XiaoMi-AI文件搜索系统
World File Search SystemCNNS
用于估计 CNN 加速器硬件指标的高级建模框架
摘要 — 由于 GPU 具有针对 CNN 运算符量身定制的架构，因此它成为卷积神经网络 (CNN) 训练和推理阶段的参考平台。然而，GPU 是耗电极高的架构。在能耗受限的设备中部署 CNN 的一种方法是在推理阶段采用硬件加速器。由于其复杂性，使用标准方法（如 RTL）对 CNN 的设计空间探索受到限制。因此，设计人员需要能够进行设计空间探索的框架，该框架可提供准确的硬件估算指标来部署 CNN。这项工作提出了一个探索 CNN 设计空间的框架，提供功耗、性能和面积 (PPA) 估算。该框架的核心是一个系统模拟器。系统模拟器前端是 TensorFlow，后端是从硬件加速器的物理合成（而不仅仅是从乘法器和加法器等组件）获得的性能估算。第一组结果评估了使用整数量化的 CNN 精度、物理综合后的加速器 PPA 以及使用系统模拟器的好处。这些结果允许进行丰富的设计空间探索，从而能够选择最佳的 CNN 参数集以满足设计约束。
CNN-LSTM：脑肿瘤分类的级联框架
摘要 — 神经胶质瘤是成人常见的脑肿瘤类型，源自神经胶质细胞。尽管医学图像分析和神经胶质瘤研究取得了进展，但准确诊断仍然是一个挑战。神经胶质瘤通常可分为高级别（HG）和低级别（LG）。神经胶质瘤的准确分类有助于评估病情进展和选择治疗策略。虽然使用卷积神经网络（CNN）进行医学图像分类已取得显著成功，但对于 CNN 来说，准确对 3D 医学图像进行分类仍然是一项艰巨的任务。主要限制之一是 CNN 难以在 3D 体积分类中优化。在当前的工作中，我们通过引入 CNN 与长短期记忆（LSTM）网络的级联来应对这一挑战，以将 3D 脑肿瘤 MR 图像分类为 HG 和 LG 神经胶质瘤。从预先训练的 VGG-16 中提取特征并将其输入到 LSTM 网络中，以学习高级特征表示，从而将 3D 脑肿瘤体积分类为 HG 和 LG 胶质瘤。结果表明，与从 AlexNet 和 ResNet 中提取的特征相比，从 VGG-16 中提取的特征具有更好的分类准确率。
使用卷积神经网络通过自动道路标志识别来增强安全性和环境意识
交通事故仍然是一个紧迫的公共安全问题，由于驾驶员缺乏对道路标志的关注而导致的大量事件。自动化的道路标志识别已成为增强驾驶援助系统的有前途的技术。本研究探讨了卷积神经网络（CNN）在自动识别路标中的应用。cnns作为深度学习算法，具有处理和对视觉数据进行分类的能力，非常适合基于图像的任务，例如路标识别。该研究的重点是用于培训CNN的数据收集过程，并结合了各种路标图像数据集，以提高各种情况下的识别精度。作为用户界面开发了一个移动应用程序，并在应用程序上显示了系统的输出。结果表明，该系统能够实时识别标志，并具有10米距离的符号识别的平均准确性：i）白天= 89.8％，ii）夜间= 75.6％和III）雨季条件= 76.4％。总而言之，在本研究中所证明的那样，自动道路标志识别中CNN的整合是通过在实时场景中解决驾驶员对道路标志的关注来提高驾驶安全性的有前途的途径。
卷积神经网络的语言识别
摘要。语音识别是计算机与人类之间的一种交流方式，是计算语言学或自然语言处理的一个分支，有着悠久的历史。自动语音识别 (ASR)、文本转语音 (TTS)、语音转文本、连续语音识别 (CSR) 和交互式语音响应系统是解决该领域问题的不同方法。性能的提高部分归因于深度神经网络 (DNN) 对语音特征中复杂相关性进行建模的能力。在本文中，与使用循环神经网络 (RNN) 处理语音等序列数据的传统模型不同，随着深度网络中不同架构的出现以及传统神经网络 (CNN) 在图像处理和特征提取中的良好性能，CNN 在其他领域的应用得到了发展。结果表明，可以通过 CNN 提取波斯语的韵律特征，对短文本进行语音分段和标记。通过使用 128 和 200 个滤波器作为 CNN 和特殊架构，检测率的误差为 19.46，并且比 RNN 更节省时间。此外，CNN 简化了学习过程。实验结果表明，CNN 网络可以成为各种语言语音识别的良好特征提取器。
使用 2D 卷积对阿尔茨海默病进行分类...
摘要 — 阿尔茨海默病 (AD) 是一种无法治疗且不可逆的疾病，影响约 6% 的 65 岁以上人群。脑磁共振成像 (MRI) 是一种广泛用于 AD 诊断的伪 3D 成像方式。具有 3D 核的卷积神经网络 (3D CNN) 通常是基于深度学习的 MRI 分析的默认选择。然而，3D CNN 通常计算成本高昂且数据量大。这些缺点阻碍了现代深度学习技术在医学成像领域的使用，因为该领域可用于训练的数据数量通常有限。在这项工作中，我们提出了三种利用 2D CNN 处理 3D MRI 数据的方法。我们在两种流行的 2D CNN 架构的阿尔茨海默病神经影像计划数据集上测试了所提出的方法。评估结果表明，所提出的方法将模型在 AD 诊断方面的性能提高了 8.33% 的准确率或 10。 11% auROC，同时显著减少训练时间超过 89%。我们还讨论了性能改进的潜在原因和局限性。我们相信这项工作可以为未来的研究人员奠定坚实的基础。索引术语 — CNN、3D、MRI、诊断
使用 2D 卷积对阿尔茨海默病进行分类...
摘要 — 阿尔茨海默病 (AD) 是一种无法治疗且不可逆的疾病，影响约 6% 的 65 岁以上人群。脑磁共振成像 (MRI) 是一种广泛用于 AD 诊断的伪 3D 成像方式。具有 3D 核的卷积神经网络 (3D CNN) 通常是基于深度学习的 MRI 分析的默认选择。然而，3D CNN 通常计算成本高昂且数据量大。这些缺点阻碍了现代深度学习技术在医学成像领域的使用，因为该领域可用于训练的数据数量通常有限。在这项工作中，我们提出了三种利用 2D CNN 处理 3D MRI 数据的方法。我们在两种流行的 2D CNN 架构的阿尔茨海默病神经影像计划数据集上测试了所提出的方法。评估结果表明，所提出的方法将模型在 AD 诊断方面的性能提高了 8.33% 的准确率或 10。 11% auROC，同时显著减少训练时间超过 89%。我们还讨论了性能改进的潜在原因和局限性。我们相信这项工作可以为未来的研究人员奠定坚实的基础。索引术语 — CNN、3D、MRI、诊断
在基于视觉的环境中有效学习对于强化学习（RL）代理至关重要，而从经验上则观察到Lear
在基于视觉的环境中有效学习对于加固学习（RL）代理至关重要，而从经验上则观察到，从高维观察（例如原始像素）中学习是样本中的样本感知的。对于共同实践，图像输入的RL算法通常使用由CNN组成的编码器来从高维观测值中提取有用的特征。最近的研究表明，CNN对图像样式具有很强的归纳偏见，而不是内容（即代理形状），而内容是RL算法应重点关注的信息。受到这一点的启发，我们建议通过提出对RL的控制网络来减少CNN的固有样式偏差。它可以帮助RL算法有效地关注真正值得注意的信息，例如代理商的特征。我们的方法结合了两个传输网络和功能编码器，并通过对比度学习方法进行了指导RL算法以更有效地学习采样。广泛的实验表明，扩展框架大大提高了现有的无模型方法的性能（即sac），使其能够达到深态控制套件基准的最新性能。关键字：强化学习，对比学习，归纳偏见，样式转移
氮化碳纳米片作为粘合剂层，用于在玻璃碳电极上垂直订购的介孔二氧化硅膜的稳定生长，并应用CA15-3免疫传感器
摘要：垂直有序的介孔二氧化硅膜（VMSF）是由超毛孔和超薄垂直纳米渠道组成的一类多孔材料，它们在电分析传感器和分子分离的区域具有吸引力。然而，VMSF很容易从碳纤维电极中掉下来，从而影响其广泛的应用。在此，氮化碳纳米片（CNN）作为粘合剂层，可在玻璃碳电极（GCE）上稳定VMSF生长。CNN可以与VMSF的硅烷醇基团共价结合，从而有效地促进了VMSF在GCE表面上的稳定性。受益于VMSF的许多开放纳米孔，用碳水化合物抗原15-3（CA15-3）特异性抗体修改VMSF外表面，可以通过硅胶内部硅含量进行电化学探针的目标传输，从而通过硅胶内部降低敏感性检测到1000的nosion nanochnels，从0.47 mu/mL的检测极限。此外，提出的VMSF/CNNS/GCE免疫传感器能够高度选择性，准确地确定尖峰血清样品中的Ca15-3，该样品提供了一种简单有效的电化学策略，可在复杂的生物学标本中检测各种实用生物标志物。
