IEEE Transactions on Evolutionary Computation, Volume 28, Issue 4, August 2024
1) 通过问题重构和重复处理解决分类中的多目标特征选择问题作者：Ruwang Jiao, Bing Xue, Mengjie Zhang页数：846 - 8602) 用于深度知识追踪的遗传因果解释器作者：Qing Li, Xin Yuan, Sannyuya Liu, Lu Gao, Tianyu Wei, Xiaoxuan Shen, Jianwen Sun页数：861 - 8753) 用于计算 4-D 空间中超体积贡献的快速精确算法作者：Jingda Deng, Qingfu Zhang, Jianyong Sun, Hui Li页数：876 - 8904) 不确定的质量多样性：不确定领域
Comparing ANN and CNN on CIFAR-10: A Comprehensive Analysis
您是否好奇不同的神经网络如何相互叠加？在本博客中，我们将使用流行的 CIFAR-10 数据集深入研究人工神经网络 (ANN) 和卷积神经网络 (CNN) 之间的激动人心的比较。我们将分解 ANN 和 CNN 的关键概念、架构差异和实际应用。加入我们，揭秘哪种模型在图像分类任务中占据主导地位以及原因。让我们开始吧！数据集概述 CIFAR-10 数据集是机器学习和计算机视觉任务中广泛使用的数据集。它由 10 个不同类别的 60,000 张 32x32 彩色图像组成，其中有 50,000 张训练图像和 10,000 张测试图像。类别包括飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。本博客探讨了人
计算机视觉使机器能够解释和理解来自世界的视觉信息。这包括各种任务，例如图像分类、对象检测和语义分割。通过开发先进的神经网络架构，特别是卷积神经网络 (CNN) 和最近的 Transformers，推动了该领域的创新。这些模型已经展示了显著的效果。NVIDIA 研究人员推出 MambaVision：专为视觉应用量身定制的新型混合 Mamba-Transformer 主干首次出现在 AI Quantum Intelligence 上。
March '23 product roundup | Viam
现在，您可以使用机器人的数据训练和部署图像分类 ML 模型，所有这些都在 Viam 中完成！我们还为内置运动规划算法添加了约束。
IEEE Transactions on Cognitive and Developmental Systems, Volume 16, Number 3, June 2024
1) R-SNN：基于区域的脉冲神经网络用于物体检测作者：金晓波，张明，闫睿，潘刚，马德页数：810 - 8172) 使用高维纤维束成像图谱自动识别视网膜膝状体视觉通路作者：曾庆润，黄嘉豪，何建忠，陈胜伟，谢蕾，陈赞，郭文龙，姚孙，李孟军，李明楚，冯远静页数：818 - 8273) 一种易于使用的卒中后康复痉挛严重程度量化评估系统作者：王晨，彭亮，侯增光，张普，方鹏页数：828 - 8394) 基于进化期望的连续时间动态交互网络学习作者：朱晓波，吴燕， Liying Wang, Hailong Su, Zhipeng Li页数：840 - 8495) 一种用于物体识别的类人暹罗视觉-触觉融合模
What's new about generative AI in a business context?
过去八年，我一直在研究人工智能，学习在商业中构建和应用人工智能解决方案的来龙去脉。在犯了无数错误之后，我创建了自己的构建和应用该技术的方法。这一切都很好，直到 2022 年秋天，ChatGPT 发布，生成式人工智能的实用性和采用率突然上升。对于我的咨询公司 TodAI 来说，这意味着很多涉及生成式人工智能的新项目和大量的学习。在完成了几个项目之后，我发现了生成式模型在应用于商业时与其他人工智能明显不同的地方。有些很小，有些则非常重要。这些新的生成式人工智能模型如何改变应用人工智能的游戏规则？术语如果我们区分生成式人工智能和预测式人工智能，讨论这些变化会更容易。生成式人工智能是指大型预训练模型，
A new method to improve the accuracy of computer vision
研究人员使用了一组不同的简单图像生成程序来创建用于训练计算机视觉模型的数据集。这种方法可以提高在合成数据上训练的图像分类模型的性能。
Learn Pytorch: Training your first deep learning models step by step
这篇博文是关于开始学习 pytorch 的，并提供图像分类的动手教程。
How to build a working AI only using synthetic data in just 5 minutes
合成数据在人工智能中日益流行。它将使人工智能更便宜、更好、更少偏见。它也非常容易获得和使用。在很短的时间内，它已经从一项实验技术变成了某种东西，我会毫不犹豫地将其用于生产人工智能解决方案。为了说明这一点，我将构建一个可以区分苹果和香蕉之间差异的人工智能。我将只使用另一个人工智能生成的两个类别的图像——在本例中，使用 DALL-E Mini。苹果或香蕉识别器我将仅使用易于访问的免费 AutoAI 工具构建一个图像分类器。生成数据我们需要大约 30 张每个标签（香蕉和苹果）的图像。我们将使用 DALL-E Mini，这是 NVIDIA 文本到图像模型 DALL-E 2 的开源版本。要生成图像，您可
BYOL tutorial: self-supervised learning on CIFAR images with code in Pytorch
实现和理解 byol，一种没有负样本的自监督计算机视觉方法。了解 BYOL 如何学习用于图像分类的稳健表示。
Do Vision Transformers See Like Convolutional Neural Networks?
到目前为止，卷积神经网络 (CNN) 一直是视觉数据的实际模型。最近的研究表明，(Vision) Transformer 模型 (ViT) 可以在图像分类任务上实现相当甚至更优异的性能。这提出了一个核心问题：Vision Transformer 如何解决这些任务？它们是像卷积网络一样工作，还是学习完全不同的视觉表示？通过分析 ViT 和 CNN 在图像分类基准上的内部表示结构，我们发现这两种架构之间存在显着差异，例如 ViT 在所有层上都有更统一的表示。我们探索了这些差异是如何产生的，发现了自我注意力所起的关键作用，它可以实现全局信息的早期聚合，以及 ViT 残差连接，它可以将特征从较低层强烈
How the Vision Transformer (ViT) works in 10 minutes: an image is worth 16x16 words
在本文中，您将了解视觉转换器如何解决图像分类问题。我们提炼了您需要掌握的所有重要细节，以及它在有足够的数据进行预训练的情况下可以很好地工作的原因。
Transfer learning in medical imaging: classification and segmentation
什么是迁移学习？它如何帮助我们对不同类型的医学图像进行分类和分割？预训练的计算机视觉模型对医学成像任务有用吗？在迁移学习方面，2D 图像分类与 3D MRI 分割有何不同？
Lobe.ai 刚刚发布公测版，简而言之，你应该去尝试一下。我很幸运，有机会在封闭测试版中测试它，所以我想我应该写一篇简短的评论。让人工智能对大多数人来说更容易理解和更容易使用是我花了很多时间的事情，而 Lobe 毫无疑问正合我意。他们的标语是“让机器学习变得简单”，这正是他们所做的。总的来说，这是一款很棒的工具，我认为它是人工智能技术的真正进步，它使人工智能和深度学习模型比 AutoML 浪潮已经做到的更容易使用。那么 Lobe.ai 到底是什么呢？Lobe.ai 是一个 Automl 工具。这意味着你无需编码即可制作人工智能。在 Lobe 的案例中，它们只处理图像分类。简而言之，你给 Lo
摘要：神经网络（NN）擅长解决监督学习领域的一些复杂的非线性问题。这些网络的一个突出应用是图像分类。过去几十年的大量改进提高了这些图像分类器的能力。然而，神经网络仍然是解决图像分类和其他复杂任务的黑匣子。进行的许多实验研究了神经网络如何解决这些复杂的问题。本文拆解了特定材料分类器的神经网络解决方案，结合了卷积层。使用多种技术来研究该问题的解决方案。这些技术专门关注哪些像素对神经网络做出的决策有贡献，以及每个神经元对决策的贡献。本次调查的目的是了解神经网络的决策过程，并利用这些知识对材料分类算法提出改进建议。
摘要：神经网络（NN）擅长解决监督学习领域的一些复杂的非线性问题。这些网络的一个突出应用是图像分类。过去几十年的大量改进提高了这些图像分类器的能力。然而，神经网络仍然是解决图像分类和其他复杂任务的黑匣子。进行的许多实验研究了神经网络如何解决这些复杂的问题。本文拆解了特定材料分类器的神经网络解决方案，结合了卷积层。使用多种技术来研究该问题的解决方案。这些技术专门关注哪些像素对神经网络做出的决策有贡献，以及每个神经元对决策的贡献。本次调查的目的是了解神经网络的决策过程，并利用这些知识对材料分类算法提出改进建议。
Stop Sitting On All That Data & Do Something With It ⚙️
请将您的数据提供给机器。人工智能正在将数据需求提升到一个新的水平。📈假设您可以访问 5,000 张被正确诊断患有某种特定类型癌症（A 型）的患者的 X 射线图像。今天，使用这些数据来训练机器人在新患者中检测出这种癌症出奇地容易。要构建这个机器人，您需要构建一个由神经网络驱动的图像分类器，而 5,000 张 X 射线图像将是您的训练数据集。您将再添加 5,000 张没有癌症的患者的 X 射线，这样分类器就会同时拥有健康和受影响的 X 射线的示例。本质上，这个图像分类器机器人会使用图像梯度在像素级别寻找常见模式，并使用一种广泛使用的机器学习算法（称为反向传播）将该模式与 A 型癌症相关联。请注意，
