66的案例列表
基于深度学习的蛋白预测
我们提出了一种用于预测尿液排泄蛋白的深度学习模型。与现有的尿液排泄蛋白预测方法不同，我们提出的模型通过使用基于位置特异性迭代的基本局部比对搜索工具（PSI-BLAST）所得到的位置特异性打分矩阵（PSSM）所表示的氨基酸序列进行预测。模型的框架主要由从位置特异性打分矩阵中提取局部信息的卷积神经网络（CNN）模块，用来提取远距离氨基酸相关性的双向长短期记忆模块（BLSTM）和获取预测尿液排泄相关氨基酸位置的注意力模块组成。构建模型之后，我们验证了所提出模型在训练数据集和独立测试数据集上能够达到91.25%和88.98%的准确率，并且所得到的预测结果优于基于传统机器学习的模型。进一步结合转录组和蛋
yolo+QT基于c++
基于vs2015和cuda9.2下，利用yolov4对超过2000*2000的图片进行检测，并且自适应开多线程，依据电脑性能，检测一张2000*2000左右的图片仅需0.2s。这里时间超过yolo直接检测是因为对图片进行了分割，分块检测。
案例判断参考
66的案例列表
基于深度学习的蛋白预测
我们提出了一种用于预测尿液排泄蛋白的深度学习模型。与现有的尿液排泄蛋白预测方法不同，我们提出的模型通过使用基于位置特异性迭代的基本局部比对搜索工具（PSI-BLAST）所得到的位置特异性打分矩阵（PSSM）所表示的氨基酸序列进行预测。模型的框架主要由从位置特异性打分矩阵中提取局部信息的卷积神经网络（CNN）模块，用来提取远距离氨基酸相关性的双向长短期记忆模块（BLSTM）和获取预测尿液排泄相关氨基酸位置的注意力模块组成。构建模型之后，我们验证了所提出模型在训练数据集和独立测试数据集上能够达到91.25%和88.98%的准确率，并且所得到的预测结果优于基于传统机器学习的模型。进一步结合转录组和蛋...
yolo+QT基于c++
基于vs2015和cuda9.2下，利用yolov4对超过2000*2000的图片进行检测，并且自适应开多线程，依据电脑性能，检测一张2000*2000左右的图片仅需0.2s。这里时间超过yolo直接检测是因为对图片进行了分割，分块检测。...
