XiaoMi-AI文件搜索系统
World File Search SystemClassification
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
Longformer：利用结构 MRI 对阿尔茨海默病进行分类的纵向转换器
结构磁共振成像 (sMRI)，尤其是纵向 sMRI，通常用于在阿尔茨海默病 (AD) 临床诊断期间监测和捕捉病情进展。然而，目前的方法忽视了 AD 的渐进性，大多依赖单一图像来识别 AD。在本文中，我们考虑利用受试者的纵向 MRI 进行 AD 分类的问题。为了解决学习纵向 3D MRI 时缺失数据、数据需求和随时间发生的细微变化等挑战，我们提出了一个新模型 LongFormer，它是一种混合 3D CNN 和变压器设计，可从图像和纵向流对中学习。我们的模型可以充分利用数据集中的所有图像，并有效地融合时空特征进行分类。我们在三个数据集（即 ADNI、OASIS 和 AIBL）上评估我们的模型，并将其与八种基线算法进行比较。我们提出的 LongFormer 在对来自所有三个公共数据集的 AD 和 NC 对象进行分类方面取得了最先进的性能。我们的源代码可从 https://github.com/Qybc/LongFormer 在线获取。
脑肿瘤放射基因组学分类
摘要 - RSNA-MICCAI 脑肿瘤放射基因组学分类挑战赛[1]旨在通过对多参数 mpMRI 扫描（T1w、T1wCE、T2w 和 FLAIR）进行二元分类来预测胶质母细胞瘤中的 MGMT 生物标志物[2]状态。数据集分为三个主要队列：训练集、验证集（在训练期间使用），测试集仅在最终评估中使用。图像要么是 DICOM 格式[3]，要么是 png 格式[4]。使用不同的架构来研究该问题，包括 3D 版本的 Vision Transformer (ViT3D)[5]、ResNet50[6]、Xception[7] 和 EfficientNet-b3[8]。AUC 被用作主要评估指标，结果显示 ViT3D 和 Xception 模型都具有优势，在测试集上分别达到 0.6015 和 0.61745。与其他结果相比，考虑到任务的复杂性，我们的结果被证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集可以取得进一步的改进。
2015 菲律宾标准商品分类
IX 木材及木制品；木炭；软木及软木制品；稻草、西班牙茅草或其他编织材料制品；篮筐及柳条制品 X 木浆或其他纤维状纤维素材料浆；回收（废料及碎片）纸或纸板；纸和纸板及其制品 Xl 纺织品及纺织品 Xll 鞋类、头饰、雨伞、太阳伞、手杖、马杖、鞭子、马鞭及其零件；加工好的羽毛及其制品；人造花、人发制品 Xlll 石料、石膏、水泥、石棉、云母或类似材料制品；陶瓷制品、玻璃和玻璃器皿 XIV 天然或养殖珍珠、宝石或半宝石、贵金属、包贵金属及其制品；照明珠宝；硬币 fi, f,::?, r"T xx'fxl",];: giffi,[::*, 电气设备及其零件；录音机和重放机，以及此类物品的零件和附件 XVll 车辆、航空器、船舶及相关运输设备 Xvllll 光学摄影、电影摄影、测量、检查、精密、医疗或外科仪器和设备、钟表；乐器；其零件和附件 ' XIX 武器和弹药；其零件和附件 XX 杂项制成品 XXI 艺术品、收藏品和古董 3.20If pscc 下商品分类使用的标准
用于高光谱图像分类的量子启发光谱空间金字塔网络
高光谱图像 (HSI) 分类旨在为每个像素分配一个唯一标签，以识别不同土地覆盖的类别。现有的 HSI 深度学习模型通常采用传统学习范式。作为新兴机器，量子计算机在嘈杂的中尺度量子 (NISQ) 时代受到限制。量子理论为设计深度学习模型提供了一种新的范式。受量子电路 (QC) 模型的启发，我们提出了一种受量子启发的光谱空间网络 (QSSN) 用于 HSI 特征提取。所提出的 QSSN 由相位预测模块 (PPM) 和受量子理论启发的类测量融合模块 (MFM) 组成，以动态融合光谱和空间信息。具体而言，QSSN 使用量子表示来表示 HSI 长方体，并使用 MFM 提取联合光谱空间特征。量子表示中使用了 HSI 长方体及其由 PPM 预测的相位。使用 QSSN 作为构建块，我们进一步提出了一种端到端的量子启发式光谱空间金字塔网络 (QSSPN)，用于 HSI 特征提取和分类。在这个金字塔框架中，QSSPN 通过级联 QSSN 块逐步学习特征表示，并使用 softmax 分类器进行分类。这是首次尝试将量子理论引入 HSI 处理模型设计。在三个 HSI 数据集上进行了大量实验，以验证所提出的 QSSPN 框架相对于最新方法的优越性。
使用人工神经网络进行分布式拒绝服务攻击分类。
研究指南，Acharya Nagarjuna 大学。摘要 对于所有规模的组织和 ISP，有史以来最具破坏性的攻击都是 DDoS 攻击 (分布式拒绝服务)。由于 DDoS 出租服务的可用性提高，数十亿不安全的僵尸网络和 IoT 设备的产生导致 DDoS 攻击增加。这些 DDoS 攻击的频率、规模和复杂程度不断增加。由于这些攻击日益智能化以及 IDS 的逃避，包括清理和基于签名的检测在内的传统方法受到了挑战。由于攻击规模主要集中在组织上，下一代安全技术无法跟上步伐。由于对人为干预的要求较高，基于异常的检测在误报和准确率方面存在各种限制。本文利用机器学习（ML）模型，基于开放的CICIDS2017数据集进行了DDoS异常检测。但是，使用该ML模型并精心调整超参数可以达到最大准确率。关键词：DDoS攻击，异常检测，机器学习，入侵检测系统，准确性。