利用序列和组合图卷积网络预测蛋白质功能

蛋白质功能的准确预测有利于推进生物医学发展,高通量测序技术的快速发展加快了蛋白质序列的提取速度,从而产生了大量未注释的蛋白质,并且新测序序列缺乏结构等生物信息,针对该问题提出了基于序列和组合图卷积网络的蛋白质功能预测模型(Protein Function Prediction using Sequences and Combined Graph Convolutional Networks, PFP-SCGCN).首先通过深度学习方法捕获蛋白质序列的多维特征信息,再通过多序列比对从蛋白质序列中提取进化耦合信息和氨基酸残基群落,然后利用进化耦合信息和氨基酸残基群落生成序列氨基酸之间两种不同连接程度的邻接矩阵,将这两种邻接矩阵与序列特征信息一起输入给组合图卷积网络进行信息融合,最后通过多个全连接层获得蛋白质功能类别信息.本文还通过分析PFP-SCGCN的特定网络层识别蛋白质功能位点,可帮助人们推测出新序列中的重要氨基酸.模型结果表明,PFP-SCGCN模型的功能预测准确率远高于对比方法,具有较好的鲁棒性,并且可以较准确的识别功能位点.     

基于深度学习的蛋白质二级结构预测

后基因组时代的到来,蛋白质的数据量急剧增长.为对蛋白质结构进行准确预测,提出了一种深度学习的方法,来预测蛋白质的二级结构分类问题.采用由近似熵、疏水模式以及图像特征组成的伪氨基酸组分方法,来提取蛋白质序列的特征;预测模型采用了5层的深度玻尔兹曼机(DBM)+分类层,5层的DBM组成了4个RBM,分类层采用softmax分类器;同时采用了非监督学习和监督学习作为预测模型的训练策略.与现有预测方法相比,提出的预测方法,比目前较好的支持向量机(SVM),人工神经网络(ANN)精度均要高.实验结果表明,提出的改进方法具有很好的可行性和有效性.     

基于深度度量学习的网络缺失节点检测研究

鉴于现实中存在权限设置,获取数据成本过高等因素,大多数收集到的网络仅为完整网络的局部,检测缺失的节点是处理网络不完整问题的有效途径之一。网络缺失节点的检测是一个复杂的问题,因为其不仅需要判断网络是否缺失了节点,还需要分析与缺失节点相关的边。于是提出了基于度量学习的网络缺失节点检测模型（MND-M）,它利用图卷积神经网络分别学习两个样本,学习的结果用于预测每组样本内是否缺失了节点,并利用度量学习方法比较一对样本嵌入的相似度,判断它们缺失的节点是否为同一个。模型在完整网络中构造了样本数据及标签来训练模型,帮助其获得缺失节点检测的能力。在4个数据集上进行了实验,结果表明MND-M能有效检测出网络中节点,获得较高的准确率和F1值。     

基于信息修正的深度残差学习

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正。为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象。在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低。     

进化深度学习的研究现状与进展

近些年,深度学习在工业界和学术界取得了令人瞩目的发展。然而,深度模型的超参数配置通常需要巨大的计算开销和专家知识。进化计算作为一种高效的启发式搜索方式,在深度模型的自动化配置中已经展现出显著的优势,能够有效缓解上述问题,这种方法也被称为进化深度学习。本文从自动机器学习的视角分析进化深度学习。具体来讲,首先结合进化计算和深度学习的特点,阐述进化深度学习的概念和优化模型。在此基础上,从深度学习的生命周期出发,系统地介绍了数据准备、模型生成和模型部署三个阶段的进化深度学习方法。此外,分析并讨论了不同的解表示和搜索范式。最后,本文提供了进化深度学习的相关应用,开放问题及潜在研究方向。本文综述了进化深度学习的最新进展,并为其未来的发展提出了一些指导性的建议。     

基于深度学习的健身动作识别系统

随着全民健身热潮的兴起,越来越多的人积极参加健身锻炼,但由于缺乏科学的运动指导,使健身难以取得相应的效果.据我们所知,没有产品可以自动分析健身运动并提供指导.针对这个现象,设计了一个基于深度学习的健身动作识别系统,该系统由三个部分组成:提取运动边界、人体姿态估计和动作识别/评分.首先使用边界敏感网络来生成包含动作实例的...     

基于深度学习的网络资源优先协同过滤推荐

为帮助用户快速、准确地获取所需的网络资源为目的,提出基于深度学习的网络资源优先协同过滤推荐方法.首先分析推荐过程的组成架构,将其划分为信息处理、用户建模、推荐算法等多个功能模块.然后通过共现关系分别描述网络资源与用户之间的关联性,从而建立资源-用户特征矢量模型,获取表示全面特征的目标函数.将能够反映丰富物理量的张量引入...     

融合Doc2vec与GCN的多类型蛋白质相互作用预测方法北大核心CSCD

多类型蛋白质−蛋白质相互作用(protein-protein interaction,PPI)的研究是从系统角度理解生物过程和揭示疾病机制的基础。现有的GNN-PPI、PIPR等针对多类型PPI预测方法在采用广度和深度优先搜索对数据集进行划分时,测试准确率会显著下降,因此本文基于Doc2vec方法思想和图卷积神经网络(graph convolutional network,GCN)技术,提出了一种新的多类型PPI预测方法GDP(GCN Doc2vec PPI)。该方法无需依赖蛋白质的物理和生物学特性,仅用序列信息对蛋白质进行编码,并结合网络结构信息对蛋白质进行特征聚合形成PPI信息,从而对其进行多类型预测。实验结果表明,该方法在不同规模的真实数据中可以有效地提高多类型PPI预测准确率,尤其是在训练集中未曾见过的新蛋白质之间的PPI。     

带记忆信息的协同进化算法

本文提出了一种带记忆信息的协同进化算法--将种群划分为一个子种群和多个独立的个体,协调算法的局部与全局搜索能力;独立个体中适应度最高的个体与子种群进行交叉与合并,实现种群内部的协作与更新;利用子种群内个体间的相似性,选择有代表性个体进行多次变异,发现有利于提高个体适应度的重要基因位来引导该子种群的变异行行为。实验表明,本文算法能够快速找到高精度的数值解,性能稳定且易于实现。     

基于深度学习的八类蛋白质二级结构预测算法

蛋白质二级结构预测是结构生物学中的一个重要问题。针对八类蛋白质二级结构预测,提出了一种基于递归神经网络和前馈神经网络的深度学习预测算法。该算法通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络以便进行八类蛋白质二级结构预测。实验结果表明,提出的算法在CB513数据集上达到了67.9%的Q₈预测精度,显著地优于SSpro8和SC-GSN。     

基于深度学习的轻量型人体动作识别模型

针对现有基于深度学习的人体动作识别模型参数量大、网络过深过重等问题,提出了一种轻量型的双流融合深度神经网络模型并将该模型应用于人体动作识别。该模型将浅层多尺度网络和深度网络相结合,实现了模型参数量的大幅减少,避免了网络过深的问题。在数据集UCF101和HMDB51上进行实验,该模型在ImageNet预训练模式下分别取得了94.0%和69.4%的识别准确率。实验表明,相较于现有大多基于深度学习的人体动作识别模型,该模型大幅减少了参数量,并且仍具有较高的动作识别准确率。     

基于深度学习的织物缺陷在线检测算法

织物缺陷在线检测是纺织行业面临的重大难题，针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题，提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构，并参考其他分类模型的经典算法，搭建出适用于实际生产环境的织物缺陷分类模型；其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库，并用该数据库对织物缺陷分类模型进行训练；最后对高清相机在织物验布机上采集的图片进行分割，并将分割后的小图以批量的方式传入训练好的分类模型，实现对每张小图的分类，以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明：织物缺陷分类模型平均每张小图的测试时间为0.37 ms，平均测试时间比GoogLeNet减少了67%，比ResNet-50减少了93%；同时模型在测试集上的正确率达到99.99%。说明其准确率与实时性均满足实际工业需求。     

基于深度学习的人脸妆容迁移算法

人脸妆容迁移是指将参考妆容迁移到素颜人脸上,在保持面部特征不变的同时尽可能展现参考妆容的风格的一种任务。为了进一步实现人脸妆容自动迁移技术,避免现有妆容迁移方法没有充分考虑人与人之间的五官差异而导致提取的人脸信息不足等问题,提出了一种基于深度卷积神经网络的人脸妆容迁移算法。该算法首先自动定位素颜人脸和参考妆容的五官,提取重要部位的特征信息。然后通过妆容传递网络和损失函数,经过深度卷积神经网络自主训练,最终实现了参考妆容向素颜人脸的自动迁移。仿真实验结果表明,与目前的主流算法进行对比,该算法耗时更短、运算性能更具优势,同时在不改变原图五官细节的基础上,妆容迁移效果更为自然。     

深度学习图像修复方法综述

目的 图像修复是计算机视觉领域研究的一项重要内容,其目的是根据图像中已知内容来自动地恢复丢失的内容,在图像编辑、影视特技制作、虚拟现实及数字文化遗产保护等领域都具有广泛的应用价值。而近年来,随着深度学习在学术界和工业界的广泛研究,其在图像语义提取、特征表示、图像生成等方面的应用优势日益突出,使得基于深度学习的图像修复方法的研究成为了国内外一个研究热点,得到了越来越多的关注。为了使更多研究者对基于深度学习的图像修复理论及其发展进行探索,本文对该领域研究现状进行综述。方法 首先对基于深度学习图像修复方法提出的理论依据进行分析;然后对其中涉及的关键技术进行研究;总结了近年来基于深度学习的主要图像修复方法,并依据修复网络的结构对现有方法进行了分类,即分为基于卷积自编码网络结构的图像修复方法、基于生成式对抗网络结构的图像修复方法和基于循环神经网络结构的图像修复方法。结果 在基于深度学习的图像修复方法中,深度学习网络的设计和训练过程中的损失函数的选择是其重要的内容,各类方法各有优缺点和其适用范围,如何提高修复结果语义的合理性、结构及细节的正确性,一直是研究者们努力的方向,基于此目的,本文通过实验分析总结了各类方法的主要特点、存在的问题、对训练样本的要求、主要应用领域及参考代码。结论 基于深度学习图像修复领域的研究已经取得了一些显著进展,但目前深度学习在图像修复中的应用仍处于起步阶段,主要研究的内容也仅仅是利用待修复图像本身的图像内容信息,因此基于深度学习的图像修复仍是一个极具挑战的课题。如何设计具有普适性的修复网络,提高修复结果的准确性,还需要更加深入的研究。     

深度学习研究综述

深度学习是一类新兴的多层神经网络学习算法,因其缓解了传统训练算法的局部最小性,引起机器学习领域的广泛关注。首先论述了深度学习兴起渊源,分析了算法的优越性,并介绍了主流学习算法及应用现状,最后总结了当前存在的问题及发展方向。     

深度学习的研究进展与发展

深度学习是基于数据表示的一类更广的机器学习方法,它的出现不仅推动了机器学习的发展,而且促进了人工智能的革新。对深度学习的几种典型模型进行研究与对比。首先介绍受限玻尔兹曼机、深度置信网络、自编码器等无监督学习模型,对其结构、原理和优缺点进行了详细探讨。讨论卷积神经网络、循环神经网络和深度堆叠网络等监督学习模型,分别从模型架构和工作原理来评价与分析。对深度学习的典型模型进行对比分析,将深度置信网络和卷积神经网络应用在手写体数字识别任务中,结果证实深度学习比传统的神经网络具有更好的识别性能。最后探讨深度学习未来的发展与挑战。     

深度学习及其在计算机视觉领域中的应用

首先回顾了计算视觉发展的历史,介绍了神经元、多层感知机和反向传播等人工神经网络的基本知识以及卷积神经网络的发展史及其卷积、池化等基本操作;讨论了AlexNet、VGGNet、GoogLeNet和ResNet等经典卷积神经网络结构,并重点介绍了CapsNet;总结了卷积神经网络在图像分类、语义分割、目标检测以及图像生成等领域的研究进展;最后提出了卷积神经网络研究所面临的挑战以及对CapsNet未来研究的展望。     

基于知识蒸馏的特定知识学习

在传统知识蒸馏框架中,教师网络将自身的知识全盘传递给学生网络,而传递部分知识或者特定知识的研究几乎没有。考虑到工业现场具有场景单一、分类数目少的特点,需要重点评估神经网络模型在特定类别领域的识别性能。基于注意力特征迁移蒸馏算法,提出了三种特定知识学习算法来提升学生网络在特定类别分类中的分类性能。首先,对训练数据集作特定类筛选以排除其他非特定类别的训练数据;在此基础上,将其他非特定类别视为背景并在蒸馏过程中抑制背景知识,从而进一步减少其他无关类知识对特定类知识的影响;最后,更改网络结构,即仅在网络高层抑制背景类知识,而保留网络底层基础图形特征的学习。实验结果表明,通过特定知识学习算法训练的学生网络在特定类别分类中能够媲美甚至超越参数规模六倍于它的教师网络的分类性能。     

基于深度学习的面部修复技术综述

传统图像修复算法在修复区域涉及复杂非重复结构(如面部)时,不能准确捕捉到高级语义。近三年来基于深度学习的方法被应用于图像修复中,其修复结果的结构相似性较传统方法提高了10%以上。首先阐述了面部修复技术的研究发展历程,主要介绍了基于深度学习的面部修复算法,将其分为无监督和有监督两大类方法,在每一类中重点对近年来涌现的各种面部修复算法进行分析和总结;然后归纳了当前主流的六类图像数据集,以及算法性能评价指标;最后讨论了面部修复技术的未来研究方向。