XiaoMi-AI文件搜索系统
World File Search SystemCNNS
使用实时卷积神经网络的面部识别
近年来，面部识别的兴起是一种重要的技术进步，在该领域中有多种应用，包括安全，监视，身份验证系统和人类计算机界面。许多部门由于能够根据面部特征自动识别和验证人们的能力而进行了根本性的变化，从而为创新开辟了新的创新大门。面部识别的主要目的是创建可以正确识别和从图片或视频中验证人员的自动化系统。传统方法捕获复杂和歧视性面部模式的局限性包括对手工特征和浅学习技术的依赖。然而，自引入深度学习以来，面部识别取得了长足的进步，尤其是卷积神经网络（CNNS）。cnns是捕获精细面部特征的理想工具，因为它们为层次表示的出色能力显示出了惊人的能力，可以直接从未经处理的图像数据中学到。在本文中，作者专注于使用CNN模型的面部识别，旨在提高这种关键技术的准确性和韧性。作者已经采用了完善的CNN模型来应对面部识别的挑战。我们利用深度学习自动从面部图像中识别和提取高级特征，从而实现了更准确和可靠的识别。CNN模型的体系结构是为了利用面部数据中可见的基本空间链接和区域模式的创建。通过利用大量的卷积和合并层，该模型可以成功捕获低级品质，例如边缘和纹理以及高级面部特质，例如面部标志和表达式。
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。
使用Python（AML-PY'25）应用机器学习
STC“使用Python应用的机器学习”旨在为参与者提供实用的知识和技能，以设计，实施和评估现实世界应用的机器学习模型。它将涵盖机器学习，数据预处理和功能工程技术，钥匙机学习算法以及卷积神经网络（CNNS）的概念所必需的Python基础知识。通过实验室实验室练习，用于分类，对象检测和现实案例研究的CNN Architeurs，参与者将获得有效应用这些概念的能力，从而弥合理论理解和在机器学习和深度学习领域中实现的差距。
用于运动想象脑电图解码的跨主体深度迁移学习
摘要 — 卷积神经网络 (CNN) 已成为解码 EEG 的强大技术，并已成为运动想象 EEG 脑机接口 (BCI) 解码的基准。然而，在不降低个体表现的情况下在多个受试者的 EEG 上训练 CNN 仍然具有挑战性。这被称为负迁移问题，即从不同的分布中学习会导致 CNN 错误地表示每个受试者的 EEG，而不是学习更丰富的表示。因此，CNN 不能直接使用多个受试者的 EEG 来直接提高模型性能。为了解决这个问题，我们将深度迁移学习技术扩展到 EEG 多受试者训练案例。我们提出了一个多分支深度传输网络，即分离-公共-分离网络 (SCSN)，该网络基于为各个受试者拆分网络的特征提取器。我们还探讨了将最大均值差异 (MMD) 应用于 SCSN (SCSN-MMD) 的可能性，以更好地对齐来自各个特征提取器的特征分布。在 BCI 竞赛 IV 2a 数据集 (BCICIV2a 数据集) 和我们的在线记录数据集上对所提出的网络进行了评估。结果表明，所提出的 SCSN (81.8%，53.2%) 和 SCSN-MMD (81.8%，54.8%) 在使用多个受试者的两个数据集上均优于基准 CNN (73.4%，48.8%)。我们提出的网络显示出利用更大的多受试者数据集来训练 EEG 解码器的潜力，而不会受到负迁移的影响。索引术语 — 脑机接口、EEG、多受试者、深度学习、迁移学习、在线解码 I. 介绍
![arxiv：2308.08333v4 [CS.CV] 23 Jul 2024](/simg/g:\will\search\icon\source\a\a3f7b583186411dd2ab2cca4ba5ff02b1fa3a395.webp)
arxiv：2308.08333v4 [CS.CV] 23 Jul 2024
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与该领域的常规CNN相比表现出显着的优势。但是，这些模型如何优先考虑2D图像中的不同区域以及这些区域如何影响深度估计性能，仍然存在差距。探索转移器和CNN之间的差异，我们采用了稀疏的像素方法来对比分析两者之间的区别。我们的发现表明，尽管变形金刚在全球环境和错综复杂的纹理中表现出色，但它们却落后于保留深度梯度连续性。在单眼深度估计中增强了变压器模型的性能，我们提出了深度差异（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，并采用最佳运输距离作为损失函数来优化我们的模型。实验结果表明，与插入深度梯度改进（DGR）模块集成的模型以及置换损失函数可增强性能，而无需增加室外Kitti和Indoor 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变压器和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。
SoC 上卷积神经网络加速器的高效 HLS 实现
摘要 —卷积神经网络 (CNN) 在图像识别和分类等许多应用中都取得了很高的准确率。然而，由于其参数量大且所需运算密集，通用处理器无法达到所需的推理性能水平。最近，人们开发了各种用于深度 CNN 的硬件加速器来提高 CNN 的吞吐量。在这些加速器中，基于现场可编程门阵列 (FPGA) 的加速器因其高性能、低功耗、高可重构性和快速开发周期而引起了广泛关注。此外，高级综合 (HLS) 工具的可用性减轻了编程负担并提高了基于 FPGA 的加速器设计人员的工作效率。本文提出了一种用于 CNN 卷积层的基于 FPGA 的加速器的 C++ HLS 实现。作为案例研究，我们使用 SDSoC 开发环境在 Xilinx Zynq UltraScale+ MPSoC ZCU104 评估板上使用 Resnet50 CNN 评估所提出的加速器，实现了高达 339 倍的推理加速。
增强语音情感识别usin
言语情感识别（SER）被认为是研究的关键领域，在各种实时应用中具有重要的重要性，例如评估人类行为并在紧急情况下分析说话者的情绪状态。本文在这种情况下评估了深卷卷神经网络（CNN）的能力。CNN和长期的短期记忆（LSTM）深度神经网络都经过评估以进行语音情绪识别。在我们的经验评估中，我们利用多伦多的情感演讲集（TESS）数据库，该数据库包括来自年轻人和老年人的语音样本，涵盖了七种不同的情感：愤怒，幸福，悲伤，恐惧，惊喜，厌恶和中立性。为了增强数据集，语音变化与添加白噪声一起引入。经验发现表明，CNN模型的表现优于现有的有关使用Tess语料库的SER研究，从而在平均识别精度上提高了21％的提高。这项工作强调了SER的意义，并突出了深CNN在增强其在实时应用中的有效性的变革潜力，尤其是在高风险紧急情况下。
使用深度学习技术检测脑肿瘤
卷积网络是通过自然程序推动的，因为神经元之间的可用性设计是在生物视觉领域的关联之后进行的。单个皮质神经元仅在视野的受限区域中回答刺激，称为接受场。各种神经元的接受场部分重叠，以涵盖整个视野。cnns使用与其他图像分类算法形成鲜明对比的中等预备。这意味着系统了解了习惯计算中被手工构建的渠道。来自早期信息和人类努力的这种自主权包括配置可能是重要的余地。他们在图像和视频识别，推荐系统，图像分类，医学图像分析和舌头处理中都有应用。
![arXiv:2002.04207v1 [ed.IV] 2 月 11 日](/simg/g:\will\search\icon\source\2\24b0be80f7ffd05615a53ff11a45e2fea5309180.webp)
arXiv:2002.04207v1 [ed.IV] 2 月 11 日
纹理和边缘为图像识别提供不同的信息。边缘和边界编码形状信息，而纹理则体现区域的外观。尽管卷积神经网络 (CNN) 在计算机视觉和医学图像分析应用中取得了成功，但主要只学习纹理抽象，这通常会导致边界描绘不精确。在医学成像中，专家手动分割通常依赖于器官边界；例如，为了手动分割肝脏，医生通常首先识别边缘，然后填充分割蒙版。受这些观察的启发，我们提出了一个即插即用模块，称为边缘门控 CNN (EG-CNN)，可与现有的编码器-解码器架构一起使用来处理边缘和纹理信息。EG-CNN 学习在编码器中强调边缘，通过辅助边缘监督预测清晰的边界，并将其输出与原始 CNN 输出融合。我们在两个公开可用的数据集 BraTS 19 和 KiTS 19 上评估了 EG-CNN 与各种主流 CNN 在脑肿瘤和肾脏语义分割方面的有效性。我们展示了添加 EG-CNN 如何持续提高分割准确性和泛化性能。
脑肿瘤分类方法
摘要。脑肿瘤诊断是一个复杂的问题，需要专业技能和知识。手动分析通常很耗时，而且解释结果的主观性很强。卷积神经网络 (CNN) 已成为一种有前途的解决方案，可自动从磁共振图像 (MRI) 中对脑肿瘤进行分类。CNN 是一种神经网络，可以自动学习并从图像中提取相关特征，使其在应用于深度学习算法时特别适合这项任务。文献中广泛探讨了 CNN 在脑肿瘤诊断中的应用，许多研究报告了有希望的结果。通过利用标记的 MRI 数据集，CNN 可以学习准确检测和分类不同类型的脑肿瘤，包括神经胶质瘤、脑膜瘤和垂体腺瘤。这些模型已被证明在某些情况下优于传统的机器学习算法，甚至优于人类专家。本文介绍了一种旨在从 MRI 中识别和分类脑肿瘤的 CNN 模型。该模型在大量 MRI 数据集上进行训练，并在独立测试集上评估其性能。考虑到所有验证步骤，该模型的准确率达到 99%，并且优于最先进的脑肿瘤分类方法。当考虑单个类别时，胶质瘤、脑膜瘤、背神经瘤和垂体的准确率分别为 100%、98%、99% 和 99%。开发准确有效的脑肿瘤诊断方法对于改善患者预后和降低医疗成本至关重要。本文可以为日益增多的医学图像分析深度学习文献做出贡献，从而加深我们对如何充分利用这些强大算法来解决现实世界医疗问题的理解。