-
题名胞葬作用与炎症相关性疾病的研究进展
被引量：3
- 1
-
-
作者
金妍君
廖善婷
王岩
-
机构
南京中医药大学
-
出处
《徐州医科大学学报》
CAS
2023年第3期230-234,共5页
-
基金
江苏省自然科学基金青年项目(BK20220477)。
-
文摘
胞葬作用是机体内吞噬细胞清除凋亡细胞的生理过程。完整有效的胞葬作用对维持机体内环境稳态至关重要。而胞葬作用功能障碍会导致凋亡细胞清除不足,继而触发细胞次级坏死和促炎因子释放,引起组织炎症应答和自身免疫反应。因此,胞葬作用功能障碍是许多慢性炎症性疾病和自身免疫性疾病的重要发病基础。本文综述了胞葬作用的具体分子机制及其功能受损在动脉粥样硬化和系统性红斑狼疮等炎症相关性疾病中的研究进展,以期为炎症相关性疾病的防治提供新的治疗策略和理论依据。
-
关键词
胞葬作用
吞噬细胞
凋亡细胞
炎症相关性疾病
动脉粥样硬化
系统性红斑狼疮
-
Keywords
efferocytosis
phagocytes
apoptotic cells
inflammation-related diseases
atherosclerosis
-
分类号
R543.5
[医药卫生—心血管疾病]
R593.241
[医药卫生—内科学]
R741
[医药卫生—神经病学与精神病学]
R587.1
[医药卫生—内分泌]
R563.9
[医药卫生—呼吸系统]
-
-
题名关于图的全符号控制数
- 2
-
-
作者
汤友亮
徐保根
金妍君
-
机构
华东交通大学基础科学学院
-
出处
《宜春学院学报》
2012年第12期1-3,共3页
-
基金
国家自然科学基金(11061014
10661007)
-
文摘
设G=(V,E)是一个非空图,对于一个函数f:V(G)∪E(G)→{-1,1},则称f的权重为w(f)=∑x∈V(G)∪E(G)f(x)。若x∈V(G)∪E(G),定义f[x]=∑y∈NT[x]f(y)。如果对所有的x∈V(G)∪E(G)都有f[x]≥1,则称f是图G的一个全符号控制函数。G的全符号控制数定义为γ*s(G)=min{w(f)|f是图G的一个全符号控制函数}。该文给出到了图的全符号控制数的一个上界,并研究了完全二部图Km,n的全符号控制数。
-
关键词
全符号控制函数
全符号控制数
界限
完全二部图
-
Keywords
Total Signed Domination Function
Total Signed Domination Numbers
Bounds
Complete Bipartite Graphs
-
分类号
O157.5
[理学—基础数学]
-
-
题名基于联合SIFT和SURF特征的三维表面重建
被引量：3
- 3
-
-
作者
金妍君
万旺根
-
机构
上海大学通信与信息工程学院上海大学智慧城市研究院
-
出处
《电子测量技术》
2019年第11期107-111,共5页
-
文摘
一般提取二维图像特征点的方法用到SIFT特征提取,因为SIFT特征有几个特性:对噪声和光线容忍度高、区分性、多量性、可扩展性等,但对于边缘光滑目标的特征点提取能力较弱。SURF特征也是提取图像的尺度不变特征,SURF方法使用Hessian矩阵的行列式值作特征点检测,在对于光滑边缘的目标特征点检测效果要优于SIFT特征。采用同时提取图像中SIFT和SURF特征的方法用于关键点的确定,能够在SIFT特征稳定性好、尺度不变性基础上,提高边缘光滑目标的特征点检测能力。实验结果表明,使用SIFT特征和SURF特征联合的方法能够重建出更多的顶点数和面片数,包括利用SIFT特征提取后存在空缺的部分。重建出的三维表面有更完整更准确的顶点和三角形面片,能提高重建表面的完整度与真实性。
-
关键词
SIFT特征
SURF特征
联合特征提取
稀疏点云
三维表面重建
-
Keywords
SIFT features
SURF features
jointly feature extraction
sparse point cloud
3D surface reconstruction
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TN911.73
[电子电信—通信与信息系统]
-
-
题名基于注意力机制的三维模型多视图分类算法研究
被引量：1
- 4
-
-
作者
金妍君
万旺根
-
机构
上海大学通信与信息工程学院上海大学智慧城市研究院
-
出处
《工业控制计算机》
2020年第6期54-56,共3页
-
基金
上海市科委澳港台科技合作项目(18510760300)
安徽省自然科学基金项目(1908085MF178)
安徽省优秀青年人才支持计划项目(gxyqZD2019069)资助。
-
文摘
对于三维模型的分类,根据其不同的模型类型有不同的分类方法:利用三维模型多视角的二维视图进行分类,利用点云格式的三维模型分类以及利用体素模型进行分类。由于三维模型结构的复杂性和不规律性,且因为二维图像的标记数据量远远大于三维模型,所以一般使用三维模型的多视图图像来对三维模型进行分类研究。其中选择了多视图卷积神经网络(Multi-View Convolutional Neural Networks,MVCNN),因其网络结构不复杂,耗时适中且具有不错的分类结果。并通过向MVCNN中引入注意力机制,使得图像的主要特征位置以及特点显著,能够更好地对三维模型的图像进行特征提取以及分类。实验结果表明,引入注意力机制的多视图三维模型分类方法较原方法,能够将三维模型多视图的分类准确率提高约3%。
-
关键词
多视图
三维模型分类
注意力机制
-
Keywords
multi-view
3D Model Classification
attention mechanism
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
