XiaoMi-AI文件搜索系统
World File Search SystemCNN
电动图像EEG信号编码的多视图CNN
目的：卷积神经网络（CNN）最近在解码脑脑成像（MI）脑部计算机界面（BCI）的脑电图（EEG）信号方面引起了很多注意，该信号设计用于改善中风康复策略。然而，脑电图信号的极其非线性，非平稳性质和各个受试者之间的多样性导致CNN模型过度拟合并限制其学习能力。在这项研究中，提出了具有多视图输入的密集连接的卷积网络。方法：首先，通过应用于脑电图信号的带通滤波器的CNN模型输入，从原始EEG信号中产生了不同的数据子集，以基于脑节律生成多个频率子频段信号。然后，分别基于整个频段和滤波器频段信号捕获时间和空间特征。此外，使用多CNN层的两个密集块，它们将每一层连接到馈送路径中的其他层，用于增强模型学习能力并增强信息传播。最后，使用一种串联融合方法来整合提取的特征和完全连接的层来最终化分类。结果：所提出的方法在韩国公立大学EEG数据集上达到了75.16％的平均准确性，该数据集由54个健康受试者组成，用于两级运动成像任务，高于其他最先进的深度学习方法。结论：提出的方法有效地从BCI系统中的EEG信号中提取了更丰富的运动图像信息，并提高了分类精度。
rank-1 CNN用于脑电图的心理工作负载分类
脑计算机界面（BCIS）可以分为两种主要类型：主动和被动BCI（Clerc等人2016）。当系统使用用户非自愿生成的信号时，BCI可以被动。更具体地说，这种类型的BCI经常用于评估执行不同心理需求的各种任务的用户的心理工作量，尤其是脑电图（EEG）（EEG）（Wang等人。2015，Adryou等。2018，Shalchy等。 2020）。 在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。 这取决于事先收集了标记的数据。 但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。 为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。 为此挑战提供的数据集（Hinss等人 2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。 每个会话都在不同的困难的块中分解：简单，中和困难。 提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。2018，Shalchy等。2020）。在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。这取决于事先收集了标记的数据。但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。为此挑战提供的数据集（Hinss等人2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。每个会话都在不同的困难的块中分解：简单，中和困难。提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。难度标签仅在两个初次会议上提供。
通过...
摘要 - 基于CPU的推理可以作为外芯片加速器的拟合作用。在这种情况下，由于其高效率，新兴的矢量体系结构是一个有前途的选择。然而，卷积算法和硬件实现的庞大设计空间使设计选项的选择具有挑战性。在本文中，我们介绍了针对基于CPU的卷积神经网络（CNN）推断的共同设计的未来矢量体系结构的持续研究，重点是IM2Col+Gemm和Winograd内核。使用GEM5模拟器，我们探讨了几个硬件微体系特征的影响，包括（i）向量泳道，（ii）向量长度，（iii）缓存尺寸和（iv）将向量单元集成到CPU管道中的选项。In the context of im2col+GEMM, we study the impact of several BLIS-like algorithmic optimizations such as (1) utilization of vector registers, (2) loop unrolling, (3) loop reorder, (4) manual vectorization, (5) prefetching, and (6) packing of matrices, on the RISC-V Vector Extension and ARM-SVE ISAs.我们使用Yolov3和VGG16网络模型进行评估。我们的共同设计研究表明，BLIS样的优化对所有类型的矢量微体系结构都不是有益的。我们还证明，与我们优化的CNN内核相比，较长的矢量长度（至少为8192位）和较大的缓存（256MB）可以提高5倍的性能，而512位和1MB的载体长度则可以提高性能。我们的共同设计研究还表明，与IM2Col+GEMM相比，Winograd需要较小的缓存尺寸（高达64MB）。在Winograd的背景下，我们通过使用每个通道的8×8图块来介绍跨输入/输出通道之间的新颖的瓷砖并行方法，以对向量长度不可知（VLA）体系结构进行载体化算法。我们的方法利用了较长的向量长度并提供了高内存重复使用，与我们在Fujitsu A64FX处理器上优化的IM2Col+Gemm方法相比，对于具有3×3内核大小的非弯曲卷积层的性能提高了2.4倍。索引术语 - CNN，GEMM，Winograd，长量架构，向量长度不可知论ISA，共同设计，优化
使用 2D CNN 检测早期阿尔茨海默病
摘要 目标 为了在计算资源的获取方面公平地采用医学人工智能 (AI) 算法，所提出的方法基于二维 (2D) 卷积神经网络 (CNN)，该方法可以更快、更便宜、更准确地检测早期阿尔茨海默病 (AD) 和轻度认知障碍 (MCI)，而无需使用大型训练数据集或昂贵的高性能计算 (HPC) 基础设施。方法 所提出的模型使用标准化的阿尔茨海默病神经影像学计划 (ADNI) 数据集，并使用 Brain Extraction Tool V.2 方法进行额外的头骨剥离。2D CNN 架构基于 LeNet-5，使用了 Leaky Rectified Linear Unit 激活函数和 Sigmoid 函数，并在每个卷积层之后添加了批量归一化以稳定学习过程。通过手动调整所有超参数对模型进行了优化。结果 从准确率、召回率、精确率和 f1 分数方面对模型进行了评估。结果表明，该模型预测 MCI 的准确率为 0.735，通过了 0.521 的随机猜测基线，预测 AD 的准确率为 0.837，通过了 0.536 的随机猜测基线。讨论 所提出的方法可以帮助临床医生在 AD 和 MCI 的早期诊断中具有足够高的准确率，基于相对较小的数据集，并且不需要 HPC 基础设施。这种方法可以减轻差异并实现医疗算法采用的公平性。结论 医疗 AI 算法不应只关注准确性，还应评估它们如何影响差异并在采用过程中实现公平性。
基于CNN转移的脑肿瘤分类系统...
考虑到与该疾病相关的严重神经系统障碍和潜在的死亡，保留人类健康和生命在开发自动检测方法中至关重要。计算效率在实时决策，治疗计划和整体医疗保健系统优化中在脑肿瘤分类中起关键作用。虽然卷积神经网络（CNN）由于其出色的准确性而广泛用于脑肿瘤检测，但其高计算需求带来了重大挑战。为了应对当前的挑战，采用了混合模型，集成了预先训练的卷积神经网络（CNN）转移学习模型和分布式计算编程范式。主要目标涉及两个阶段：在第一阶段，InceptionV3和VGG19 CNN转移学习模型被部署在GPU上以检测脑恶性肿瘤。性能指标，包括准确性，精度，召回和F1得分，以及对CPU和GPU上计算时间的比较分析。结果表明，InpectionV3的精度率（约为98.83％）比VGG19（77.65％），在CPU和GPU平台上都具有较高的计算速度。GPU执行可将计算时间大幅减少90％，归因于InceptionV3的有效体系结构。在第二阶段，分别使用分布式计算过程进行实时分类，该计算过程分别具有先前训练的CNN模型，用于神经胶质瘤，脑膜瘤和垂体肿瘤。修订：2023年9月25日，接受：2024年4月19日这种综合方法为大规模脑肿瘤数据集的实时分类提供了有效的解决方案。
通过 CNN U 优化脑肿瘤分割
摘要。准确分割医学图像中的脑肿瘤对于精确诊断和治疗计划至关重要。在本研究中，我们介绍了一种稳健的脑肿瘤分割方法，该方法采用卷积神经网络 (CNN) 和对比度限制自适应直方图均衡 (CLAHE) 和直方图均衡 (HE) 预处理技术。我们利用 CNN U-Net 架构，并通过 CLAHE-HE 预处理增强，以实现脑肿瘤分割的高精度。我们的评估证明了这种方法的有效性，表明在训练、验证和测试阶段，准确度（达到 0.9982）、损失（降低到 0.0054）、均方误差 (MSE，降低到 0.0015）、交并比 (IoU，增加到 0.9953）和 Dice 分数（增加到 0.9977）均有显着改善。值得注意的是，我们的模型具有有效的泛化能力，这一点可以通过验证性能与训练结果的紧密结合看出。这些发现强调了预处理技术在增强医学图像分析方面的潜力，所提出的方法展示了彻底改变脑肿瘤分割的前景，从而有助于在临床环境中做出更准确、更可靠的诊断。未来的研究可能会探索创新的预处理方法以及所提出的方法在其他医学图像分割任务中的应用，这将进一步提高其能力和可能的应用领域。
使用CNN
和技术（A），Rajahmundry，AP，印度。摘要 - 本文集中于开发基于软件的识别模块，该模块与车辆的板载摄像头系统集成在一起。使用OPENCV，系统通过调整，颜色归一化和边缘检测来预处理图像。经过Tensorflow，Keras和Image Data Generator训练的卷积神经网络（CNN），通过增强和预处理流量符号数据集来增强分类精度。一旦确定了流量标志，就可以使用文本到语音转换提供实时语音反馈，从而使驾驶员可以在不分散注意力的情况下接收警报。使用Django构建的后端管理整个管道，确保无缝处理，模型执行和用户交互。结果表明，即使在不同的照明和天气条件下，系统也可以准确识别流量标志，并且可以正确识别并实时宣布交通标志。通过将基于CNN的图像识别与语音反馈相结合，该系统大大改善了驾驶员的帮助，从而使驾驶更安全。索引术语 - 流量标志识别，卷积神经网络（CNN），图像数据生成器，OPENCV，深度学习，实时检测，语音帮助，计算机视觉，机器学习，Django，Tensorflow，Tensorflow，Keras，Keras，驾驶员帮助，道路安全，道路安全。
一种CNN方法来自动检测和分类脑肿瘤
摘要 - 脑肿瘤需要评估以确保及时诊断和有效的患者治疗。形态学因素，例如大小，位置，纹理和可变外观 - 肿瘤检查。医学成像提出了挑战，包括噪声和不完整的图像。本研究文章介绍了一种处理磁共振成像（MRI）数据的方法，包括用于图像分类和DeNoing的技术。有效使用MRI图像使医疗专业人员可以检测包括肿瘤在内的脑部疾病。这项研究旨在通过分析提供的MRI数据来对健康的脑组织和脑肿瘤进行分类。与诸如计算机断层扫描（CT）之类的替代方法不同，MRI技术提供了内部解剖组件的更详细表示，是研究与脑肿瘤相关的数据的合适选择。MRI图片首先使用各向异性扩散滤波器进行脱氧技术。用于模型创建的数据集是公共访问且经过验证的脑肿瘤分类（MRI）数据库，其中包括3,264次大脑MRI扫描。SMOTE用于数据增强和数据集平衡。卷积神经网络（CNN），例如RESNET152V2，VGG，VIT和EFIDENTEN，用于分类程序。有效网络的精度为98％，是记录最高的。索引术语 - MRI，EfficityNet，脑肿瘤，Smote，CNN
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）
一种基于CNN检测虚拟现实的就地的方法
行动识别是推断时间序列数据（即视频序列。近年来，由于深度学习技巧的范围，机器学习的这一范围近年来取得了很大的进步。行动识别的用法是广泛的。它可以用于医疗场中，例如在秋季检测中。，也可以用于监视目的。动作识别的另一个重要用途是在人类计算机相互作用（HCI）的领域。在HCI中，我们关注的是设计Humans和计算机之间交流的最有效和直观的方式。这样的直观技术是使用手势进行相互作用。这取决于对用户执行的操作的成功识别。虚拟现实（VR）是HCI的一个子域，最近在研究中复兴。虽然在VR的许多方面都完成了许多开创性的工作，但仍然存在的一个空旷的问题是运动的问题。许多VR体验试图将有限的可用物理空间映射到更大的虚拟空间。这意味着不可能进行物理和虚拟身体翻译的一对一映射。解决了这一点，已经提出了许多人工运动技术，即传送，头部倾斜，在适当的位置等等。，将其行走在适当的位置是可以诱导更高水平的存在[2]，这在VR中是非常可取的。现有