XiaoMi-AI文件搜索系统
World File Search SystemCNN
![arxiv：2207.05713v2 [Quant-ph] 4月4日2023](/simg/3/3bff5730a897fb9fbabad4208f92ffba694f03d5.webp)
arxiv：2207.05713v2 [Quant-ph] 4月4日2023
摘要 - 医疗保健是人类生活中最重要的方面之一。心脏病是最致命的疾病之一，它阻碍了世界上许多人的生活。心脏病，以便可以预防生命丧失。大规模数据用于医学诊断有助于开发了复杂的机器学习和基于深度学习的模型，用于自动化心脏病的早期诊断。经典方法在培训集中尚未看到的新数据方面受到限制。这是通过训练和测试精度的较大差距来指示的。本文提出了一种新型的深度学习结构，使用一维卷积神经网络，以在健康和不健康的人之间进行分类，以克服经典方法的局限性。各种临床参数用于评估有助于早期诊断的患者的风险特征。各种技术用于避免在建议的网络中过度拟合。拟议的网络在数据集上实现了97％以上的培训准确性和96％的测试准确性。使用各种性能参数将模型的精度与其他分类算法进行了比较，这些算法证明了所提出的体系结构的有效性。
CSPNet：可增强 CNN 学习能力的新骨干
神经网络使最先进的方法能够在目标检测等计算机视觉任务上取得令人难以置信的效果。然而，这种成功很大程度上依赖于昂贵的计算资源，这阻碍了拥有廉价设备的人们欣赏先进的技术。在本文中，我们提出了跨阶段部分网络（CSPNet）来从网络架构的角度缓解以前的工作需要大量推理计算的问题。我们将问题归因于网络优化中的重复梯度信息。所提出的网络通过整合网络阶段开始和结束的特征图来尊重梯度的变化，在我们的实验中，在 ImageNet 数据集上以相同甚至更高的精度将计算量减少了 20％，并且在 MS COCO 目标检测数据集上的 AP 50 方面明显优于最先进的方法。 CSP-Net 易于实现且足够通用，可以应对基于 ResNet、ResNeXt 和 DenseNet 的架构。
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
图1：准确性与CNN模型的时期图
摘要该项目提出了三种用于为EEG Net数据集创建神经网络模型的方法 - 使用CNN，CNN+LSTM和变异自动编码器（VAE）。研究评估并比较了两种方法在分类运动图像中的性能。结果表明，CNN+LSTM方法在准确性方面优于VAE方法。但是，VAE方法具有保留脑电图信号的关键特征的优势，同时降低其尺寸。两种方法都有其各自的优势和局限性，可以根据应用程序的特定要求使用。除了上述两种方法外，我们还为该数据集实施了随机森林，以对ML和DL模型的准确性成就进行比较分析。索引术语：机器学习（ML），深度学习（DL），VAE（变异自动编码器），长期短期存储网络（LSTM），脑电图（EEG）（EEG）
基于 FPGA 的 YOLO 可重构 CNN 加速器
摘要 卷积神经网络（CNN）在图像处理领域得到了广泛的应用，基于CNN的目标检测模型，如YOLO、SSD等，已被证明是众多应用中最先进的。CNN对计算能力和内存带宽要求极高，通常需要部署到专用的硬件平台上。FPGA在可重构性和性能功耗比方面具有很大优势，是部署CNN的合适选择。本文提出了一种基于ARM+FPGA架构的带AXI总线的可重构CNN加速器。该加速器可以接收ARM发送的配置信号，通过分时方式完成不同CNN层推理时的计算。通过结合卷积和池化操作，减少卷积层和池化层的数据移动次数，减少片外内存访问次数。将浮点数转换为16位动态定点格式，提高了计算性能。我们分别在 Xilinx ZCU102 FPGA 上为 COCO 和 VOC 2007 上的 YOLOv2 和 YOLOv2 Tiny 模型实现了所提出的架构，在 300MHz 时钟频率下峰值性能达到 289GOP。
解剖学知情的混合图CNN-TransFormer ...
使用深层神经网络越来越多地研究了大脑连接与非成像表型之间的关系。但是，在卷积网络设计中通常会忽略大脑白奇网络的局部和全球性能。我们介绍了Tractgraphformer，这是一种混合图CNN-Transformer的深度学习框架，该框架是针对扩散MRI拖拉术的。该模型利用白质结构的局部解剖特征和全局特征依赖性。图形CNN模块捕获了白质的几何形状和灰质连接到从解剖上相似的白色物质连接中汇总局部特征，而变压器模块则使用自我注意来增强全球信息学习。此外，TractGraphFormer还包括一个用于解释预测白质连接的注意模块。在性别预测测试中，TractGraphFormer在大的儿童数据集（n = 9345）和年轻人（n = 1065）中表现出强烈的表现。总的来说，我们的方法表明，WM中的广泛连接可以预测一个个体的性别，并且在两个数据集中确定了一致的预测解剖区。提出的方法突出了整合局部解剖信息和全球特征依赖性的潜力，以通过扩散MRI拖拉术在机器学习中提高预测性能。
一种深入的CNN方法，用于解码上肢的电动机从源级别的EEG信号的时间 - 频率图
一个可以检测到行动和解码计划运动意图的系统，可以帮助所有可以计划运动但无法实施的受试者。在本文中，通过使用脑电图（EEG）信号来研究电动机计划活动，目的是解码运动制备阶段。在执行不同动作（肘部流量/扩展，前臂旋转/supination/supination/suplination/open/loth/collos）的过程中，可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。 引入了一种新型系统，用于静止与静止和前期时期的分类。 对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。 拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。 所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。引入了一种新型系统，用于静止与静止和前期时期的分类。对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。
使用CNN＆RNN
抽象 - 犯罪预测和分析在增强公共安全和优化执法工作中起着至关重要的作用。这项研究探讨了基于深度学习的方法，整合复发性神经网络（RNN），卷积神经网络（CNN）和长期短期记忆（LSTM）网络，以进行有效的犯罪预测和分析。所提出的框架利用了RNN和LSTMS的时间优势以及CNN的空间特征提取能力来分析大规模犯罪数据集。rnns和LSTMS处理时间序列数据以预测未来的犯罪趋势，而CNNS进行地理空间分析以识别各个地区的犯罪分布模式。混合模型处理结构化数据（例如，日期，时间，位置）和非结构化数据（例如犯罪描述），以提高预测精度。实验结果证明了其检测犯罪热点，预测犯罪类别并发现隐藏趋势的能力，为执法和决策者提供了可行的见解。这项研究强调了深度学习在应对复杂，动态挑战（例如犯罪预测）中的潜力，促进了更智能和更安全的城市。未来的工作可以纳入实时数据流，并评估在决策系统中部署此类模型的道德考虑
deepcristae，用于恢复活显微镜图像中线粒体cristae的CNN
线粒体在真核细胞的生命周期中起着至关重要的作用。但是，我们仍然不知道它们的超微结构（例如内膜的cristae）如何动态发展以调节这些基本功能，以响应外部条件或与其他细胞成分相互作用。尽管高分辨率的荧光显微镜与最近开发的创新探针可以揭示该结构组织，但它们的长期，快速和实时3D成像仍然具有挑战性。为了解决这个问题，我们开发了一个称为DeepCristae的卷积神经网络，以恢复低空间分辨率显微镜图像中的线粒体cristae。我们的网络是使用专门为Cristae修复设计的新型损失从2D Sted图像训练的。为了有效地增加训练集的大小，我们还开发了一个以线粒体区域为中心的随机图像贴片采样。为了评估deepcristae，使用我们得出的指标来进行定量评估，我们通过关注线粒体和cristae像素而不是像往常一样在整个图像上进行了定量评估。根据所示的使用条件，DeepCristae在广泛的显微镜模态（刺激的发射耗尽（STED），Live-SR，Airyscan和Lattice Light片显微镜下都很好地工作。它最终是在与内托/溶酶体膜相互作用期间的线粒体网络动力学的上下文中应用的。
在线手写的基于CNN的阿尔茨海默氏病检测的解释性
全球有超过5500万人受痴呆症影响，每年有近1000万例新病例，阿尔茨海默氏病是一种普遍且具有挑战性的神经退行性疾病。尽管对阿尔茨海默氏病检测的机器学习技术取得了重大进步，但深度学习模型的广泛采用引起了人们对其解释性的关注。在在线手写分析的深度学习模型中缺乏解释性，这在阿尔茨海默氏病检测的背景下是文献中的一个关键差距。本文通过解释应用于多变量时间序列数据的卷积神经网络的预测来解决这一挑战，该预测是由在图形平板电脑上手写的连续循环系列相关的在线手写数据生成的。我们的解释性方法揭示了健康个体和被诊断为阿尔茨海默氏症的人的不同运动行为特征。健康受试者表现出一致，平稳的运动，而阿尔茨海默氏症患者的表现出了不稳定的模式，其标记为突然停止和方向变化。这强调了解释性在将复杂模型转化为临床相关见解中的关键作用。我们的研究有助于提高早期诊断，为参与患者护理和干预策略的利益相关者提供了重要的可靠见解。我们的工作弥合了机器学习预测与临床见解之间的差距，从而促进了对阿尔茨海默氏病评估的高级模型的更有效和可理解的应用。