-
公开(公告)号：CN120005788A
公开(公告)日：2025-05-16
申请号：CN202510171146.0
申请日：2025-02-17
Applicant: 清华大学 , 北京微构工场生物技术有限公司
Abstract: 本发明涉及生物材料技术领域，具体涉及一种生产丁内酰胺的工程改造菌。该工程改造菌异源表达丁内酰胺合成基因，其中所述丁内酰胺合成基因选自由以下组成的组：β‑丙氨酸辅酶A转移酶编码基因、肉碱辅酶A连接酶编码基因和酰基辅酶A连接酶编码基因。采用本发明实施例提供的工程改造菌合成丁内酰胺等代谢物具有高产率、低成本等优势，可以实现低成本的丁内酰胺或者丁内酰胺与其它产物联产的生产平台，能够在无灭菌、开放和连续发酵条件下高效生产胞内或胞外产品。
-
公开(公告)号：CN117143793B
公开(公告)日：2024-09-10
申请号：CN202311396933.2
申请日：2023-10-26
Applicant: 清华大学 , 北京微构工场生物技术有限公司
IPC: C12N1/21 , C08G63/06 , A61K31/19 , A61L31/06 , A61L31/14 , A61L17/10 , A61L27/18 , A61L27/58 , C12N15/53 , C12N15/54 , C12N15/55 , C12N15/74 , C12P13/00 , C12P7/42 , C12P7/625 , C12R1/01
Abstract: 本发明提供了一种生产5‑碳化合物或其聚合物的重组菌及其应用，通过对原本不能生产5‑碳化合物的菌株进行改造，加入5‑碳化合物合成基因，构建可以生产5‑碳化合物或包含5‑碳化合物单体的聚合物的重组菌，实现5‑氨基戊酸、5‑羟基戊酸、5‑羟基戊酸相关的PHA等高附加值化合物的生产。以搭建一个更加经济、可持续和高效益生产5‑碳化合物、包含5‑碳化合物单体的聚合物的平台，对进一步降低生产成本，提高可持续发展方面具有重要的作用。
-
公开(公告)号：CN118429460A
公开(公告)日：2024-08-02
申请号：CN202410581639.7
申请日：2024-05-11
Applicant: 清华大学深圳国际研究生院
Abstract: 一种欠采样磁共振图像的重建方法，包括如下步骤：S1、建立图像重建网络，用于从欠采样磁共振图像的K空间数据重建磁共振图像；S2、构建基于博弈论的K空间频率相互作用损失函数，以量化K空间中不同频率之间的相互作用增量贡献；S3、将频率相互作用损失函数作为网络优化过程中的惩罚项，训练图像重建网络；S4、使用训练后的图像重建网络对欠采样的磁共振图像进行重建，得到重建后的图像。本方法不仅考虑了K空间不同频率本身对重建图像质量的影响，还考虑了频率之间的相互作用，能够使图像重建网络更加专注于对图像质量有实质性贡献的频率成分，同时减少对噪声或无关特征的关注，显著提升了欠采样磁共振图像的重建效果。
-
公开(公告)号：CN111047514B
公开(公告)日：2023-04-18
申请号：CN201911215983.X
申请日：2019-12-02
Applicant: 清华大学深圳国际研究生院
IPC: G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了单张图像超分辨的方法，包括：对单张低分辨率图像上采样得到图像P1；将P1输入一VDSR，输出高分辨率图像P2；分别用变换核T1、T2对P1、P2做Saak变换，P1、P2分别得到2n2张Saak特征图；变换核T1、T2分别由P1、P2计算得到；Saak变换的卷积核为n×n，n为自然数；从P1的2n2张Saak特征图中选择前m张作为训练集训练一卷积神经网络，并将所选的这m张Saak特征图输入该卷积神经网络，输出P1的m张特征图；1≤m≤n2；从P2的2n2张Saak特征图中选择后2n2‑m张，来与上述卷积神经网络输出的P1的m张特征图组成2n2张图进行Saak反变换，得到高分辨率图像P3；将P2与P3融合得到最终高分辨率图像P4。
-
公开(公告)号：CN113191450B
公开(公告)日：2022-09-06
申请号：CN202110548236.9
申请日：2021-05-19
Applicant: 清华大学深圳国际研究生院
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于动态标签调整的弱监督目标检测方法，包括：将图片、图片对应标签和候选框集合输入到多实例检测网络，得到的候选框输出根据其得分矩阵排序和实例之间的交并比值，实施惩罚激励项，计算多实例检测网络部分的损失，得到第一个精化分支的监督信息；据此，计算精化分支的损失；根据多实例检测网络部分和精化分支的损失之和的最终损失，训练迭代优化网络，用该优化网络实现弱监督目标检测。本发明通过动态调整图片初始二值标签，以接近图片真实实例，提升每个实例潜在增长空间，减轻正实例标签约束为“1”的竞争关系；还设计惩罚激励项，根据候选框之间的交并比关系调整候选框的检测得分，提升弱监督目标检测模型的实例挖掘能力。
-
Patent Agency Ranking
公开(公告)号：CN113191450A
公开(公告)日：2021-07-30
申请号：CN202110548236.9
申请日：2021-05-19
Applicant: 清华大学深圳国际研究生院
Abstract: 本发明公开一种基于动态标签调整的弱监督目标检测方法，包括：将图片、图片对应标签和候选框集合输入到多实例检测网络，得到的候选框输出根据其得分矩阵排序和实例之间的交并比值，实施惩罚激励项，计算多实例检测网络部分的损失，得到第一个精化分支的监督信息；据此，计算精化分支的损失；根据多实例检测网络部分和精化分支的损失之和的最终损失，训练迭代优化网络，用该优化网络实现弱监督目标检测。本发明通过动态调整图片初始二值标签，以接近图片真实实例，提升每个实例潜在增长空间，减轻正实例标签约束为“1”的竞争关系；还设计惩罚激励项，根据候选框之间的交并比关系调整候选框的检测得分，提升弱监督目标检测模型的实例挖掘能力。
-
公开(公告)号：CN109829925B
公开(公告)日：2020-12-25
申请号：CN201910064557.4
申请日：2019-01-23
Applicant: 清华大学深圳研究生院
Abstract: 本发明公开一种在抠图任务中提取干净前景的方法及模型训练方法，其模型训练方法包括：A1.采集前景的不透明度和色彩数据；A2.将前景和背景组合生成组合图像；A3.根据组合图像中前景的不透明度标签，将组合图像中的前景中完全不透明区域用白色表示，完全透明区域用黑色表示，半透明区域用灰色表示；然后通过膨胀形态学操作，将半透明区域进行扩大形成未知区域，最终生成前景标记三色草图；A4.训练卷积神经网络：输入组合图像原图以及相应的前景标记三色草图，输出前景的不透明度估计和背景的色彩估计，将输出与组合图像中的真值标签进行比对并根据比对结果对卷积神经网络模型的参数不断调整，以获得训练好的卷积神经网络模型。
-
公开(公告)号：CN109977212B
公开(公告)日：2020-11-24
申请号：CN201910244935.7
申请日：2019-03-28
Applicant: 清华大学深圳研究生院
IPC: G06F16/332 , G06F40/30 , G06F40/12
Abstract: 本发明提供一种对话机器人的回复内容生成方法和终端设备，方法包括：获取对话文本并进行数据预处理得到神经网络生成模型的训练样本；选取基于编码器‑解码器结构的神经网络生成模型；在解码器中引入词预测网络并在词预测网络添加损失函数，进而修正原始负对数似然损失函数；在修正的原始负对数似然损失函数中增加最大熵正则项，得到最终损失函数；对神经网络生成模型进行模型训练得到最优参数；训练好的所述神经网络生成模型接收用户的输入并生成相应的回复。具有良好的泛化能力：不限于特定结构的编码器‑解码器模型，可以与任何端到端模型相结合。显著提高回复多样性的同时，又能兼顾回复的质量，令用户拥有更好的交互体验。
-
公开(公告)号：CN109754404B
公开(公告)日：2020-09-01
申请号：CN201910002630.5
申请日：2019-01-02
Applicant: 清华大学深圳研究生院
Abstract: 本发明涉及一种基于多注意力机制的端到端的肿瘤分割方法，该方法主要包括主干网络部分和注意力模块部分，其中主干网络包括三个子网络，由改进的3D Residual U‑net构成；注意力模块由特殊设计的双分支结构构成。该方法能够弥补现有技术的训练效率低，分割精度差的不足，将对多个肿瘤子区域多类分割问题转化成多个二类分割任务，注意力机制将对肿瘤外周水肿区域的分割结果作为一种软注意力添加到进一步对于肿瘤核部分的分割子任务中，同样将肿瘤核部分的分割结果通过注意力机制添加到对于肿瘤核内部的增强区域的分割子任务中。该方法适用于包括脑瘤在内的具有类似层次结构的肿瘤病变组织的3D影像的分割，包括MRI，CT图像等，能够提供更加精确的分割结果。
-
公开(公告)号：CN111079790A
公开(公告)日：2020-04-28
申请号：CN201911129753.1
申请日：2019-11-18
Applicant: 清华大学深圳国际研究生院
Abstract: 一种构建类别中心的图像分类方法，包括：提取图像特征向量，在特征空间构建类别中心向量；以图像特征向量与类别中心向量之间的欧式距离作为分类依据进行图像特征分类；根据类别中心向量两两之间的欧式距离计算不同类别的分散程度；根据分类结果和不同类别分散程度计算网络的损失函数，利用损失函数对网络参数和中心向量进行学习。本发明的图像分类方法具有控制类内和类间距离的特点，该方法通过直接构建类别中心的方法控制类内和类间距离，使图像特征的分布更加有利于分类，从而取得更好的分类效果。和现有技术对比，利用本发明的方法可以使网络提取的特征具有更好的类内和类间分布特性。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.027 seconds)
