-
公开(公告)号：CN117252808A
公开(公告)日：2023-12-19
申请号：CN202310952096.0
申请日：2023-08-01
Applicant: 中国科学院计算机网络信息中心 , 中国科学院遗传与发育生物学研究所
IPC: G06T7/00 , G06T7/13 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及边缘检测算技术领域，具体涉及一种基于核膜形态的端到端细胞衰老状态预测方法，其包括以下步骤:步骤一、通过荧光显微镜采集经免疫荧光染色的人类成纤维细胞的荧光图像；步骤二、对核膜数据进行数据增强处理，扩增训练数据，提升模型泛化能力；步骤三、通过深度神经网络生成对核膜分割掩码的预测，获取掩码信息；步骤四、将掩码信息的同时传入椭圆度模块、光滑度模块、凹陷度模块进行多角度计算与评估。本发明从多角度评估核膜形态变化，以满足领域内日益增长的对细胞衰老状态的量化的需求。
-
Patent Agency Ranking
公开(公告)号：CN119417693A
公开(公告)日：2025-02-11
申请号：CN202411476492.1
申请日：2024-10-22
Applicant: 中国科学院计算机网络信息中心
IPC: G06T1/20 , G06N3/042 , G06N3/0464
Abstract: 本申请公开了一种用于GPU的图神经网络加速训练方法、存储介质及电子装置，所述方法包括：获取初始图，并将初始图分割为N个子图，其中初始图为动态图样本中对应一个时刻的静态图；预估子图的计算负荷，基于子图的计算负荷将N个子图分配至M个GPU上并进行图神经网络的训练，其中每个GPU上至少被分配2个子图；获取增量数据，并基于增量数据对子图进行更新，其中所述增量数据用于表征当前时刻扫描的动态图样本中的静态图相对于GPU当前处理的静态图的变化；将所述N个含有增量数据的子图分配至M个GPU上并进行图神经网络的训练。本技术确保了计算与资源利用率提升，降低了训练耗时，提高了图神经网络在训练时的训练效率。
-
公开(公告)号：CN119700137A
公开(公告)日：2025-03-28
申请号：CN202411705182.2
申请日：2024-11-26
Applicant: 中国科学院计算机网络信息中心
IPC: A61B5/372 , A61B5/00 , G06F18/24 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本公开涉及生物信息领域，提出了一种两阶段的脑电异常信号检测方法，包括：获取待检测的原始脑电信号数据；将原始脑电信号数据的时间序列输入至自编码器模型中，将原始数据x映射到低维中间表示h，再通过低维中间表示h重建信号z；当重建信号z的输出值域高于基于输入向量设定的预设阈值时，该数据点将被标记为异常信号，截取异常区域并划入候选区域；将候选区域的脑电信号时间序列通过一维卷积和深度可分离卷积提取并细化特征，再通过一维卷积神经网络的全连接层输出脑电信号时间序列的特征对应于每个类别的概率，得出异常类型。本发明提高了异常定位的准确性，也增强了对复杂脑电信号进行高效分析的能力。
-
公开(公告)号：CN119074015A
公开(公告)日：2024-12-06
申请号：CN202411459668.2
申请日：2024-10-18
Applicant: 中国科学院计算机网络信息中心
IPC: A61B5/369 , G06F18/2415 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , A61B5/00
Abstract: 本发明提供一种基于卷积神经网络的脑电异常信号检测方法、装置及设备。通过对脑电异常信号数据进行降噪处理、数据切分，并将其信号数据的一维时序信息转换为二维频域信息，得到信号的幅值数据和相位数据，然后将其两种数据输入至预设的目标卷积神经网络预测模型中，以输出多个尺度信号的特征图信息，并根据其多个尺度信号的特征信息确定被检测目标信号数据中的目标范围，并判断出异常信号的所属类型。本发明可以在保障一定计算效率的同时，实现对脑电时序数据中异常信息进行检测和定位，通过对不同尺度信号的多层次检测算法实现对多种类型的信息进行精准定位及正确分类。
-
公开(公告)号：CN119441698A
公开(公告)日：2025-02-14
申请号：CN202411531342.6
申请日：2024-10-30
Applicant: 中国科学院计算机网络信息中心
IPC: G06F17/16 , G06N3/042 , G06N3/0495 , G06N3/08
Abstract: 本申请公开了一种张量处理单元上加速稀疏矩阵计算的方法及存储介质，所述方法包括：获取第一矩阵，其中第一矩阵包括行索引值或列索引值，第一矩阵为基于输入序列得到的稀疏矩阵；基于行索引值或列索引值，对所述第一矩阵的行和列进行重新排序，得到第二矩阵，以使所述第二矩阵相对于第一矩阵的缓存命中率更高；从GPU的内存中读取第三矩阵，并对所述第二矩阵和第三矩阵进行运算，其中所述第三矩阵是指与所述第二矩阵进行运算的矩阵，所述第三矩阵基于所述输入序列得到。通过本技术，并在tensor core上执行矩阵运算，减少了冗余计算操作，提升了运行过程中的缓存命中率实现了对稀疏矩阵的高效计算与运算资源的优化利用，极大地提升了矩阵计算的整体性能。
-
公开(公告)号：CN119441698B
公开(公告)日：2025-04-29
申请号：CN202411531342.6
申请日：2024-10-30
Applicant: 中国科学院计算机网络信息中心
IPC: G06F17/16 , G06N3/042 , G06N3/0495 , G06N3/08
Abstract: 本申请公开了一种张量处理单元上加速稀疏矩阵计算的方法及存储介质，所述方法包括：获取第一矩阵，其中第一矩阵包括行索引值或列索引值，第一矩阵为基于输入序列得到的稀疏矩阵；基于行索引值或列索引值，对所述第一矩阵的行和列进行重新排序，得到第二矩阵，以使所述第二矩阵相对于第一矩阵的缓存命中率更高；从GPU的内存中读取第三矩阵，并对所述第二矩阵和第三矩阵进行运算，其中所述第三矩阵是指与所述第二矩阵进行运算的矩阵，所述第三矩阵基于所述输入序列得到。通过本技术，并在tensor core上执行矩阵运算，减少了冗余计算操作，提升了运行过程中的缓存命中率实现了对稀疏矩阵的高效计算与运算资源的优化利用，极大地提升了矩阵计算的整体性能。
-
-
-
-
-
Search Results
6
records
(took 0.071 seconds)
