XiaoMi-AI文件搜索系统
World File Search System卷积
使用实时卷积神经网络的面部识别
近年来，面部识别的兴起是一种重要的技术进步，在该领域中有多种应用，包括安全，监视，身份验证系统和人类计算机界面。许多部门由于能够根据面部特征自动识别和验证人们的能力而进行了根本性的变化，从而为创新开辟了新的创新大门。面部识别的主要目的是创建可以正确识别和从图片或视频中验证人员的自动化系统。传统方法捕获复杂和歧视性面部模式的局限性包括对手工特征和浅学习技术的依赖。然而，自引入深度学习以来，面部识别取得了长足的进步，尤其是卷积神经网络（CNNS）。cnns是捕获精细面部特征的理想工具，因为它们为层次表示的出色能力显示出了惊人的能力，可以直接从未经处理的图像数据中学到。在本文中，作者专注于使用CNN模型的面部识别，旨在提高这种关键技术的准确性和韧性。作者已经采用了完善的CNN模型来应对面部识别的挑战。我们利用深度学习自动从面部图像中识别和提取高级特征，从而实现了更准确和可靠的识别。CNN模型的体系结构是为了利用面部数据中可见的基本空间链接和区域模式的创建。通过利用大量的卷积和合并层，该模型可以成功捕获低级品质，例如边缘和纹理以及高级面部特质，例如面部标志和表达式。
使用卷积神经网络的 EEG 多用途眨眼检测器
摘要 眼球运动发出的电信号由于与传感器的距离很近且出现频率很高，会在脑电信号上产生非常强烈的伪影。在检测脑电波形中的眨眼伪影以进一步去除和净化信号方面，文献中提出了多种策略。最常用的方法需要使用大量电极、复杂的设备来采样和处理数据。这项工作的目标是创建一种可靠且独立于用户的算法，用于使用 CNN（卷积神经网络）检测和去除脑电信号中的眨眼。为了进行训练和验证，使用了三组公共脑电数据。这三组数据都包含在招募的受试者执行指定任务时获得的样本，这些任务包括在特定时刻自愿眨眼、观看视频和阅读文章。本研究中使用的模型能够全面理解将普通脑电信号与受眨眼伪影污染的信号区分开来的所有特征，而不会被仅在信号被记录的情况下出现的特定特征过度拟合。关键词：伪影去除技术；信号处理；眨眼；BCI。
使用自适应U-NET和局部卷积神经
根据2015年阿尔茨海默氏症的报告，世界上有4600万人患有痴呆症。疾病的诊断有助于医生更好地治疗患者。疾病的迹象之一与白质，灰质和脑脊液有关。因此，脑成像中三个组织的自动分割尤其是磁共振成像（MRI）在医学分析中起重要作用。在这项研究中，我们提出了一种有效的方法，可以在三维（3D）脑MRI中自动细分这些组织。首先，深度学习模型用于细分肯定和不确定的区域。在不确定的区域中，另一个深度学习模型用于对每个像素进行分类。在实验中，一种自适应U-NET模型，用于分割确定和不确定的区域，并且使用多个输入的局部卷积神经网络（CNN）模型仅在不确定区域中对每个像素进行分类。使用真实的图像数据库，Internet脑部分割存储库数据库评估我们的方法，其中有18人（IBSR 18）（https://www.nitrc.org/projects/ibsr），并与艺术方法进行比较。
使用卷积神经网络进行脑肿瘤分割
2018 年脑肿瘤分割 (BraTS) 挑战赛中的 MR 图像数据集包含 285 张胶质瘤患者图像，用于训练 Mask R-CNN 模型。Mask R-CNN 架构通过最小化多方面目标函数来为图像内的每个感兴趣区域派生掩码、边界框和标签。我们使用 90% 的 BraTS 数据进行网络训练，5% 用于验证，5% 用于测试。由于训练 Mask R-CNN 模型的计算要求很高，因此使用罗文大学的高性能计算机 (HPC) 进行大部分实验。该模型使用 4 个 NVIDIA Tesla K20m GPU 进行训练，并采用多线程技术来加速将数据加载到内存中的过程。
利用脑电图信号检测困倦的卷积神经网络
1 多媒体信息系统和高级计算实验室（MIRACL），斯法克斯大学，斯法克斯 3021，突尼斯；siwarchaabene@gmail.com（SC）；Bassem.Bouaziz@isims.usf.tn（BB）；amalboudaya71@gmail.com（AB）2 斯法克斯数字研究中心，BP 275，Sakiet Ezzit，斯法克斯 3021，突尼斯 3 马格德堡奥托冯格里克大学体育科学研究所，39104 马格德堡，德国； anita.hoekelmann@ovgu.de 4 神经科学、生理学和心理学跨学科实验室：身体活动、健康和学习 (LINP2)，UFR STAPS，UPL，巴黎楠泰尔大学，92000 楠泰尔，法国 5 IRIT-ENSEEIHT，图卢兹大学，31013 图卢兹，法国；lotfi.chaari@toulouse-inp.fr * 通信地址：achraf1.ammar@ovgu.de † 这些作者作为第一作者对本文的贡献相同。 ‡ 这些作者作为最后一位作者对本文的贡献相同。
使用卷积神经网络基于EEG的低位检测
摘要。缺陷率检测已成为生物医学信号处理场中重要的活跃研究领域。为此，脑电图（EEG）是嗜睡和觉醒检测中最常见的方式之一。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用A和觉醒的检测。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用了卷积神经网络（CNN）体系结构。我们使用Emotiv Epoc+耳机定义了实验方案。之后，我们在记录和注释的数据集上评估了我们提出的方法。报告的结果表明检测准确性很高（93％），并表明所提出的方法是与其他方法相比，该方法是缺陷检测的有效替代方案。
使用卷积的 MEG 驱动情绪分类...
本文提出了一种基于新型脑磁图 (MEG) 数据集 CiNet 的新型多通道情绪分类方法。本文属于脑机接口 (BCI) 研究领域，因为它使用大脑活动数据来识别人类情绪。它应该是一个有价值的贡献和对比，因为大多数 BCI 研究使用脑电图 (EEG) 数据，主要来自 DEAP 数据集。使用卷积神经网络 (CNN) 和循环神经网络 (RNN) 的组合，系统将分析高保真数据，以尝试识别受试者的情绪状态。CNN 对空间信息进行编码，而 RNN 跟踪随时间的变化。每个部分都单独评估，也结合评估，以确定每个分析方面的贡献。这些模型变体在原始 MEG 信号和从信号中提取的功率谱密度 (PSD) 上进行了评估。实验结果表明，最佳模型是在原始信号数据上训练的 CNN+RNN 组合，在效价/唤醒分类任务上实现了 56.5% 的平均准确率。
卷积神经网络架构的深度学习综述
摘要：深度学习 (DL) 计算机范式在过去几年中一直是机器学习 (ML) 的行业标准。它逐渐成为机器学习中最广泛使用的计算技术。DL 的优点之一是它能够学习大量数据。深度学习在过去几年中取得了巨大的发展，并已成功用于许多传统应用。更重要的是，DL 在网络安全、生物信息学、机器人等多个领域的表现都优于流行的机器学习算法。尽管该领域已经为几篇回顾 DL 最新进展的作品做出了贡献，但每篇作品都只涵盖了该领域的一个特定方面，但该领域仍然大部分尚未得到普及。因此，我们提出了一种更全面的方法，为全面理解 DL 提供了更合适的基础。关于最重要的 DL 特性，包括该领域的最新进展，本次评估旨在提供更全面的调查。本研究具体描述了 DL 网络和技术的种类及其重要性。然后介绍最常见的 DL 网络类型——卷积神经网络 (CNN) 及其发展历程。
利用时间算法实现节能卷积
卷积是许多应用的核心操作，包括图像处理、对象检测和神经网络。虽然数据移动和协调操作仍然是通用架构优化的重要领域，但对于与传感器操作融合的计算，底层的乘法累加 (MAC) 操作主导了功耗。非传统数据编码已被证明可以降低这种算法的能耗，其选项包括从低精度浮点到完全随机运算的所有选项，但所有这些方法都始于一个假设，即每个像素都已完成完整的模数转换 (ADC)。虽然模拟时间转换器已被证明消耗更少的能量，但除了简单的最小值、最大值和延迟操作之外，对时间编码信号进行算术操作以前是不可能的，这意味着卷积等操作已经遥不可及。在本文中，我们展示了时间编码信号的算术操作是可行的、实用的，并且极其节能。这种新方法的核心是将传统数字空间负对数变换为“延迟空间”，其中缩放（乘法）变为延迟（时间上的加法）。挑战在于处理加法和减法。我们展示了这些操作也可以直接在这个负对数延迟空间中完成，结合和交换性质仍然适用于变换后的运算，并且可以使用延迟元件和基本 CMOS 逻辑元件在硬件中高效地构建精确的近似值。此外，我们展示了这些操作可以在空间中链接在一起或在时间上循环操作。这种方法自然适合分阶段 ADC 读出