction model for fluorescence microscopy image denoising
Saha et al. Privacy‐preserving quality control of neuroimaging datasets in federated environments
Samsi et al. Colorization of H&E stained tissue using Deep Learning
El-Shafai et al. Traditional and deep-learning-based denoising methods for medical images
Hussain et al. Image denoising to enhance character recognition using deep learning
Gollamandala et al. An additive sparse logistic regularization method for cancer classification in microarray data.
Vo et al. BoostNet: A boosted convolutional neural network for image blind denoising
Wenyan et al. SAR image change detection based on equal weight image fusion and adaptive threshold in the NSST domain
Lu et al. An image enhancement method for side-scan sonar images based on multi-stage repairing image fusion
Falahkheirkhah et al. DRB-net: Dilated residual block network for infrared image restoration
CN117851867A (zh) 微生物拉曼光谱识别分类方法、电子设备和程序产品
Belgrana et al. A hybrid segmentation approach of brain magnetic resonance imaging using region-based active contour with a similarity factor and multi-population genetic algorithm
Huang et al. DeeptransMap: a considerably deep transmission estimation network for single image dehazing
Lv et al. Non-local sparse attention based swin transformer V2 for image super-resolution
Akindele et al. Denoising of nifti (mri) images with a regularized neighborhood pixel similarity wavelet algorithm

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