XiaoMi-AI文件搜索系统
World File Search System深度
使用深度学习
钦奈，印度摘要 - 阿尔茨海默氏病是一种无法修复的退行性脑疾病。每四秒钟，世界上的某人被诊断出患有阿尔茨海默氏病。结果是致命的，因为它导致死亡。因此，至关重要的是早期捕获该疾病。痴呆症的主要原因是阿尔茨海默氏病。痴呆会导致推理能力和人际应对技巧的降低，这会影响人们独立运作的能力。患者将在早期阶段忘记最近的事件。如果疾病进展，他们将逐渐忘记整个事件。必须尽快诊断该疾病。本文提出了一个将大脑MRI样品图像作为输入的模型，并确定一个人是轻度，中度还是没有阿尔茨海默氏病作为输出。我们使用VGG19和Densenet169架构进行此分类，提供了对哪些体系结构显示出令人鼓舞的结果的比较分析。
通过可推广的深度学习
客观和影响声明。从两光子显微镜（下午2点）的血管分割的大脑血管造影在血液动力学分析和疾病诊断中具有重要的应用。在这里，我们开发了一种可概括的深度学习技术，用于准确2pm从多个下午2点设置获得的小鼠大脑中相当大区域的血管分割。该技术在计算上是有效的，因此非常适合大规模神经血管分析。简介。从下午2点开始血管造影的血管分割是脑血管血液动力学建模的重要第一步。基于深度学习的现有分割方法要么缺乏从不同成像系统中概括数据的能力，要么在大规模血管造影上计算上不可行。在这项工作中，我们通过一种可以推广到各种成像系统的方法来克服这两个局限性，并且能够分割大规模血管造影。方法。我们采用了一个具有损失函数的计算上有效的深度学习框架，该损失函数结合了网络输出的平衡二进制跨性损失和总变化正则化。在从尺寸为808×808×702μm的小鼠大脑中获得的实验获得的体内血管造影中，其效果得到了证明。结果。为了证明我们的框架的卓越概括性，我们从下午2点开始训练数据，并在没有任何网络调整的情况下从不同显微镜中展示了来自不同显微镜的数据的高质量分割。结论。总的来说，与最先进的艺术相比，我们的方法以每秒分段和3×更大的深度来证明10×更快的计算。我们的工作为脑血管系统提供了可概括且计算上有效的解剖建模框架，该框架由深度学习的血管分割组成，然后是图形。它为未来建模和分析血液动力学反应的道路铺平了道路，这是以前无法访问的更大的尺度。
深度融合的政治经济学*
4 例如，《经济学人》在评论多哈回合因一个看似微不足道的问题而失败时指出，“乌拉圭回合的影响可能远远超出了这个棘手的细节。许多发展中国家认为，之前的回合是不平衡的，对富裕国家的农业政策几乎没有约束力，尽管它在知识产权等领域对穷人施加了沉重的义务。在多哈回合中，他们希望通过向富裕国家索取比他们给予的回报来获得回报”（www.economist.com/finance-and-economics/2008/07/31/the-doha-roundand-roundand-round）。 5 所引用的文章于 2014 年 1 月 6 日发表在《大西洋月刊》上，可访问 www.theatlantic.com/business/archive/2014/01/the-dark-side-of-globalization-why-seattles-1999-protesters-were-right/282831/
深度振荡神经网络
摘要 — 我们提出了一种新颖的、受大脑启发的深度神经网络模型，即深度振荡神经网络 (DONN)。像循环神经网络这样的深度神经网络确实具有序列处理能力，但网络的内部状态并非设计为表现出类似大脑的振荡活动。出于这种动机，DONN 被设计为具有振荡内部动力学。DONN 的神经元要么是非线性神经振荡器，要么是具有 S 形或 ReLU 激活的传统神经元。该模型中使用的神经振荡器是 Hopf 振荡器，其动态在复杂域中描述。输入可以以三种可能的模式呈现给神经振荡器。S 形和 ReLU 神经元也使用复值扩展。所有权重阶段也是复值的。训练遵循权重变化的一般原理，通过最小化输出误差，因此与复杂反向传播总体相似。还提出了一种将 DONN 推广到卷积网络的方法，即振荡卷积神经网络。所提出的两个振荡网络已应用于信号和图像/视频处理中的各种基准问题。所提出的模型的性能与同一数据集上公布的结果相当或优于公布的结果。
使用深度学习
由于碰撞风险增加，铁路交叉路口是铁路安全的关键要素。运输机构和研究人员一直在努力通过更好的操作程序和设备来提高铁路交叉路口的安全，以避免发生事故。已经提出了许多创新方法，用于使用传感器，计算机视觉，深度摄像机等技术在交叉和铁轨上检测危害。但是，仍然有必要开发一种整体方法，该方法适用于与年级交叉事故有关的许多条件和危害。该项目调查了人工智能（AI）和深度学习（DL）模型，以监视成绩穿越并检测各种危险条件，例如车辆，行人，骑自行车的人，动物，警告灯等。为此，该方法包括（1）收集铁路交叉路口的视觉数据； （2）标记培训的数据； （3）使用深度学习开发计算机视觉模型，该模型可以检测铁路交叉路口的危险条件。最终，这项研究的结果支持在交叉处进行现代化和提高安全性。
使用深度学习1
新型成像平台的开发提高了我们收集和分析36个三维（3D）生物成像数据集的能力。计算的进步已导致能力37从这些数据中提取复杂的空间信息，例如组成，形态和38个多模式结构的相互作用，稀有事件以及多模式特征的整合39结合解剖学，分子和分子和转录组的信息（以及其他）信息。然而，这些定量结果中的精度40在本质上受到输入图像的质量的限制，该输入图像的质量可能包含缺失或损坏的区域，或者由于机械，时间或42个财务限制而导致的分辨率差。在完整成像的应用中（例如灯页显微镜和43个磁共振成像）至基于截面的平台（例如串行组织学和串行第44部分传输电子显微镜），成像数据的质量和分辨率已成为45个至高无上的。46
深度强化学习
[1] R. Sutton和A. Barto，《加固学习简介》，麻省理工学院出版社，1998年。[2] C. Szepesvari，《增强学习算法》，Morgan＆Claypool Publishers，2010年。[3] C. Watkins，从延迟的奖励中学习，博士学位论文，剑桥大学，英格兰，1989年。[4] M. Wiering和M. Van Otterlo，加固学习：最新的ART，Springer，2014年。[5] M. Puterman，马尔可夫决策过程：离散随机动态编程，Wiley，1994年。[6] D. P. Bertsekas，动态编程和最佳控制，第一卷和II，雅典娜科学，2017年。[7] W. B. Powell，近似动态编程，Wiley，2011年。[8]选定的纸
使用深度学习和...
在现场水平上的作物产量预测（CYP）对于制定进出口策略的农产品计划并增强农民收入至关重要。作物育种始终需要大量的时间和金钱。CYP开发以预测农作物的产量更高。本文提出了有效的深度学习（DL）和降低尺寸（DR）方法（DR）用于印度地区作物的CYP。本文包括“ 3”阶段：预处理，DR和分类。最初，从数据集收集了南印度地区的农业数据。然后，通过执行数据清洁和归一化将预处理应用于收集的数据集。之后，使用基于指数内核的主组件分析（SEKPCA）进行DR。最后，CYP基于重量调节的深卷积神经网络（WTDCNN），该卷积神经网络可预测高作物的产量。模拟结果表明，与退出方案相比，所提出的方法的精度为98.96％。关键词：作物产量预测，深度卷积神经网络，机器学习，深度学习，主要成分分析。
