Nov, 2023

一击即倾：检测低信噪比图像中的 Markush 结构

PDF
TL;DR通过比较固定特征提取和端到端学习（CNN）方法，本研究提出并测试了一种用于对 Markush 结构进行分类的新方法。与固定特征方法相比，端到端方法表现显著更好，宏 F1 值达到 0.928（标准偏差 0.035），而固定特征方法为 0.701（标准偏差 0.052）。因实验性质，这些结果可进一步提高。结果表明，该提出的方法可以有效准确地过滤掉 Markush 结构，并能提高其应用于其他研究者的性能。
发现论文，激发创造
  • 有限监督的原子级光学化学结构识别

    通过图形表示或图像识别分子的化学结构是一项具有挑战性的模式识别任务，在药物开发方面具有很大的好处。我们提出了一种新的化学结构识别工具，该工具提供了最先进的性能，并可以适应少量数据样本和监督下的新领域。与以前的方法不同，我们的方法提供了原子级定位，因此可以将图像分割成不同的原子和键。我们的模型是第一个只使用 SMILES 监督进行原子级实体检测的 OCSR 模型。通过严格和广泛的基准测试，我们证明了我们的化学结构识别方法在数据效率、准确性和原子级实体预测方面的卓越性。

    Apr, 2024

  • ChemGrapher：基于深度学习的化学化合物光学图形识别

    本研究利用机器学习中的深度神经网络模型对化学图像进行自动识别和转化，以解决传统工具在检测链的多样性及立体化学信息时产生的错误和丢失原子等问题，并能迅速处理大量图像，从而在药物发现等方面具有重要应用价值。

    Feb, 2020

  • MolGrapher 化学结构的基于图的可视化识别

    该研究提出了 MolGrapher 方法，通过视觉识别化学结构，构建分子的自然图形表示，并利用图神经网络分类分子中的原子和键节点。实验证明该方法在大多数情况下明显优于传统和基于学习的方法，可用于加快新材料和药物的发现。

    Aug, 2023

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020

  • MolScribe：基于图像生成的鲁棒分子结构识别

    本文介绍了一个新颖的图像转化成图形结构的模型 MolScribe，该模型灵活地融合了象征性化学限制条件，扩展了简略结构，通过数据扩充策略，提高了模型鲁棒性。在合成和逼真的分子图像上的实验中，MolScribe 显著优于之前的模型，在公共基准测试中实现了 76-93％的准确性。化学家还可以通过模型的置信度估计和原子级对齐来轻松验证 MolScribe 的预测。

    May, 2022

  • 基于结构的训练对三维定位精度和质量的影响

    本研究介绍了一种基于结构的训练方法，用于单分子定位显微镜（SMLM）和三维物体重建的基于卷积神经网络（CNN）的算法。通过与传统的基于随机的训练方法相比较，利用 LUENN 软件包作为我们的人工智能管道，定量评估表明结构化训练方法在检测率和定位精度上有显著的提升，特别是在信噪比（SNR）变化的情况下。此外，该方法有效地消除了棋盘格伪影，确保更准确的三维重建。我们的研究结果突显了结构化训练方法在推进超分辨显微镜技术并深入理解纳米尺度下复杂生物系统方面的潜力。

    Sep, 2023

  • 运用结合机器学习的方法提高 19 世纪历史文献中的 OCR 质量

    该论文利用机器学习模型针对历史研究的挑战进行研究，旨在提高 OCR 质量和识别数据结构的准确度。

    Jan, 2024

  • 深度学习光谱中弥漫着类别 / 跨类别结构的痕迹

    研究应用实证频谱分析于现代深度学习分类器，展示其在深度网络频谱中的重要形式类 / 跨类结构及其特征，包括频谱异常值、突起和小但清晰的连续分布，介绍跨类结构的重要性，并证明多项式逻辑回归中，Fisher 信息矩阵频谱中异常值与主体审查的比例预测了误分类，在深度上，网络能够在将类别区分信息正交化的同时，逐渐分离类别特定信息，并提出了 KFAC 的校正。

    Aug, 2020

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • mPLUG-DocOwl 1.5：OCR-free 文档理解的统一结构学习

    利用结构信息提升多模态大型语言模型在视觉文档理解中的性能，通过构建一种新的统一结构学习方法，设计了一个简单而有效的 H-Reducer 视觉到文本模块，并构建了相应的训练数据集和细致解释能力的推理调优数据集，提升了视觉文档理解基准任务的性能。

    Mar, 2024