|
搜索
搜 索
高等教育领域数字化综合服务平台
超高速模数转换芯片
超高速模数转换器是数据采集系统的核心,广泛应用于宽带通信、数据捕获系统、软件无线电、射频消费类电子等领域,是国外长期禁运的核心电子元器件。
电子科技大学
2021-04-10
多功能存储微系统芯片
在后摩尔时代，发挥多功能、异质集成技术的优势和特点，面向存储系统应用，集成DDR3/DDR4、FLASH、LDO、IPD元件以及阻容元件等，构成具有多功能的存储微系统芯片。
西安电子科技大学
2022-06-10
大功率高端LED芯片
LED具有长寿命、节能环保、微型化等优点，是目前最具竞争力的新一代绿色照明光源。突破高发光效率的功率型高端LED芯片技术，将加快实现LED在通用照明、可见光通信、高端显示等领域的应用。在国家863计划、广东省战略性新兴产业LED专项等重大项目的支持下，项目团队成功开发出效率超过130lm/W的高压LED芯片、大尺寸垂直LED芯片和新型倒装薄膜LED芯片，相关技术指标处于国内领先水平。相关成果发表在Nanoscale Research Letters等国际权威期刊上，申请了22 项国家专利，其中已授
华南理工大学
2021-04-14
快照式光谱成像芯片
利用超表面与图像传感器集成的新方案实现快照式光谱成像芯片，结合计算光谱分析原理及重建算法，研制出了可见光波段、高精度的光谱成像芯片。
清华大学
2021-02-24
一种红外聚光芯片
本发明公开了一种红外聚光芯片。该芯片包括圆柱形的液晶调相架构，其包括液晶材料层，依次设置在液晶材料层上表面的第一液晶初始取向层、第一电隔离层、图形化电极层、第一基片和第一红外增透膜，以及依次设置在液晶材料层下表面的第二液晶初始取向层、第二电隔离层、公共电极层、第二基片和第二红外增透膜；图形化电极层由圆形导电膜和同心设置在圆形导电膜外围的至少一个圆环形导电膜构成，圆形导电膜的直径大于与其相邻的圆环形导电膜的径向宽
华中科技大学
2021-04-14
碳纳米管芯片技术
芯片是信息科技的基础与推动力。然而，现有的硅基芯片制造技术即将触碰其极限，碳纳米管技术被认为是后摩尔技术的重要选项。相对于传统的硅基CMOS晶体管，碳纳米管晶体管具有明显的速度和功耗综合优势。IBM的理论计算表明，若完全按照现有二维平面框架设计，碳纳米管技术相较硅基技术具有15代、至少30年以上的优势。此外，Stanford大学的系统层面的模拟表明，碳纳米管技术还有望将常规的二维硅基芯片技术发展成为三维芯片技术，将目前的芯片综合性能提升1000倍以上，从而将物联网、大数据、人工智能等未来技术提升到一个全新高度。
北京大学
2021-02-01
芯片功率器件测试实验平台
芯片功率器件测试平台，以工程教育专业认证为引领参与高校专业建设，以信息化引领构建学习者为中心的教育生态，培养集成电路硬件测试人才。为学生提供丰富的教学资源以及贴近现实的产业环境，支撑集成电路相关课程的教学与实训，且能进行项目开发和师资培训。
安徽青软晶芒微电子科技有限公司
2021-12-16
篮球赛事AI短视频剪辑系统
视频剪辑是一项简单却繁琐的工作，需要投入大量的人力。而且人力完成的视频剪辑，剪辑结果有着很强的主观色彩。通过采集大量各类体育赛事数据进行模型训练，利用深度神经网络良好的自主学习能力，采用Centernet作为多目标检测能力的实现框架，同时利用Transformer重构目标检测进行连锁，二次捕捉目标检测的准确性。CenterNet和Transformer的融合，实现了端到端的目标检测，在准确性提升的基础上满足实时处理视频的要求。综合应用多目标检测跟踪以及多模式识别技术，实现短视频的智能化剪辑，极大程度减少了人工工作量，同时也增加了短视频剪辑的客观性，在大数据时代背景下有着重要的现实意义。
太原科技大学
2021-05-04
新冠肺炎影像学AI智能辅助诊断研究
“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。
复旦大学
2021-04-10
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10