XiaoMi-AI文件搜索系统
World File Search SystemCNN
使用CNN
，monisha2003@gmail.com，ramadevi.sarav@gmail.com摘要：在发展中国家和技术废物隔离中，基于它们的分解非常重要。在废物分离CNN的过程中，计算机视觉和张量流动起着主要作用。随着图像技术和设备的增长，每天都在每个字段中引入大量图像。在计算机视觉图像分类领域中起着对图像进行分类和分类的主要作用。作为关键组件机器学习，深度学习在图像的分类中起着重要的作用。应用是提高分类图像的准确性。全球污染危机不可避免地要开始计划减少对环境和人类生命构成的损害的最佳方法。个人的危险和工厂废水排放到水体中，使世界处于危险之中。有必要将工业垃圾，家庭废物，医疗废物和电子废物分开。基于手动标记和关键点的图像分类不仅耗时，还受到人为因素的影响。本文分析了对废物的图像识别和分类的研究，包括使用CNN和计算机视觉的可生物降解，非生物降解，生物医学，电子废物。该项目的未来范围很大，因为隔离是发展中国家的主要问题。
复杂度驱动的 CNN 压缩，适用于资源受限的边缘 AI
摘要 — 物联网 (IoT) 支持的网络边缘人工智能 (AI) 的最新进展通过实现低延迟和计算效率，在智能农业、智能医院和智能工厂等多个应用中实现了边缘智能。然而，在资源受限的边缘设备上部署 VGG-16 和 ResNets 等最先进的卷积神经网络 (CNN) 实际上是不可行的，因为它们有大量的参数和浮点运算 (FLOP)。因此，作为一种模型压缩的网络修剪概念正在引起人们的关注，以加速低功耗设备上的 CNN。最先进的修剪方法，无论是结构化的还是非结构化的，都没有考虑卷积层所表现出的复杂性的不同潜在性质，而是遵循训练-修剪-再训练流程，这会导致额外的计算开销。在这项工作中，我们通过利用 CNN 固有的层级复杂性，提出了一种新颖且计算高效的修剪流程。与典型方法不同，我们提出的复杂性驱动算法根据其对整体网络复杂性的贡献选择特定层进行过滤器修剪。我们遵循直接训练修剪模型的过程，避免计算复杂的排名和微调步骤。此外，我们定义了三种修剪模式，即参数感知 (PA)、FLOP 感知 (FA) 和内存感知 (MA)，以引入 CNN 的多功能压缩。我们的结果表明，我们的方法在准确性和加速方面具有竞争力。最后，我们提出了不同资源和准确性之间的权衡，这有助于开发人员在资源受限的物联网环境中做出正确的决策。
使用 CNN 模型进行结核病检测的比较 (...
摘要：结核分枝杆菌引起的细菌感染导致结核病是一种流行的传染病。这种细菌通常以主要呼吸器官为目标，特别是肺部。结核病对全球健康构成了重大挑战，需要及早发现才能有效治疗。在这种情况下，为了方便医护人员及早发现患者，需要一种能够准确识别肺部疾病的技术。因此，将采用 CNN（卷积神经网络）作为检测肺部图像的算法。该研究将利用卷积神经网络模型，即 AlexNet 和 ResNet。该研究旨在通过分析胸部 X 光片图像来比较这两个模型在检测结核病方面的表现。数据集包括正常患者和结核病患者的 X 光片，共计 4.200 个数据点。训练过程包括将数据分为训练集和验证集，其中 80% 用于训练，20% 用于验证。评估结果表明，AlexNet 模型的检测准确率更高，在验证数据上达到 88.33%，而 ResNet 达到 83.10%。这些发现表明，使用 CNN 模型，尤其是 AlexNet，可以成为通过解读胸部 X 光片图像来增强早期结核病检测的有效方法，对改善全球结核病管理和预防工作具有潜在意义。关键词：AlexNet；ResNet；CNN；早期检测；结核病
用CNN和LSTM诊断急性冠状动脉综合征
摘要： - 急性冠状动脉综合征（ACS）及其亚型的早期和准确诊断对于患者健康至关重要。这项研究的目的是利用心电图（ECG）信号开发一种深度学习方法来对ACS及其不同类型进行分类。该模型是使用卷积神经网络和长期短期记忆结构的组合来构建的，以对代表急性心肌梗死的ECG信号（STEMI），心肌梗死，没有ST-ST-ST-SEPITION（NSTEMI）和健康的个体。数据集由从Erciyes大学医院急诊室出现胸痛的患者收集的12个铅ECG信号。ECG数据以使用Notch，低通和高通滤波器来消除噪声，然后使用Z得分归一化进行标准化。通过k-折叠交叉验证评估模型性能，计算指标，例如准确性，灵敏度，特异性，精度，F1分数和分类率。具有5倍交叉验证，分类精度为ACS-正常组为0.928±0.0172，NSTEMI正常组为0.891±0.0083，STEMI-Nortoral组为0.886±0.02275。这些发现表明，所提出的深度学习模型可有效区分ACS及其亚型，显示出对将来整合到临床应用中的希望。
使用CNN和SVM
摘要 - 如今，通过基于计算机的技术识别故障/裂纹是一种增长的趋势。任何高度响应的系统都可以以两个关键特征为特征：快速检测和高度准确，通过利用现代技术和有效利用资源。骨断裂是超出骨骼阈值的过量外力的结果。Canny Edge检测是一种图像处理方法，用于通过有效使用自动裂缝检测来检测骨断裂，并且压倒了降噪问题。如今，有几种可用于边缘检测的方法，例如：Canny，Log，PreWitt和Robert。但是，由于无法执行多分辨率分析，这些技术对于在分析过程中检测次要细节没有用。这些技术的另一个关键问题是，即使它们在高分辨率和高质量的图像方面正常工作，它们无法与嘈杂的图像一起使用，因为它们固有地缺乏区分边缘和噪声组件之间的能力。我们使用CNN算法对这些问题进行了胜过的方法。我们观察到的模拟结果是，提出的方法是在骨料尺度上执行边缘检测的更好选择。所提出的方法也已证明足以提取必要的信息，并进行所需的处理并比当前可用的边缘探测器更好地处理噪声。
使用CNN和LSTM
抽象提供的脚本使用图像数据集实现了图像字幕模型。该体系结构结合了用于图像特征提取的RESNET50卷积神经网络（CNN）和用于处理单词序列的长期短期内存网络（LSTM）。阅读和清洁字幕后，脚本预处理数据，使用Resnet50提取图像功能，并准备培训和测试数据集。该模型旨在预测给定图像的字幕，并结合了手套中的单词嵌入。脚本还涉及创建单词到索引和索引到字映射，定义模型体系结构，并使用用于数据加载的生成器训练模型。训练利用图像特征和单词序列的组合，并使用测试图像上的BLEU分数评估模型。总体方法反映了图像字幕的深度学习范式，利用视觉和语言信息来产生描述性字幕。RESNET50 CNN充当强大的功能提取器，LSTM捕获了语言的顺序依赖性，从而产生了全面的图像字幕模型。
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
基于 EEG 的两阶段高效 3-D CNN 框架...
摘要 — 本文提出了一种使用 EEG 数据进行情绪识别的新型两阶段框架，该框架在保持模型尺寸小且计算效率高的同时，性能优于最先进的模型。该框架由两个阶段组成；第一阶段涉及构建名为 EEGNet 的高效模型，该模型受到最先进的高效架构的启发，并采用包含深度可分离卷积层的倒置残差块。EEGNet 模型在效价和唤醒标签上分别仅使用 6.4k、14k 和 25k 个参数即可实现 90%、96.6% 和 99.5% 的平均分类准确率。在准确率和存储成本方面，这些模型比之前最先进的结果高出多达 9%。在第二阶段，我们对这些模型进行二值化以进一步压缩它们并轻松将它们部署到边缘设备上。二值神经网络 (BNN) 通常会降低模型准确率。本文通过引入三种新方法改进了 EEGNet 二值化模型，并实现了比基线二值模型高出 20% 的改进。所提出的二值化 EEGNet 模型分别实现了 81%、95% 和 99% 的准确率，存储成本分别为 0.11Mbits、0.28Mbits 和 0.46Mbits。这些模型有助于在边缘环境中部署精确的人类情感识别系统。索引术语 — 情感识别；脑电图；3D-CNN；ResNet；量化；深度学习；二值 CNN
使用 CNN 进行驾驶员困倦检测的比较分析
该项目的主要目的是检测驾驶员的困倦程度并向其发出警报，这是避免事故发生的重要预防措施。这里应用了两种基于卷积神经网络 (CNN) 的不同算法，并分别比较了结果。“高速公路催眠”是驾驶时需要解决的一个严重问题，尤其是在高速公路上。在高速公路上连续行驶 3 小时以上的驾驶员必须意识到这一严重问题。如果对此有适当的了解，死亡率将大大降低。在这个项目中，提供了一个专用的检测和报警系统，以在驾驶员困倦时向其发出警报。使用 CNN 是因为它在分析图像和视频方面非常有效。在这个项目中，使用实时视频源通过合适的算法检测困倦程度。
CNN加速器的硬件有效卷积算法：简短的评论
摘要。卷积神经网络（CNN）是一项在图像处理和计算机视觉应用方面非常重要的技术。CNN的瓶颈是多维卷积，通常需要加速器硬件。这些加速器使用的卷积算法直接影响缩放期间速度增加与硬件资源消耗之间的比率，这是一种称为硬件效率的度量。该指标越低，在较小的性能改进上花费的功率和区域越多。在这篇综述中，我们分析了卷积层中使用的当前验证算法的硬件效率的潜力：大多数现代应用，Toom-Cook卷积和FFT卷积使用的IM2COL卷积。我们的分析揭示了有关硬件缩放的IM2COL卷积的效率低下，并确认了使用Toom-Cook和FFT卷积的硬件有效应用的潜力，每个应用程序都带有警告。此外，我们确定了这些算法的可能硬件应用程序，这些应用程序可以在未来的工作中扩展。