IEEE Transactions on Artificial Intelligence, Volume 5, Issue 9, September 2024
1) 社论：从可解释的人工智能 (xAI) 到可理解的人工智能 (uAI)作者：Hussein Abbass、Keeley Crockett、Jonathan Garibaldi、Alexander Gegov、Uzay Kaymak、Joao Miguel C. Sousa页数：4310 - 43142) 通过部分图卷积网络进行不完全图学习作者：Ziyan Zhang、Bo Jiang、Jin Tang、Jinhui Tang、Bin Luo页数：4315 - 43213) 用于社会公益的对抗性机器学习：将对手重新定义为盟友作者：Shawqi Al-Maliki、Adnan Qayyum、H
在计算机视觉中，主干架构对于图像识别、对象检测和语义分割任务至关重要。这些主干从图像中提取局部和全局特征，使机器能够理解复杂的模式。传统上，卷积层一直是这些模型的主要组成部分，但最近的进展结合了注意力机制，这增强了模型捕捉的能力。文章 LowFormer：一种高效的视觉主干模型，可在不牺牲准确性的情况下优化移动和边缘设备的吞吐量和延迟，首次出现在 AI Quantum Intelligence 上。
RepCNN: Micro-Sized, Mighty Models for Wakeword Detection
始终在线的机器学习模型需要非常低的内存和计算占用空间。它们的受限参数数量限制了模型的学习能力，以及通常的训练算法找到最佳参数的有效性。在这里，我们展示了通过首先将其计算重构为更大的冗余多分支架构，可以更好地训练小型卷积模型。然后，为了进行推理，我们代数地将训练后的模型重新参数化为具有更少参数的单分支形式，以降低内存占用和计算成本。使用这种技术，我们展示了……
Congratulations to the #ICML2024 award winners
今年的国际机器学习会议 (ICML) 将于 2024 年 7 月 21 日至 27 日在奥地利维也纳举行。会议期间宣布了时间考验奖和最佳论文奖的获奖者。荣誉归于……时间考验奖 DeCAF：用于通用视觉识别的深度卷积激活特征 Jeffrey […]
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
Medical Image Denoising with CNN. In this article, I will discuss… | by Rabeya Tus Sadia | Jul, 2024
在本文中，我将讨论使用 CNN 对 CT 图像进行去噪的不同方法以及一些传统方法。Daniel Öberg 在 Unsplash 上的照片使用卷积神经网络 (CNN) 对 CT 图像进行去噪代表了医学成像技术的重大进步。CT（计算机断层扫描）扫描对于诊断和监测各种医疗状况非常有用，文章使用 CNN 对医学图像进行去噪。在本文中，我将讨论……| 作者 Rabeya Tus Sadia | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
Medical Image Denoising with CNN
在本文中，我将讨论使用 CNN 对 CT 图像进行去噪的不同方法以及一些传统方法。Daniel Öberg 在 Unsplash 上的照片使用卷积神经网络 (CNN) 对 CT 图像进行去噪代表了医学成像技术的重大进步。CT（计算机断层扫描）扫描对于诊断和监测各种医疗状况非常有用，但由于使用低剂量辐射来最大限度地减少患者暴露，它们通常会受到噪音的影响。这种噪音会掩盖重要的细节并影响诊断的准确性。CNN 是一类深度学习神经网络，已被证明在解决这个问题上非常有效。这些网络在包含嘈杂和干净图像的大量数据集上进行训练，学习识别和消除噪音，同时保留关键的解剖细节。要了解如何对 CT 图像进行去噪以提高图
Mistral NeMo 12B SOTA。Standford TexGrad。补丁级培训。斯坦福 STORM。开放 AI 的状态。Txt2SQL 的状态。450 个真实世界 ML 系统。卷积核网络。EV-5 通用嵌入
Soft Computing. Volume 28, Issue 11-12, June 2024
1) 具有任意系数的梯形全模糊西尔维斯特矩阵方程作者：Ahmed Abdelaziz Elsayed、Nazihah AhmadGhassan Malkawi页数：6953 - 69672) 增强机器视觉：一种新颖的创新技术对视频问答的影响作者：Songjian Dan、Wei Feng页数：6969 - 69823) 使用多目标鲸鱼优化算法和 NSGA-II 集成资源供应管理和施工项目调度作者：Mahyar Ghoroqi、Parviz Ghoddousi……Saeed Talebi页数：6983 - 70014) 某些网络中的主导着色作者：S. Poonkuzhali、R. Jayagop
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。
Rainbow: The Colorful Evolution of Deep Q-Networks
在 JAX 中组装 DQN Megazord 所需的一切。“彩虹 Megazord”，Dall-E 32013 年，Mnih 等人引入了深度 Q 网络 (DQN)。[1] 标志着深度强化学习的首次突破，在三款 Atari 游戏中超越了人类专家玩家。多年来，DQN 的几种变体相继发布，每种变体都针对原始算法的特定弱点进行了改进。2017 年，Hessel 等人。[2]通过结合 6 种强大的变体，充分利用了 DQN 调色板，打造出所谓的 DQN Megazord：Rainbow。在本文中，我们将分解组成 Rainbow 的各个组件，同时回顾它们在 Stoix 库中的 JAX 实现。DQNRainb
Spicing up Ice Hockey with AI: Player Tracking with Computer Vision
使用 PyTorch、计算机视觉技术和卷积神经网络 (CNN)，我开发了一个跟踪球员、球队和基本表现统计数据的模型。如今，我不再像自己想的那样经常打曲棍球，但从小它就成了我的一部分。最近，我有机会在利马举行的第一届冰球锦标赛 (3 对 3) 中帮助裁判桌并记录一些统计数据。这项赛事涉及秘鲁直排轮滑球协会 (APHL) 的非凡努力和友谊联盟的亲切访问。为了增加 AI 元素，我使用 PyTorch、计算机视觉技术和卷积神经网络 (CNN) 构建了一个跟踪球员和球队并收集一些基本表现统计数据的模型。本文旨在成为设计和部署模型的快速指南。虽然该模型仍需要进行一些微调，但我希望它可以帮助任何人了解计算机
Transform-Based Layers Boost CNN Efficiency and Accuracy, Applications for Computer Vision
开创性的研究引入了基于变换的层作为一种新方法来提高卷积神经网络 (CNN)，特别是残差网络 (ResNets) 在计算机视觉领域的效率和准确性，可能会彻底改变...
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
Complex and Intelligent Systems, Volume 10, Issue 3, June 2024
1) 基于深度强化学习的小天体飞越自主成像调度网络作者：Hang Hu, Weiren Wu...Jihe Wang页数：3181 - 31952) 基于通信的恶意无人机群网络中关键无人机识别作者：Min Teng, Chao Gao...Xuelong Li页数：3197 - 32113) 通过特征细化、抑制和对齐提高对抗鲁棒性作者：Yulun Wu, Yanming Guo...Liang Bai页数：3213 - 32334) 基于知识转移的多目标方法用于查找多路径循环中的错误作者：Stuart D. Semujju, Fangqing Liu...Zhifeng Hao页数：3235
IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Issue 4, April 2024
1) 特邀编辑：图的深度神经网络：理论、模型、算法和应用作者：Ming Li、Alessio Micheli、Yu Guan Wang、Shirui Pan、Pietro Lió、Giorgio Stefano Gnecco、Marcello Sanguineti页数：4367 - 43722) 正则化理论背景下的谱图卷积神经网络作者：Asif Salim、S. Sumitra页数：4373 - 43843) 赋能简单图卷积网络作者：Luca Pasa、Nicolò Navarin、Wolfgang Erb、Alessandro Sperduti页数：4385 - 43994) 通过面积正则球
人工智能在环境、保护和地理空间应用中的应用人工智能 (AI) 为关键的环境挑战提供了有希望的解决方案，包括气候变化建模、能源效率提高、景观侵蚀预测、入侵物种管理和濒危物种保护。在此背景下，计算机视觉技术，尤其是卷积神经网络 (CNN)，发挥着关键作用。这些深度学习模型使我们能够从地理空间数据、卫星图像和环境传感器网络中提取有意义的信息。地理空间数据通常与计算机视觉相结合，为明智的决策提供见解。本次特别会议旨在吸引涉及人工智能与环境问题交叉领域的论文。感兴趣的主题包括但不限于：气候变化及其影响的建模方法气候变化影响的预测模型分析卫星图像、激光雷达数据和其他遥感源栖息地建模和生态位分析。人工智能驱
Implementing rotation equivariance: Group-equivariant CNN from scratch
我们编写了一个简单的组等变卷积神经网络 (GCNN)，它与旋转等变。世界可能颠倒了，但网络会知道。
