XiaoMi-AI文件搜索系统
World File Search System于图
基于图像的自闭症谱系障碍分析的深度学习：系统评价
自闭症谱系障碍 (ASD) 是与社交、沟通和行为困难有关的神经发育障碍的集合。有必要尽早发现这种障碍，通过在学校和康复中心开展特殊教育来改善儿童的日常生活，以减轻其不利影响。有两种方法可用于诊断和康复 ASD。其中之一是手动方法（即基于观察或访谈的方法），通过对父母或照顾者的观察或访谈来诊断。它耗时、主观，并且主要依赖于检查行为症状。另一种方法是使用传统机器学习 (ML) 和现代基于深度学习 (DL) 的方法使用图像进行自动诊断。本系统评价旨在检验基于图像或视频的 DL 方法在自闭症研究中的应用。它包括 2017 年至 2022 年在 PubMed、IEEE Xplore、ACM 数字图书馆和 Google Scholar 上索引的出版物。结果在 PRISMA 声明中报告。此分析共纳入 130 项研究。符合条件的论文根据提取的不同特征进行分类，以提供基于 DL 的方法。本系统评价广泛审查和讨论了现有的众所周知的公共和私人数据集，包括用于自闭症研究的图像或视频。此外，本综述还包括对 ASD 患者非常有帮助的不同康复策略。最后，介绍了 ASD 自动检测、分类和康复的当前各种挑战。该评论的结论是，深度学习在精准和经济地诊断自闭症方面的应用正在大幅增加。
通过基于图形的强化学习来增强联合学习绩效公平
摘要。联合学习最近已发展为一个关键的分离学习范式，其中服务器将众多经过客户培训的模型汇总到全球模型中，而无需访问任何客户端数据。公认的是，统计异质性在客户本地数据中对全球模型收敛速度的影响，但十个低估的，这种异质性也会导致偏见的全球模型，其准确性差异很大。上下文，普遍的解决方案需要修改优化目标。但是，这些解决方案经常忽略隐式关系，例如站点数据分布的成对距离，这使客户模型之间的成对独家或协同优化。这种优化会损害早期方法的功效，从而导致性能失衡甚至负转移。为了解决这个问题，我们提出了一种新颖的聚合策略，称为基于图形图的增强学习（Fedgraphrl）。通过在服务器端部署配备多层自适应图卷积网络（AGCN）配备的增强学习（RL）代理，我们可以从客户端状态向量中学习协作图，从而在优化过程中揭示客户端之间的协作关系。在引入的奖励的指导下，代理商分配了聚合权重，从而促进了自动决策和公平的改进。两个现实世界中多中心医学数据集的实验结果表明了拟议的Fed-GraphRl的有效性和优势。
基于图像的植物表型的深度学习
1。植物现象学和计算机视觉。。。。。。。。。。。。。。。。。。。。。。。。。772 2。有什么区别？机器学习和深度学习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。774 2.1。机器学习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>774 2.2。 div>深度学习。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>774 3。 div>是什么深入学习？ div>深度学习的工作方式。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。776 3.1。神经网络结构。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。776 3.2。神经网络的类型。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。778 3.3。转移学习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。779 4。训练神经网络时的最佳实践。。。。。。。。。。779 5。它可以工作吗？成功评估。。。。。。。。。。。。。。。。。。。。。。。。。。781 6。可解释的机器学习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。782 7。植物现象学群落，数据集和注释工具。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。783 8。深度学习在植物现象学中的应用。。。。。。。。。785 8.1。植物现象学中的深度学习和分类。。。。。。。。。。。。。。。。。。。。。。785 8.2。植物现象学中的深度学习和检测。。。。。。。。。。。。。。。。。。。。。。。。。785 8.3。深入学习和定量特征的预测。。。。。。。。。。。。。。。。。。。。。。786 8.4。植物现象学中的深度学习和决策。。。。。。。。。。。。。。。。。。787 9。接下来会发生什么？深度学习模型的下一个视野。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>787 10。 div>挑战和开放问题。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>789 div>
深钢筋学习的基于图形的无细胞大量mimo的访问点选择
广泛认识到，所有AP服务所有用户都可以导致大量的回程开销。为了减轻背部高架负担并增强网络实用性，在[4]中提出了一种称为中心方法的AP选择方法，在[4]中，每个AP仅为用户提供最强渠道的用户，即接收到最强的信号参考功率（RSRP）。但是，以用户为中心的方法忽略了网络拓扑的信息，并且可能在某些拓扑场景中表现不佳。考虑一个网络拓扑，其中众多用户靠近一个AP。根据以用户为中心的方法，这些用户将连接到同一AP，从而导致接收信号强度和严重的内部干扰。为了增强此类网络拓扑中以用户为中心的方法，在[5]中的AP选择过程中考虑了有效的渠道增益，而不是RSRP，以减少Intra-AP干扰。然而，每个用户只连接到一个AP，可以将其扩展到多个AP。
基于原型的神经网络，用于图像异常检测和定位
图像异常检测和定位不仅执行图像水平异常分类，还可以定位像素级异常区域。最近，由于其在各个领域的广泛应用，因此受到了很多研究的关注。本文提出了原型，这是一种基于原型的神经网络，用于图像异常检测和定位。首先，普通图像的贴片特征是通过对自然图像预先训练的深网进行提取的。然后，通过非参数聚类来学习北斑特征的原型。最后，我们通过将特征提取网络附加到具有L 2特征正常ization，1×1卷积层，通道最大 - 功能和减法操作的特征提取网络来构建图像异常定位网络（PITOAD）。我们将原型用作1×1卷积层的内核；因此，我们的神经网络不需要训练阶段，并且可以以端到端的方式进行异常检测和定位。对两个挑战的工业异常检测数据集MVTEC AD和BTAD进行了广泛的实验，这表明，原始AD达到了具有较高推理速度的最先进方法的竞争性能。源代码可在以下网址获得：https：//github.com/98chao/protoad。
基于图像处理的QR代码识别
为了解决普通相机收集引起的QR码识别问题，本文提出了基于图像处理的识别算法。整个过程，包括图像二进制，图像倾斜校正，图像方向，图像几何校正和图像归一化允许在不同的照明条件下收集的图像。实验表明，改进的方法可以提高二维代码和准确性的识别速度。qr，即“快速响应”代码是一个2D矩阵代码，它是通过考虑两个点（即与1D条形码相比，它必须存储大量数据，并且必须使用任何手持设备（如手机）在高速上解码。QR码提供高数据存储容量，快速扫描，全向可读性以及许多其他优点，包括错误校正（因此，也可以成功读取损坏的代码）和不同类型的版本。QR码符号的不同品种，例如徽标QR码，加密的QR代码，QR码，以便用户可以根据需要选择。现在，如今，在与营销，安全，学术界相关的不同应用程序流中应用了QR码。并以非常高的速度获得受欢迎程度。每天越来越多的人意识到这项技术并相应地使用它。QR码的普及随智能手机用户的增长而迅速增长，因此QR码在全球范围内迅速达到高水平的接受度。
使用卷积神经网络方法基于图像识别贝塔鱼类类型
在印度尼西亚，成为观赏鱼的粉丝已经成为自然的事物。betta鱼是在印度尼西亚很容易找到的观赏鱼类之一。贝塔鱼类的多种类型使贝塔鱼业余爱好者的外行发现很难知道市场上的贝塔鱼的类型。类型的贝塔鱼对贝塔养鱼者的影响非常有影响力。同样，Betta鱼类的类型对Betta Fish竞赛参与者的影响很大，可以确定要遵循的类型的类别。因此，在此问题中，制造一种识别贝塔鱼类的系统是非常必要的。该系统使用卷积神经网络方法，该方法是一种深度学习算法，具有连续的硬体系结构，其参数最多为1,424,403个参数，并且此方法通常用于分类图像。所使用的数据收集总计330个数据，其中包括300个培训数据和30个测试数据。经过设计和实施的系统成功地识别了三种类型的Betta鱼，在10个时期的试验中获得了97％的精度，在15个时期的试验中获得了93％的速度，而在20个时期的试验中，100％的精度最高。关键字：模式简介，图像分类，卷积神经网络，深度学习，贝塔鱼1.引言是生活在淡水和海洋中的鱼类的类型，具有吸引人的身体形状和颜色。观赏鱼具有每种物种的独特性。）。[1]所讨论的独特性是每种观赏鱼所具有的能力。一种具有其独特性的观赏鱼是贝塔·菲斯（Bettasp。这种斗鱼的独特性是它与同性作战的爱好，但不排除另一种类型的可能性，但仍在一个部落中。因此，这条鱼也经常被称为战鱼。
基于图像的3D重建技术的概述
摘要。三维（3D）重建技术是通过使用计算机来建立和表达客观世界的关键技术，并且在实际的3D，自动驾驶，航空航天，导航和工业机器人应用中广泛使用。根据不同的原则，它主要根据传统的多视图几何形状和基于深度学习的方法分为方法。本文从三维空间表示的角度介绍了上述方法。传统3D重建方法的特征提取和立体声匹配理论是基于深度学习的3D重建方法的理论基础，因此本文专注于它们。随着传统的3D重建方法的发展和与深度学习相关的理论的发展，MVSNET代表的显式深度学习3D重建方法以及由NERF代表的隐式3D重建方法逐渐开发了。同时引入了3D重建的数据集和评估指标。最后，提供了基于图像的3D重建的摘要。
基于图像的混凝土裂纹检测方法使用中值绝对偏差
摘要：本文提出了一种创新的方法，用于使用基于图像中中位绝对偏差（MAD）的自适应阈值方法来检测和量化混凝土裂纹。该技术应用有限的预处理步骤，然后根据像素的灰度分布，动态地确定适用于每个子图像的阈值，从而导致定制的裂纹分割。使用拉普拉斯边缘检测方法获得裂纹的边缘，并为每个中心线点获得裂纹的宽度。该方法的性能是使用检测概率（POD）曲线作为实际裂纹大小的函数来测量的，从而揭示了显着的功能。发现所提出的方法可以检测到狭窄至0.1 mm的裂纹，对于具有较大宽度的裂纹的概率为94％和100％。还发现该方法的精度，精度和F2分数值比OTSU和Niblack方法更高。