- 综合排序
- 最热优先
- 最新优先
AbMole详解： DNP-BSA--免疫学研究与检测的得力助手
AbMole的DNP-BSA（M58157，AbMole，2,4-二硝基苯基-牛血清白蛋白）作为一种重要的免疫学工具，在很多领域中都有着重要的作用。 这些抗体可以用于后续的免疫学实验，例如检测抗原抗体反应、研究抗体的特异性和亲和力等。 四、免疫检测和免疫层析免疫层析技术是一种基于抗原抗体特异性反应的膜检测方法。它以硝酸纤维素膜为固定相，该膜上固定有检测线（包被抗体或抗原）。 在流动相的作用下，待测物首先与荧光标记的抗体或抗原结合，随后在到达检测线时与包被的抗体或抗原结合，形成荧光或胶体金条带，从而实现检测目的。 DNP-BSA（M58157，AbMole，2,4-二硝基苯基-牛血清白蛋白）可满足免疫层析中的胶体金检测或免疫荧光检测，目前是很多免疫层析产品（抗原检测、病毒检测）中重要的质控系统。图2.
13910编辑于 2025-11-19- 来自专栏DrugOne
Immunology | 群体免疫学：在人类免疫学中利用区块链技术和人工智能
人类免疫学可能很快就会从人工智能和区块链技术的使用中受益。在这里，作者讨论了群体学习如何通过分享见解而非数据，来促进全球免疫学合作研究，充分尊重当地数据隐私法规。 几十年来，免疫学研究得益于高度标准化的动物模型。然而，随着知识的增加，从模型系统到人类疾病的转换问题越来越难，而且失败率较高。 一个协调一致的系统免疫学计划可以轻松地在全球范围内收集人类样本，并创建大型人类群体，为研究人类疾病的分子机制提供足够的数据。 此外，这种SL支持的国际活动将极大地受益于人类免疫学数据标准化的改进。开发能够方便访问SL项目的平台将促进该领域的发展。 尽管如此，人类免疫学研究真正一体化时代即将开始。 参考资料 Schultze, J.L., Büttner, M. & Becker, M.
40820编辑于 2022-11-28 【免疫学笔记】血球凝集和血型分型
抗免疫球蛋白抗体由RobinCoombs 首次开发，因此这种疾病检测方案称为库姆斯试验（Coombs test）。 因此，抗人免疫球蛋白抗体未被开发出来之前，检测抗Rh 抗体很困难。库姆斯试验能直接检测与胎儿红细胞表面结合的抗体。 具体方法是在去除胎儿血清中存在的未结合免疫球蛋白后，直接添加抗人免疫球蛋白抗体以检测与母体抗体结合的胎儿红细胞（图2）。 抗Rh抗体不凝集红细胞，但它们在胎儿红细胞表面存在，可以通过洗去未结合的免疫球蛋白，然后加入对人免疫球蛋白的抗体来检测。 通过这种检测，医生可以及时发现并干预，保护胎儿健康。
22610编辑于 2025-12-29MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭
为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。 MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。 MAR-YOLOv9：专为农业设计的轻量级解决方案为了应对上述挑战，我们提出了多适应识别YOLOv9（MAR-YOLOv9）——一种基于YOLOv9的农业领域轻量级跨数据集增强目标检测方法。 、上采样和拼接连接策略采用混合连接策略，灵活利用不同层级特征解决了传统YOLOv9中检测颈部和辅助分支导致的训练时间增加、权重冗余问题双路径检测架构主检测分支：负责主要特征提取和目标检测辅助检测分支：通过可逆辅助设计 ，MAR-YOLOv9能够更准确地检测小尺寸的作物目标，减少漏检。
27310编辑于 2025-12-04- 来自专栏往期博文
【OpenCV】Chapter9.边缘检测与图像分割
OpenCV并没有直接提供相应的函数接口，因此通过自定义卷积核可以实现各种边缘检测算子。 OpenCV提供了函数cv.Canny实现Canny边缘检测算子。 SplitMerge(src, dst3, hImg, wImg, 0, 0, maxMean, minVar, cell=8) # 最小分割区域 cell=8 plt.figure(figsize=(9, labels.flatten()] # 将像素标记为聚类中心颜色 imgKmean5 = classify.reshape((img.shape)) # 恢复为二维图像 plt.figure(figsize=(9, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV) plt.figure(figsize=(9,
1.9K10编辑于 2022-09-28 - 来自专栏单细胞天地
Seurat4.0系列教程9：差异表达检测
加载数据 library(Seurat) library(SeuratData) pbmc <- LoadData("pbmc3k", type = "pbmc3k.final") #执行默认差异表达检测 2.325013 0.162 0.864 6.143554e-64 ## S100A8 7.471811e-65 3.766437 0.975 0.500 1.024684e-60 ## S100A9 pct.1 ：在第一组检测到该基因的细胞百分比 pct.2 ：在第二组检测到该基因的细胞百分比 p_val_adj：校正后的 p 值，基于使用数据集中的所有基因的Bonferroni校正。 为了提高marker检测的速度，特别是对于大型数据集，Seurat 允许对基因或细胞进行预过滤。 例如，在两组细胞中很少检测到的基因，或在平均水平表达类似的基因，不太可能有差异表达。下面演示了几个参数的使用。
1.7K11编辑于 2022-01-10 【免疫学实验】单克隆抗体技术
原因： 即使是针对单一抗原决定簇（如半抗原）产生的抗体，其结构也存在差异（异质性）。这可以通过等电聚焦实验验证：识别相同抗原的抗体在电泳后会显示出不同的等电点，证明其分子结构的不均一性。
19910编辑于 2025-12-29- 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（9）
8.5 目标检测的技巧汇总 8.5.1 Data Augmentation 介绍一篇发表在 Big Data上的数据增强相关的文献综述。 1. 如车站人脸检测，只需要中心检测时，就可以加合适的平移增强。平移后空出部分填0或者255，或用高斯分布噪声。 Noise injection 在像素上叠加高斯分布的随机噪声。 归结可以认为是训练检测阶段的一致性。当然，这种手段时间成本太高，只在如医学影响等追求精度的关键领域可以使用。 Introduction 上次亚马逊发了个分类的训练trick在CVPR上，这次是检测的，还没发表。就没什么多说的了，下面直接介绍。 技术细节： 相比于分类的resize，为了保证检测图像不畸变影响效果，作者选择直接叠加，取最大的宽高，空白进行灰度填充，不进行缩放。
35100编辑于 2024-05-24 - 来自专栏往期博文
【目标检测】YOLOv9理论解读与代码分析
图d就是yolov9提出的pgi思想，想法挺简单，一方面是继续保留Deep Supervision的设计，在浅层就搞一个检测头，另一个方面是单开一路，将原图单独塞入一个辅助可逆训练分支(Auxiliary Reversible Branch)，这其实类似于copy了一个主分支的backbone，蓝色的是原始的主分支，在主分支做neck部分的时候，一方面在浅层就直接做一个检测头，令一方面和原始一样，到深层再去检测 按照论文所述，YOLOv9共分四个版本，从小到大依次为小型(yolov9-s)、中型(yolov9-m)、紧凑型(yolov9-c)、扩展型(yolov9-e)，截至目前，该仓库只开源了后两者型号。 另外，仓库里还有一些实验性的文件和yolov9无关，是作者令一项最新工作：YOLOR-Based Multi-Task Learning，这篇工作是想通过多个不同的任务，比如目标检测、实例分割、语义分割和图像描述来相互促进 下面看一些除网络结构外的代码细节，比如，yolov9在辅助训练部分，加了一组检测头，相当于共有6个检测头，此代码对应DualDDetect， class DualDDetect(nn.Module):
3K01编辑于 2024-05-24 - 来自专栏网络技术联盟站
Linux性能检测常用的9个基本命令
作为一个Linux运维人员，主要就是对Linux服务器的性能做一些优化，本篇博文仅仅介绍如何性能检测常用的指令！ ，每秒发送的压缩包的数量； rxmcst/s，每秒接收的组数据包数量； 返回信息： active/s：发起的网络连接数量； passive/s：接收的网络连接数量； retrans/s：重传的数量； 9） 5144512k free[空闲交换区总量], 2013180k cached[缓冲的交换区总量], 本文作者：吕振江 本文链接：http://yoursite.com/2020/03/09/Linux性能检测常用的 9个基本命令/
2.2K20发布于 2020-05-14 【免疫学实验】“Western Blot”的前世今生:免疫印迹技术简述
它不需要对细胞进行放射性标记，而是通过“分离-转移-检测”三部曲来锁定目标蛋白。 检测： 这一步与免疫荧光或ELISA类似。利用特异性抗体去寻找膜上的目标蛋白，再通过酶标记的二抗来放大信号，最终呈现出我们能看到的条带。 ❓ 二、 为什么叫“Western”？ 你可能会好奇，为什么这项检测蛋白质的技术会被命名为“Western”（西方）？ 临床诊断： 常用于检测血清中的特定蛋白质或抗体。 典型案例： 在 HIV（艾滋病病毒） 的确诊检测中，Western Blot 是一种经典的确认试验。 它能够检测患者血清中是否存在针对 HIV 不同成分（如衣壳蛋白、酶等）的特异性抗体，从而提供确凿的诊断依据。
40410编辑于 2025-12-29【辰辉创聚生物】高效VLP蛋白表达｜病毒样颗粒生产｜疫苗研发平台
目前，最常用的蛋白表达系统包括昆虫细胞系统（如Sf9、High Five细胞）和哺乳动物细胞系统（如HEK293、CHO细胞）。这两个系统各有优势，可以根据目标蛋白的特性进行优化选择。 纯化后的VLP蛋白通常会经过一系列的免疫学检测，以验证其免疫原性和功能性。 这些平台可以用于抗体生产、免疫原性检测等应用，是当今生物技术领域不可或缺的技术之一。 通常使用亲和层析、离子交换层析等方法，同时配合免疫学检测手段，确保产品符合质量标准。常见问题 (FAQ)Q1: 什么是VLP蛋白表达技术，为什么在蛋白研究中被广泛应用？ 通过多步纯化技术如亲和层析、离子交换层析等，结合免疫学检测，可以保证VLP蛋白的高纯度和功能性，满足科研和生产的高标准要求。
81310编辑于 2025-07-18YOLOv9：重构实时目标检测的技术革命
在计算机视觉领域的快速演进中，YOLOv9的问世犹如一颗重磅炸弹，为实时目标检测技术树立了全新的里程碑。 从最小的YOLOv9-S模型在MS COCO验证集上达到46.8% AP，到最大的YOLOv9-E模型达到55.6% AP，这创造了目标检测性能的新标杆。2. 边缘设备部署优势YOLOv9的轻量化特性使其特别适合在边缘设备上部署。YOLOv9t和YOLOv9s模型在保持较高精度的同时，具有极低的计算开销，可以在移动设备、嵌入式系统中实现实时目标检测。 工业应用场景YOLOv9在工业应用中展现出巨大潜力，特别是在需要高精度和实时性的场景中：智能监控系统：利用YOLOv9的高精度检测能力，可以实现更可靠的安防监控自动驾驶：强化的小目标检测能力为自动驾驶系统提供更安全的环境感知工业质检 通过PGI的梯度信息编程能力和GELAN的高效层聚合技术，YOLOv9为目标检测系统建立了新的基准，在精度、速度和参数利用率方面都超越了现有的实时检测器。
64310编辑于 2025-11-06- 来自专栏人工智能前沿讲习
关于目标检测你需要看的9篇论文
关注文章公众号 回复"目标检测"获取本主题精选论文 目标检测是计算机视觉的核心任务之一。 Davis老师组继SNIP和SNIPER后又一力作，保持检测精度基本不掉的情况下，提高检测速度。该文章提出了一种高效的多尺度目标检测算法用于高效检测物体。 SSD相当于多尺度的RPN来做物体检测，它利用多个尺度的检测层，分别关联大小合适的anchor box，使得不同尺度的物体在合适的特征层上被检测。 检测算法基本确定， 后续相关工作多基于该算法进行改进，如FPN、R-FCN等目标检测算法。 推荐理由来自：尤安升 9 ??? ?
1.1K10发布于 2020-05-11 【免疫学实验】抗体标记与显微成像技术全解析
在免疫学研究中，抗体因其能稳定且特异性地结合抗原，常被用作识别细胞、组织或生物流体中特定分子的“探针”。 通过将抗体与不同的标记物结合，我们可以在单个细胞或组织切片中准确定位靶分子。 一、 免疫荧光显微成像 利用荧光染料（荧光色素或荧光团）标记抗体本身，或用于检测抗体的抗免疫球蛋白抗体，再用显微镜检测，这种技术称为免疫荧光显微成像。 1. 当然，也有部分抗体可以结合变性蛋白质，从而用于固定组织切片的检测。 2. 标记方法 直接法： 荧光染料直接共价结合到特异性抗体上。 在免疫学中，延时双光子荧光成像具有特别重要的意义。它可以在完整淋巴器官和淋巴组织中，实时跟踪荧光蛋白标记的T细胞和B细胞，以及它们相互作用的具体位置。 原理： 以金颗粒标记抗体，对超薄切片进行染色，然后在透射电镜中以高分辨率检测细胞内特定位置的结构或蛋白质。 多重标记： 通过标记不同直径的金颗粒，可以同时检测两种或以上的蛋白质。
23910编辑于 2025-12-29- 来自专栏我爱计算机视觉
9ms 静默活体检测，小视开源工业级品质算法
小视科技团队开源的基于 RGB 图像的活体检测模型，是专门面向工业落地场景，兼容各种复杂场景下的模型。该自研的剪枝轻量级模型，运算量为 0.081G，在麒麟 990 5G 芯片上仅需 9ms。 图片来源：Forbes 为了抵御这种假脸攻击，小视科技团队开源了一个静默活体检测算法和可适用于安卓平台的部署源码，可兼容各种工业级复杂场景的活体检测。 活体检测技术能够抵御各种假脸的攻击，为人脸识别保驾护航。 小视科技团队开源的基于 RGB 图像的活体检测模型，是专门面向工业落地场景，兼容各种复杂场景下的模型。该自研的剪枝轻量级模型，运算量为 0.081G，在麒麟 990 5G 芯片上仅需 9ms。 活体检测的主要流程如图 2 所示。
2.5K10发布于 2020-07-20 【免疫学实验】放射免疫法、酶联免疫吸附法和竞争抑制分析
放射免疫法（RIA）和酶联免疫吸附法（ELISA）是利用抗体和抗原直接结合的检测方法，两者原理相同，但其检测的方式不同。 将未结合的标记抗体从所有孔中去除，并通过酶依赖的变色反应检测所结合的抗体。这种检测方法允许在多通道光谱仪中读取微孔板，大大加快了检测速度。 在此基本方法基础上的改进版可检测未知样本中的抗体或抗 捕获酶联免疫吸附法（capture ELISA）或夹心酶联免疫吸附法（sandwich ELISA）是ELISA 的一种改良方法，常被用于检测细胞因子等分泌性产物 多因子检测法是可以在单个实验中同时定量多个抗原的技术，通常用于检测临床血清样本或实验动物血清中的多个细胞因子的水平。 这些检测方法阐明了血清学分析的两个关键方面。首先，至少有一种试剂必须以纯的、可检测的形式提供。其次，必须能将标记的结合部分与未结合的游离部分分离，从而确定特异性结合的百分比。
22010编辑于 2025-12-29使用C++部署yolov9的tensorrt模型进行目标检测
部署YOLOv9的TensorRT模型进行目标检测是一个涉及多个步骤的过程，主要包括准备环境、模型转换、编写代码和模型推理。 首先，确保你的开发环境已安装了NVIDIA的TensorRT。 总之，使用C++部署YOLOv9的TensorRT模型进行目标检测是一个复杂但高效的过程。通过TensorRT的优化和加速，你可以在NVIDIA GPU上实现快速、准确的目标检测。 CUDA 11.7+cudnn8.8.0 Windows 10 【演示视频】 使用C++部署yolov9的tensorrt模型进行目标检测_哔哩哔哩_bilibili测试环境TensorRT 8.4.2.4CUDA 目标检测之YOLO V9来了！，yolov9+bytetrack+pyqt5实现目标追踪结果演示，YOLOv9华强买瓜，Yolov9教程来了！赶快学习吧！ ，将yolov9封装成类几句代码实现目标检测任务，YOLOv8检测界面-PyQt5实现，【yolov8-03】五分钟学会yolov8做目标检测，C#环境下部署YOLOv8模型，目标检测，超级简单，用C#
34810编辑于 2025-07-20- 来自专栏AI智韵
YoloV9改进策略：BackBone改进|CAFormer在YoloV9中的创新应用，显著提升目标检测性能
摘要 在目标检测领域，模型性能的提升一直是研究者和开发者们关注的重点。近期，我们尝试将CAFormer模块引入YoloV9模型中，以替换其原有的主干网络，这一创新性的改进带来了显著的性能提升。 将CAFormer应用于YoloV9模型中，我们惊喜地发现，这一改进不仅大幅提升了模型的准确率，还增强了其对于复杂场景的适应能力。 通过替换原有的主干网络，CAFormer为YoloV9提供了更为强大的特征提取能力，使得模型在检测小目标和复杂背景中的目标时更加准确和鲁棒。 与传统的目标检测模型相比，采用CAFormer的YoloV9具有以下显著优点： 性能卓越：CAFormer的引入使得YoloV9在目标检测任务上实现了更高的准确率，为实际应用提供了更为可靠的保障。 这意味着，采用CAFormer的YoloV9在面对不同场景和数据集时，都能保持稳定的性能。
52110编辑于 2024-10-22 - 来自专栏AI智韵
YoloV9改进策略：BackBone改进：PoolFormer赋能YoloV9，视觉检测性能显著提升的创新尝试
近期，我们大胆尝试将前沿的PoolFormer主干网络引入经典的目标检测框架YoloV9中，这一创新性融合不仅为YoloV9注入了新的活力，更在检测精度与效率上实现了双重飞跃，成为目标检测领域的一股强劲新风 完整链接： https://blog.csdn.net/m0_47867638/article/details/142490183 YoloV9：实时检测的佼佼者 YoloV9，作为Yolo系列检测器的最新成员 YoloV9在保持轻量级设计的同时，通过一系列优化策略提升了检测速度和精度，是实时目标检测任务中的佼佼者。 显著优势： 性能飞跃：PoolFormer的引入显著提升了YoloV9的检测精度，特别是在复杂场景和密集目标的情况下，展现出了更为优异的性能。 PoolFormer与YoloV9的这次融合尝试，不仅展示了深度学习领域内的创新活力，更为目标检测任务提供了一种新的解决方案。
1K10编辑于 2024-10-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号