XiaoMi-AI文件搜索系统
World File Search SystemClassification
使用深卷积神经网络
摘要 - 如今，深度学习方法在复杂的任务中起着关键作用，例如提取图像的有用特征，分割和语义分类。这些方法对近年来花类型分类具有重大影响。在本文中，我们正在尝试使用强大的深度学习方法对102种花种类进行分类。为此，我们使用了使用Densenet121体系结构的转移学习方法来对牛津102花数据集进行分类。在这方面，我们试图微调我们的模型，以实现对其他方法的更高准确性。，我们通过标准化图像和调整图像进行了预处理，然后将其喂入我们的微调预审计模型。我们将数据集划分为三组火车，验证和测试。我们可以达到50个时期的98.6％的准确性，这比研究中同一数据集的其他基于深度学习的方法更好。
一种CNN方法来自动检测和分类脑肿瘤
摘要 - 脑肿瘤需要评估以确保及时诊断和有效的患者治疗。形态学因素，例如大小，位置，纹理和可变外观 - 肿瘤检查。医学成像提出了挑战，包括噪声和不完整的图像。本研究文章介绍了一种处理磁共振成像（MRI）数据的方法，包括用于图像分类和DeNoing的技术。有效使用MRI图像使医疗专业人员可以检测包括肿瘤在内的脑部疾病。这项研究旨在通过分析提供的MRI数据来对健康的脑组织和脑肿瘤进行分类。与诸如计算机断层扫描（CT）之类的替代方法不同，MRI技术提供了内部解剖组件的更详细表示，是研究与脑肿瘤相关的数据的合适选择。MRI图片首先使用各向异性扩散滤波器进行脱氧技术。用于模型创建的数据集是公共访问且经过验证的脑肿瘤分类（MRI）数据库，其中包括3,264次大脑MRI扫描。SMOTE用于数据增强和数据集平衡。卷积神经网络（CNN），例如RESNET152V2，VGG，VIT和EFIDENTEN，用于分类程序。有效网络的精度为98％，是记录最高的。索引术语 - MRI，EfficityNet，脑肿瘤，Smote，CNN
DMF：基于多模式融合的深层网络流量分类模型
摘要：随着加密流量的兴起，传统的网络分析方法变得越来越有效，导致转向基于深度学习的方法。其中，基于多模式的基于学习的分类方法由于能够利用加密流量的各种功能集而提高了分类准确性，因此引起了人们的关注。但是，现有的研究主要依赖于晚期融合技术，这阻碍了数据中深度特征的全面利用。为了解决此限制，我们提出了一种新型的多模式加密流量分类模型，该模型将模态融合与多尺度特征提取同步。具体来说，我们的方法在特征提取的每个阶段进行实时融合方式，在每个级别上增强特征表示，并保留层间相关性，以实现更有效的学习。这种连续的融合策略提高了模型检测加密流量中细微变化的能力，同时促进其鲁棒性和对不断发展网络条件的适应性。对两个现实世界加密的流量数据集的实验结果表明，我们的方法达到的分类精度为98.23％和97.63％，表现优于现有的基于多模式学习的方法。
分类计划和职位管理政策
印第安纳州人事部 (INSPD) 维护着一套集中式系统，以确保职位分类、分配和组织方式的一致性。该州的分类系统通过职位类别、职位系列、职位代码和职位头衔来识别每个职位。印第安纳州法规 (IC) 4-15-2.2-27 要求将每个职位分类分配到一个薪酬计划，以便确定最低和最高薪酬率。INSPD 还制定了一项单独的政策，概述了该州的薪酬方案。该分类系统与职位概况和能力框架（也称为职位架构）相衔接，该框架为职位名称约定、职位描述制定、薪资等级分配、职业发展规划以及员工发展和继任计划提供了通用语言。在分类系统中维护基于角色的职位概况和能力分配，有助于在全州范围内提供一致且具有战略性的人力资源服务。INSPD 会定期审查州分类计划中的职位，并可能根据审查时履行的职责和责任对职位进行重新分类。机构如有充分理由，可以要求 INSPD 对任何现有职位进行审查，以确认适当的职位分类分配，或要求设立新的职位或职位分类。
SSVEP 视觉刺激的大小和对比度对虚拟现实分类准确性和用户友好性的影响
摘要 — 基于 SSVEP 的 BCI 在速度和准确性方面是最有前途的 BCI 之一。然而，尽管社区付出了巨大的努力使它们更加实用和用户友好，但它们使用起来仍然特别烦人。在本文中，我们研究了 SSVEP 视觉刺激的大小和对比度对分类准确性和界面烦恼的影响，总体目标是在性能和用户友好性之间找到一个平衡点。我们对十二 (12) 名参与者进行了用户研究，以评估不同刺激大小和对比度对虚拟现实环境中 SSVEP 分类准确性的联合影响。该实验的结果表明，刺激的大小对分类准确性（低于某个阈值）和感知烦恼都有显著影响。然而，对比度对分类准确性和感知烦恼都没有影响，这表明使用较低对比度的刺激仍然可以准确地操作基于 SSVEP 的 BCI。索引术语 — 组件、格式、样式、样式、插入
文档流上神经网络分类系统的评估
摘要。基于文档分类目的的基于艺术神经网络（NN）的方法的一个主要缺点是获得有效分类所需的大量培训样本。最低要求的数字约为每个班级的一千个注释的文档。在许多情况下，在实际的工业过程中收集这一数量的样本非常困难，即使不是不可能。在本文中，我们根据公司文档流的情况来分析基于NN的文档分类系统的效率。我们评估了三种不同的方法，一种基于图像内容，两种基于文本内容。评估分为四个部分：参考案例，以评估实验室中系统的性能；每种情况都模拟了两种情况，这些情况很难与文档流处理相关联；以及一个结合了所有这些困难的现实情况。现实的案例强调了一个事实，即基于NN的文档分类系统的效率显着下降。尽管它们对于代表良好的类（对于这些类别的系统过度拟合）仍然有效，但他们不可能处理适当的代表性较低的班级。nn基于文档的分类系统需要适应以解决这两个问题，然后才能将其视为在公司文档流中使用。
利用自然文本监督的视觉模型进行MRI检索，字幕，分类和视觉问题回答
摘要 - 大型多模型现在已在全球范围内广泛使用，最强大的模型在大规模的通用数据集中受过训练。尽管它们迅速部署，但仍关注培训数据的质量和领域相关性，尤其是在放射学，医学研究和神经科学方面。此外，当查询接受医疗数据训练的模型时，医疗保健数据隐私至关重要，有关服务托管和数据存储的透明度也是如此。到目前为止，放射学研究中的大多数深度学习算法旨在执行特定任务（例如诊断分类），并且不能提示使用自然语言执行多个任务。在这项工作中，我们引入了一个基于矢量检索和对比度学习的框架，以通过自然语言监督有效地学习视觉脑MRI概念。我们展示了该方法如何通过联合嵌入和自然语言监督来识别影响阿尔茨海默氏病（AD）的大脑的因素。首先，我们使用自我监督的学习预处理文本和图像编码器，并共同微调这些编码器以开发共享的嵌入空间。我们训练模型执行多个任务，包括MRI检索，MRI字幕和MRI分类。我们通过开发检索和重新排列的机制以及用于视觉问题回答的变压器解码器来显示其多功能性。
商业模式分类工具：现状、比较和议程
摘要 为了在动态的商业环境中保持竞争优势，组织必须不断调整、创新和重组其商业模式。由于某些商业模式设计选项的配置比其他配置更为成功，因此全面了解这些选项的（当前）解决方案空间及其依赖关系至关重要。要了解和管理一组可能的设计选项，可以依赖分类工具，包括分类法、类型学和分类方案。鉴于有几种工具类型可用，在设计和应用工具时需要考虑每种类型的不同基本假设。本文采用描述性文献综述方法，通过展示工具库并得出分析网格来揭示所选工具类型之间的异同，从而构建了多样化的分类研究主体。因此，本文（1）提高了人们对多种工具及其基本概念的认识，（2）概述了各种工具类型的现状，（3）得出了与工具设计相关的知识，指出了当前的挑战，并为未来对此类工具的构建、评估和使用的研究奠定了基础。
通过最终分类分配法新案案件，按国家/地区，2024年
CASES ARGENTINA 1 85 86 BARBADOS 3 3 BELIZE 1 3 4 BOLIVIA 48 4 52 BRAZIL 71 397 468 CANADA 33 33 CHILE 2 73 75 COLOMBIA 1 112 113 COSTA RICA 29 29 CUBA 26 26 26 DOMINICAN REPUBLIC 5 22 27 ECUADOR 5 50 55 EL SALVADOR 5 28 33 GREE 30 37 Jamaica 6 6 Mexico 14 703 717尼加拉瓜2 22 22 24巴拿马8 13 21 Paraguay 3 33 36秘鲁25 73 98特立尼达＆Tobago 5 5乌拉圭4 1 5委内瑞拉49 14 63
文章 图像质量对细菌分类模型性能的影响研究 Treesukon Treebupachatsakul 1,a , Wanwalee Chomkwah 1 ,
2 泰国曼谷拉卡邦先皇理工学院信息技术学院，1 Chalong Krung 1 Alley，Ladkrabang，Bangkok 10520，泰国电子邮件：a treesukon.tr@kmitl.ac.th，b，* suvit@it.kmitl.ac.th（通讯作者）摘要。深度学习模型构建中监督学习的关键要求之一是用于训练和验证的数据集。为了收集数据集，从不同资源获取各种质量的图像是不可避免的，这被认为会影响监督模型的性能。本研究旨在证明涉及从两个不同资源获得的高和标准数据集的图像质量对模型性能的影响。对具有革兰氏阳性菌和革兰氏阴性菌数据集的各种细胞特征进行了试验。这些不同的数据集被匹配并贡献了 5 个案例；案例 1：使用高质量图像进行训练和测试，案例 2：使用高质量图像进行训练并使用标准质量图像进行测试，案例 3：使用标准质量图像进行训练和测试，案例 4：使用标准质量图像进行训练并使用高质量图像进行测试，以及案例 5：结合这两种图像质量进行训练和测试。实施了预训练的 CNN 模型来证明使用和不使用分层 K 折交叉验证的目的。重新训练模型的结果表明，高性能模型需要从与测试集相同资源中获得的高质量数据集，在具有挑战性的未知数据集上进行测试时，这些数据集可产生超过 90% 的所有性能评估指标。这项研究为构建可用于自动化微生物诊断的高性能模型提供了宝贵的见解，对公共卫生和临床实践产生了影响。