-
公开(公告)号：CN112052886A
公开(公告)日：2020-12-08
申请号：CN202010847005.3
申请日：2020-08-21
Applicant: 暨南大学
Abstract: 本发明属于深度学习计算机视觉领域，公开了一种基于卷积神经网络的人体动作姿态智能估计方法及装置，方法包括：将待进行动作姿态估计的人体图像输入到训练好的人体检测模型中进行处理，得人物个体检测结果，输入到训练好的全局估计模型中进行处理，得到不同尺度的人体关键点的第一特征图，输入到训练好的补充精调模型中进行处理，通过加强学习得到不同尺度的人体关键点的第二特征图；补充精调模型中包括多个特征提取分支，每个特征提取分支中设置数量不同的精调模块，通过各特征提取分支的精调模块加强学习；基于第二特征图，得到人体姿态估计结果。本发明有效解决了现有技术容易遗漏人体图像中难以分辨的关键点而导致人体姿态估计不准确的问题。
-
公开(公告)号：CN115101145B
公开(公告)日：2024-09-17
申请号：CN202210737270.5
申请日：2022-06-27
Applicant: 暨南大学
IPC: G16C20/50 , G06F18/241 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/042 , G06N3/0895 , G16C20/70
Abstract: 本发明公开了一种基于自适应元学习的药物虚拟筛选方法及系统，包括以下步骤：S1、对公开数据库的药物分子数据进行预处理获得分子图数据并划分T个数据集；S2、构建基于元学习器的多任务神经网络模型；S3、利用上述数据集对神经网络模型进行预训练，得到药物虚拟筛选模型；S4、输入任务目标的数据到上述药物虚拟筛选模型，对任务的权重进行调整，添加目标任务相关的预测层，得到与目标任务强相关的药物虚拟筛选模型。本方法与基于深度学习的药物筛选方法相比，利用元学习器对模型进行任务权重上的调整，通过添加目标任务相关的预测层，能够自适应调整模型，使药物虚拟筛选模型达成更好的泛化性能，能够筛选出具有足够活性且符合要求的药物分子。
-
公开(公告)号：CN115101145A
公开(公告)日：2022-09-23
申请号：CN202210737270.5
申请日：2022-06-27
Applicant: 暨南大学
Abstract: 本发明公开了一种基于自适应元学习的药物虚拟筛选方法及系统，包括以下步骤：S1、对公开数据库的药物分子数据进行预处理获得分子图数据并划分T个数据集；S2、构建基于元学习器的多任务神经网络模型；S3、利用上述数据集对神经网络模型进行预训练，得到药物虚拟筛选模型；S4、输入任务目标的数据到上述药物虚拟筛选模型，对任务的权重进行调整，添加目标任务相关的预测层，得到与目标任务强相关的药物虚拟筛选模型。本方法与基于深度学习的药物筛选方法相比，利用元学习器对模型进行任务权重上的调整，通过添加目标任务相关的预测层，能够自适应调整模型，使药物虚拟筛选模型达成更好的泛化性能，能够筛选出具有足够活性且符合要求的药物分子。
-
Patent Agency Ranking
公开(公告)号：CN114038517B
公开(公告)日：2024-11-15
申请号：CN202110983302.5
申请日：2021-08-25
Applicant: 暨南大学
IPC: G16C20/70 , G16C20/20 , G06N3/042 , G06N3/0895 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种基于对比学习的自监督图神经网络预训练方法，步骤为：对公开数据库的化合物分子进行预处理，筛选出有机分子；对筛选出的有机分子进行结构分解并提取，将所得的子结构作为标识符，并构建子结构的语料库；将分解后的子结构看作超级节点并构建相应的子图数据，该子图数据与原分子图数据构成正样本对，随机选出若干个子图数据与原分子图数据组成负样本对；构建基于注意力机制的图卷积神经网络、基于多层次的门控循环单元和多层感知机模块，组成自监督学习模型；将所有正负样本对数据输入自监督学习模型进行预训练并保存，便于下游任务的微调。解决对缺乏标注的药物分子的场景时，进行深度学习模型训练所产生的泛化性能不足的问题。
-
公开(公告)号：CN112765827B
公开(公告)日：2024-01-23
申请号：CN202110116008.4
申请日：2021-01-28
Applicant: 暨南大学
IPC: G06F30/20 , G06F17/18 , G06F119/02
Abstract: 本发明公开了一种功能相关系统的可靠性分析方法，包括以下步骤：将包含确定性竞争失效的功能相关系统的故障树模型的FDEP门用OR门代替；在不考虑竞争失效的情况下，对静态故障树中的每个变量进行启发式排序，再根据排序后的索引将静态故障树模型自底向上转化成BDD模型；评估BDD模型，得到有关边概率的系统可靠性评估公式；定义代表触发元件和依赖元件的不同失效顺序的事件，分离竞争失效，计算各个事件的发生概率；根据元件的失效情况对BDD模型的边概率赋值，将赋值代入系统可靠性评估公式，求得系统的条件失效概率的具体数值；将条件失效概率的具体数值代入全概率公式求得最终的系统可靠性。本发明可以精确计算出系统可
-
公开(公告)号：CN112052886B
公开(公告)日：2022-06-03
申请号：CN202010847005.3
申请日：2020-08-21
Applicant: 暨南大学
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06V40/10 , G06V40/20 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/60
Abstract: 本发明属于深度学习计算机视觉领域，公开了一种基于卷积神经网络的人体动作姿态智能估计方法及装置，方法包括：将待进行动作姿态估计的人体图像输入到训练好的人体检测模型中进行处理，得人物个体检测结果，输入到训练好的全局估计模型中进行处理，得到不同尺度的人体关键点的第一特征图，输入到训练好的补充精调模型中进行处理，通过加强学习得到不同尺度的人体关键点的第二特征图；补充精调模型中包括多个特征提取分支，每个特征提取分支中设置数量不同的精调模块，通过各特征提取分支的精调模块加强学习；基于第二特征图，得到人体姿态估计结果。本发明有效解决了现有技术容易遗漏人体图像中难以分辨的关键点而导致人体姿态估计不准确的问题。
-
公开(公告)号：CN114038517A
公开(公告)日：2022-02-11
申请号：CN202110983302.5
申请日：2021-08-25
Applicant: 暨南大学
Abstract: 本发明涉及一种基于对比学习的自监督图神经网络预训练方法，步骤为：对公开数据库的化合物分子进行预处理，筛选出有机分子；对筛选出的有机分子进行结构分解并提取，将所得的子结构作为标识符，并构建子结构的语料库；将分解后的子结构看作超级节点并构建相应的子图数据，该子图数据与原分子图数据构成正样本对，随机选出若干个子图数据与原分子图数据组成负样本对；构建基于注意力机制的图卷积神经网络、基于多层次的门控循环单元和多层感知机模块，组成自监督学习模型；将所有正负样本对数据输入自监督学习模型进行预训练并保存，便于下游任务的微调。解决对缺乏标注的药物分子的场景时，进行深度学习模型训练所产生的泛化性能不足的问题。
-
公开(公告)号：CN112765827A
公开(公告)日：2021-05-07
申请号：CN202110116008.4
申请日：2021-01-28
Applicant: 暨南大学
IPC: G06F30/20 , G06F17/18 , G06F119/02
Abstract: 本发明公开了一种功能相关系统的可靠性分析方法，包括以下步骤：将包含确定性竞争失效的功能相关系统的故障树模型的FDEP门用OR门代替；在不考虑竞争失效的情况下，对静态故障树中的每个变量进行启发式排序，再根据排序后的索引将静态故障树模型自底向上转化成BDD模型；评估BDD模型，得到有关边概率的系统可靠性评估公式；定义代表触发元件和依赖元件的不同失效顺序的事件，分离竞争失效，计算各个事件的发生概率；根据元件的失效情况对BDD模型的边概率赋值，将赋值代入系统可靠性评估公式，求得系统的条件失效概率的具体数值；将条件失效概率的具体数值代入全概率公式求得最终的系统可靠性。本发明可以精确计算出系统可靠性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
