XiaoMi-AI文件搜索系统
World File Search SystemCNNS
人工智能与临床医生：对深度学习研究的设计、报告标准和声明的系统评价
选择研究的资格标准 随机试验注册和非随机研究，比较深度学习算法在医学成像中的表现与当代一个或多个专家临床医生组的表现。医学成像对深度学习研究的兴趣日益浓厚。深度学习中卷积神经网络 (CNN) 的主要区别特征是，当 CNN 被输入原始数据时，它们会开发出模式识别所需的自己的表示。该算法会自行学习对分类很重要的图像特征，而不是由人类告诉使用哪些特征。选定的研究旨在使用医学成像来预测现有疾病的绝对风险或分类为诊断组（例如疾病或非疾病）。例如，原始胸部 X 光片标有气胸或无气胸等标签，CNN 会学习哪些像素模式表明存在气胸。
人工智能与临床医生：深度学习研究的设计、报告标准和主张的系统评价
研究选择标准 随机试验注册和非随机研究，比较深度学习算法在医学成像中的表现与当代一位或多位专家临床医生组的表现。医学成像对深度学习研究的兴趣日益浓厚。深度学习中卷积神经网络 (CNN) 的主要特征是，当 CNN 输入原始数据时，它们会开发出模式识别所需的自身表示。算法会自行学习对分类很重要的图像特征，而不是由人类告诉使用哪些特征。选定的研究旨在利用医学成像预测现有疾病的绝对风险或将其分类为诊断组（例如疾病或非疾病）。例如，原始胸部 X 光片上标有气胸或无气胸等标签，CNN 会学习哪些像素模式表明有气胸。
ECE 7650（T01）深度学习
从2012年开始，深度学习在多个应用领域中取得了巨大的成功。随后，卷积神经网络（CNN）迅速发展为现代深度学习的工作马。CNN中的许多发展都是出于计算机视觉（图像/场景理解，对象识别）以及最近在生物医学成像中的问题所激发的。此外，最近的工作非视觉输入（例如语言）导致了变压器网络的发展，这些网络的发展除了复发神经网络外，它们在处理顺序数据方面非常有效。随着该地区的快速发展，电气工程和计算机科学领域的研究生需要在该领域当前最新的理论和实践中进行培训，并且还需要发展技能，以批判性地评估使该领域前进所需的文献。该课程将为学生提供工业和研究环境的准备。前提条件：
人工智能在诊断巴雷特食管相关肿瘤中的作用
诊断和治疗患者的有效方式。为此，人工智能 (AI) 与医学领域越来越相关，尤其是在肿瘤的早期诊断方面。人工智能是一个涵盖广泛主题的总称，其总体思路是使用需要与人类智能相似的特征（例如学习能力）的算法来解决问题。机器学习 (ML) 作为人工智能的一个分支学科，描述了用于从现有数据中学习的算法。与医学（尤其是内窥镜检查）最相关的人工智能领域是深度学习。深度学习是 ML 的一个子类型，描述了一种旨在使用大量数据在很少或没有监督的情况下解决定义问题的方法。与人脑类似，应用的算法或卷积神经网络 (CNN) 由多层神经元组成。CNN 学习识别提供的输入数据中的某些模式并产生预测或输出。
使用连接特征和卷积神经网络进行情绪脑电图分类
卷积神经网络 (CNN) 被广泛用于通过脑电图 (EEG) 信号识别用户的状态。在之前的研究中，EEG 信号通常以高维原始数据的形式输入 CNN。然而，这种方法很难利用大脑连接信息，而这些信息可以有效描述大脑功能网络并估计用户的感知状态。我们引入了一种利用 CNN 的大脑连接的新分类系统，并使用三种不同类型的连接测量通过情绪视频分类验证了其有效性。此外，提出了两种数据驱动的方法来构建连接矩阵，以最大限度地提高分类性能。进一步的分析表明，与目标视频的情绪属性相关的大脑连接的集中程度与分类性能相关。© 2020 Elsevier Ltd. 保留所有权利。
研究深度卷积神经网络中的格式塔原理
神经网络的设计受人脑的工作机制的启发，此后在各个领域取得了巨大的成功。心理学仍然旨在更好地了解人脑，但计算机科学努力增强对神经网络的理解。神经网络研究的主要目标是开发能够执行与人脑相似的任务，而不是重新创建它的模型。有趣的是，尽管没有明确设计为此目的，但神经网络倾向于表现出比预期的更像人类的行为。特别是，最近的发现表明，CNN可能表现出感知组织的格式塔定律的某些方面[1]，这些方面解释了人脑如何解释复杂的视觉刺激，尽管可能会受到某些阈值和局限性的影响。先前探索的神经网络体系结构的狭窄范围，其数据集有限和实验不足，因此需要进行更详细的研究。我们关注的是闭合原理，该原理指出，当零件被遮挡或碎片时，人的大脑自然填补了将数字视为完整批发的空白。我们提出了一个专门设计的数据集，该数据集旨在检查各种基于心理的透视仪的关闭，并在广泛的CNN中进行实验，以研究其与该原则的一致性。我们的工作提供了有关CNN有关关闭的全面分析，确定了限制和阈值，这些限制和阈值定义了其在逐渐操纵的刺激类别上执行闭合时的可用性。
基于FPGA的贝叶斯卷积神经网络的加速度
摘要 - 神经网络（NNS）已经证明了它们在从计算机视觉到自然语言处理的各个领域中的潜力。在各种NN中，二维（2D）和三维（3D）卷积神经网络（CNN）在广泛的应用中已被广泛采用，例如图像分类和视频识别，因为它们在提取2D和3D特征方面具有出色的功能。但是，标准的2D和3D CNN无法捕获其模型不确定性，这对于包括医疗保健和自动驾驶在内的许多关键安全应用至关重要。相比之下，作为CNN的一种变体，贝叶斯卷积神经网络（贝叶斯）（贝叶斯）已经证明了它们通过数学基础在预测中表达不确定性的能力。尽管如此，由于采样和随后的前向通过多次通过了整个网络，因此贝内斯科的计算要求并未在工业实践中广泛使用。结果，与标准CNN相比，这些过程显着增加了计算和内存消耗量。本文提出了一种新型的基于FPGA的硬件体系结构，以加速通过Monte Carlo辍学推断的2D和3D贝内斯科。与其他最先进的加速器相比，贝内斯科的设计可以达到高达高达能量效率的4倍，而计算效率的9倍。考虑部分贝叶斯推断，提出了一个自动框架，以探索硬件和算法性能之间的权衡。进行了大量实验，以证明我们提出的框架可以有效地发现设计空间中的最佳点。
脑肿瘤检测：深度综合研究...
对于其他机器学习模型，朴素贝叶斯的准确率达到 68.62%，而 SVM（支持向量机）的准确率达到 60.78%。同样，决策树模型的准确率也达到 68.62%。另一种集成技术 Bagging 的准确率达到 66.66%。有趣的是，结合预训练的 VGG-16 和 InceptionV3 模型的混合模型的准确率达到 68.92%。结果表明，卷积神经网络 (CNN) 是最成功的方法，在 MRI 扫描中实现脑肿瘤检测的最高准确率（86.27%）。这表明 CNN 特别擅长学习隐藏在 MRI 图像数据中的关键模式。关键词：磁共振成像 (MRI)、深度学习、卷积神经网络 (CNN)、多层感知器 (MLP)、迁移学习、InceptionV3、特征提取、主成分分析 (PCA)、准确度、VGG16、逻辑回归、随机森林、Ada Boosting、朴素贝叶斯、SVM、决策树、Bagging
一种新型的双线性特征和用于触觉形状识别的多层融合卷积神经网络
摘要：卷积神经网络（CNN）可以自动从压力信息中学习特征，一些研究应用了CNN来识别触觉形状。但是，传感器的有限密度及其功能需求导致所获得的触觉图像具有低分辨率和模糊。为了解决这个问题，我们提出了双线性功能和多层融合卷积神经网络（BMF-CNN）。功能的双线性计算提高了网络的特征提取能力。同时，多层融合策略利用了不同层的互补性来增强特征利用率的效率。为了验证所提出的方法，构建了一个带有复杂边缘的26类字母触觉图像数据集。BMF-CNN模型达到了98.64％的触觉形状精度。结果表明，与传统的CNN和人工特征方法相比，BMF-CNN可以更有效地处理触觉形状。
有关计算机视觉深度学习的注释
这些讲义是针对一个关于计算机视觉深度学习的一个学期（12周）课程。课程涵盖了深度学习的理论和实践，重点是计算机视觉中的应用。学生将学习深度学习背后的基础数学，并探索诸如多层感知器（MLP），背传和自动分化，卷积神经网络（CNNS），复发性神经网络（RNN）和变形金刚等主题。这些技术在现代人工智能（AI）系统中起着至关重要的作用，包括图像和视频理解，自然语言处理，生成AI和机器人技术。该课程包括各种实践评估，以增强学生对深度学习的理解和直觉及其在计算机视觉中的应用。学生有望具有强大的编程技能，并以前接触线性代数，微积分和概率理论。评估细节不构成这些注释的一部分。