XiaoMi-AI文件搜索系统
World File Search SystemCNN
评估乳腺癌检测中的人工智能和机器学习模型：卷积神经网络 (CNN) 和全球研究趋势的回顾
大量研究强调了人工智能 (AI) 在乳腺癌诊断中的重要性。然而，对该领域 AI 应用的系统评价往往缺乏凝聚力，每项研究都采用独特的方法。本研究旨在通过引文分析详细研究 AI 在乳腺癌诊断中的作用，帮助对吸引学术关注的关键领域进行分类。它还包括主题分析，以确定每个类别中的具体研究主题。2015 年至 2024 年期间发表的与乳腺癌和 AI 相关的研究共计 30,200 项，来源于 IEEE、Scopus、PubMed、Springer 和 Google Scholar 等数据库。在应用纳入和排除标准后，确定了 32 项相关研究。这些研究中的大多数都使用分类模型进行乳腺癌预测，其中高准确度是最常见的报告性能指标。卷积神经网络 (CNN) 成为许多研究中的首选模型。研究结果表明，乳腺癌诊断中基于 AI 的算法的数量和质量在给定年份都在增加。人工智能越来越多地被视为医疗保健行业和临床专业知识的补充，其目标是提高全球优质医疗的可及性和可负担性。
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。
3D打印香蕉纤维增强PLA生物复合材料的机械表征图像分类的CNN体系结构
收到：2024年6月21日修订：2024年8月3日接受：2024年8月26日发布：2024年9月30日摘要 - 去年在几个领域中使用了图像处理技术，包括教育，研究，铁路和其他部门。CNN（卷积神经网络）通常被视为图片分类的最有效方法。这项研究包括使用CNN体系结构：Restnet50V2，Restnet152v2，Xception，IntectionV3和MobilenetV2的五种著名的图像处理算法。我们评估了Dehradun DataSet北阿兰奇大学的分类，该数据集有20个不同的部门照片进行分类。在一定的迭代之后，我们的主要目标是使用可用的硬件实现最佳的模型精度。为了评估绩效，我们使用了其他措施，例如准确性，召回和F1得分。调查证明了所有五种算法的特殊精度：Restnet50V2（98.88），Restnet152v2（99.10），Xpection（99.17），InceptionV3（99.2）（99.2）和MobiLENETV2（93.71）。由于其卓越的准确性，选择了X Ception方法进行数据培训，测试和验证。硬件资源，内存能力和数据多样性。这项研究阐明了CNN模型的性能，并帮助公司和大学选择更好的照片分类算法。这项研究还提高了机器学习和深度学习算法，以及它们在现实情况下的实际应用。
用于高质量脑成像的计算高效的 CNN 系统......
(a) (b) 图 4. (a) 无肿瘤的 Flair 切片示例。上半部分和下半部分的 SSIM 值为 0.308。 (b) 有肿瘤的 Flair 切片示例。上半部分和下半部分的图案不相互镜像。其 SSIM 值为 0.174。
使用CNN模型和超参数优化算法提高分类的精度
卷积神经网络（CNN）是一种广泛使用的深度学习模型，对于图像识别和分类任务特别有效。CNN的性能不仅受其建筑的影响，而且受到其超参数的严重影响。因此，优化超参数对于改善CNN模型性能至关重要。在这项研究中，作者提出了利用优化算法，例如随机搜索，使用高斯工艺的贝叶斯优化以及使用树状结构化parzen估计器进行贝叶斯优化，以微调CNN模型的超标仪。将优化的CNN的性能与传统的机器学习模型进行了比较，包括随机森林（RF），支持向量分类（SVC）和K-Nearest Neighbors（KNN）。在这项研究中使用了MNIST和Olivetti Faces数据集。在MNIST数据集的训练过程中，CNN模型的最低准确度达到97.85％，超过了传统模型，在所有优化技术中，最大准确度为97.50％。同样，在Olivetti Faces数据集上，CNN的最低准确度为94.96％，而传统模型的最高准确度为94.00％。在训练测试程序中，CNN表现出令人印象深刻的结果，在MNIST数据集上达到了超过99.31％的准确率，而Olivetti Face face Dataset的准确率超过98.63％，其最大值分别为98.69％和97.50％。此外，该研究还将CNN模型的性能与三种优化算法进行了比较。结果表明，与传统模型相比，将CNN与这些优化技术集成可显着提高预测准确性。
使用 CNN-XGBoost 模型和 Coati 优化算法对电池剩余使用寿命进行早期预测
锂离子 (Li-ion) 电池是现代电力系统不可或缺的部件，但其性能会随着时间的推移而下降。准确预测这些电池的剩余使用寿命 (RUL) 对确保电网的可靠高效运行至关重要。在此基础上，本文提出了一种新的 Coati 集成卷积神经网络 (CNN)-XGBoost 方法，用于锂离子电池的早期 RUL 预测。该方法采用 CNN 架构，通过图像处理技术自动从电池放电容量数据中提取特征。从 CNN 模型中提取的特征与基于电池充电策略信息从前 100 个电池测量循环数据中提取的另一组特征相连接。然后将这组组合的特征输入 XGBoost 模型进行早期 RUL 预测。此外，Coati 优化方法 (COM) 用于 CNN 超参数调整，以提高所提出的 RUL 预测方法的性能。数值结果揭示了所提出方法在预测锂离子电池 RUL 方面的有效性，其中 RMSE 和 MAPE 分别获得了 106 次循环和 7.5% 的值。
CNN，RNN和变形金刚
人类行动识别（HAR）涵盖了监视各个领域的人类活动的任务，包括但不限于医学，教育，娱乐，视觉监视，视频检索以及对异常活动的识别。在过去十年中，HAR领域通过利用卷积神经网络（CNN）和经常性的神经网络（RNN）来有效提取和理解复杂的信息，从而增强了HAR系统的整体性能，从而取得了实质性的进展。最近，计算机视觉的领域见证了视觉变压器（VIT）的启示作为有效的解决方案。超出图像分析的范围，已验证了变压器体系结构的功效，从而将其适用性扩展到了不同的视频相关任务上。值得注意的是，在这一景观中，研究界表现出对HAR的浓厚兴趣，承认其多种效用并在各个领域中广泛采用。本文旨在提出一项涵盖CNN的涵盖调查，鉴于它们在HAR领域的重要性，RNNS对VIT的发展。通过对现有文献进行彻底研究并探索新兴趋势，本研究对该领域的累积知识进行了批判性分析和综合。此外，它还研究了正在进行的开发混合方法的努力。遵循此方向，本文提出了一种新型的混合模型，该模型旨在整合CNN和VIT的固有优势。
对CNN
单眼深度估计是计算机视觉中的持续挑战。变压器模型的最新进展证明了与该领域的召开CNN相比，具有显着的优势。但是，了解这些模型如何优先考虑2D图像中不同区域的优先级以及这些区域如何影响深度估计性能。探索变压器和CNN之间的差异，我们采用了稀疏的像素方法对比分析两者之间的区别。我们的发现表明，尽管变形金刚在处理全球环境和错综复杂的特征方面表现出色，但它们在保留深度梯度连续性方面落后于CNN。为了进一步增强在单眼深度估计中的变压器模型的性能，我们提出了深度梯度改进（DGR）模块，该模块通过高阶分化，特征融合和重新校准来完善深度估计。此外，我们利用最佳运输理论，将深度图视为空间概率分布，并采用最佳传输距离作为损失函数来优化我们的模型。实验结果表明，与插件深度梯度改进（DGR）模块集成的模型以及所提出的损失函数可增强性能，而无需增加室外Kitti和室内NYU-DEPTH-V2数据集的复杂性和计算成本。这项研究不仅提供了深入估计转换器和CNN之间区别的新见解，而且还为新颖的深度估计方法铺平了道路。
TC – radar：用于毫米波雷达对象检测的变压器– CNN混合网络
摘要：在智能运输中，辅助驾驶取决于来自各种传感器的数据集成，尤其是LiDAR和相机。但是，它们的光学性能会在不利的天气条件下降低，并可能损害车辆安全性。毫米波雷达可以更经济地克服这些问题，并得到了重新评估。尽管如此，由于噪声干扰严重和语义信息有限，开发准确的检测模型是具有挑战性的。为了应对这些实际挑战，本文提出了TC – radar模型，这是一种新颖的方法，该方法协同整合了变压器的优势和卷积神经网络（CNN），以优化智能运输系统中毫米波雷达的传感潜力。这种集成的基本原理在于CNN的互补性质，该性质擅长捕获局部空间特征和变形金刚，这些特征在数据中擅长建模长距离依赖性和数据中的全局上下文。这种混合方法允许对雷达信号的更强大和准确的表示，从而提高了检测性能。我们方法的关键创新是引入交叉注意（CA）模块，该模块有助于网络的编码器和解码器阶段之间的高效和动态信息交换。此CA机制可确保准确捕获和传输关键特征，从而显着提高整体网络性能。此外，该模型还包含密集的信息融合块（DIFB），以通过整合不同的高频局部特征来进一步丰富特征表示。此集成过程确保了关键数据点的彻底合并。在Cruw和Carrada数据集上进行的广泛测试验证了该方法的优势，模型的平均精度（AP）为83.99％，平均相交（MIOU）的平均交点为45.2％，表明了鲁棒的雷达感应功能。
使用CNN
在人际关系中，人类情感识别起着重要的作用。通过面部表情，言语和身体手势，情绪得到了反映。人类通信之间的相互作用对于情绪识别具有很高的重要性。只有通过有效的沟通，口头或非语言，这些互动才能进行。在非语言交流中，重要手段之一是情感识别，这有助于辨别沟通者的情绪和状态。情绪有助于与机器合作，使沟通更自然。选择面部数据库和用于提取面部特征的图像是比较的方法之一。在涉及人类计算机相互作用以及图像处理的应用中，使用图像识别情绪已成为一个领域，可以在整个过程中探索。人类的情感识别系统包括以下组件进行图像的预处理和获取，特征提取，分类，面部检测，然后对情绪进行分类，该系统可实时在视频屏幕上产生情感。在此系统中，重点是网络摄像头捕获的实时图像。这些系统包括幸福，紧张，惊喜，悲伤，恐惧，愤怒和厌恶等情绪，这些情绪被每个人所接受。关键字：人类情感，特征提取，认可。1。简介