XiaoMi-AI文件搜索系统
World File Search SystemConvolutional
一种用于推进机器学习模型的混合脉冲卷积神经网络方法
在本文中，我们提出了一种新颖的独立混合脉冲卷积神经网络 (SC-NN) 模型，并在图像修复任务上进行了测试。我们的方法利用 SNN 的独特功能（例如基于事件的计算和时间处理）以及 CNN 强大的表示学习能力来生成高质量的修复图像。该模型在专为图像修复设计的自定义数据集上进行训练，其中使用蒙版创建缺失区域。混合模型由 SNNConv2d 层和传统 CNN 层组成。SNNConv2d 层实现泄漏积分和发射 (LIF) 神经元模型，捕捉脉冲行为，而 CNN 层捕捉空间特征。在本研究中，均方误差 (MSE) 损失函数演示了训练过程，其中训练损失值为 0.015，表示在训练集上的表现准确，并且模型实现了低至 0 的验证损失值。 0017 的测试结果。此外，大量的实验结果证明了其最先进的性能，展示了在单个网络中集成时间动态和特征提取进行图像修复的潜力。
用于图像分类的混合量子-经典卷积神经网络模型
摘要 — 图像分类在遥感中起着重要作用。地球观测 (EO) 不可避免地进入了大数据时代，但对计算能力的高要求已经成为使用复杂机器学习模型分析大量遥感数据的瓶颈。利用量子计算可能有助于解决这一挑战，因为它可以利用量子特性。本文介绍了一种混合量子-经典卷积神经网络 (QC-CNN)，它应用量子计算有效地从 EO 数据中提取高级关键特征以进行分类。此外，采用振幅编码技术减少了所需的量子位资源。复杂度分析表明，与经典模型相比，所提出的模型可以加速卷积运算。通过 TensorFlow Quantum 平台，使用不同的 EO 基准（包括 Overhead-MNIST、So2Sat LCZ42、PatternNet、RSI-CB256 和 NaSC-TG2）对模型性能进行评估，结果表明，该模型能够取得比经典模型更优的性能，且具有更高的泛化能力，验证了 QC-CNN 模型在 EO 数据分类任务上的有效性。
通过图卷积聚集对发育和脑部疾病的分类
基于图卷积的方法已成为图表表示学习的标准，但它们对疾病预测任务的应用仍然非常有限，这特别是在神经发育和神经发育生成脑疾病的分类中。在本文中，我们通过在图形采样中掌握聚合以及跳过连接和身份映射来引入Ag-Gregator归一化卷积网络。提出的模型通过将成像和非成像特征同时纳入图节点和边缘来学习歧视图形节点表示形式，以增强预测能力，并为基础的脑疾病的基础机械抗体提供整体观点。跳过连接使信息从输入功能直接流到网络的后期层，而身份映射有助于在功能学习过程中维护图的结构信息。我们根据两个大型数据集，自闭症脑成像数据交换（ABIDE）和阿尔茨海默氏病神经影像学计划（ADNI）进行了替补，以预测自闭症谱系障碍和阿尔茨海默氏症的异常。实验结果表明，与最近的基线相比，我们的方法的效率是几个评估指标的表现，分别在Abide和ADNI上的图形卷积网络上，分类的分类卷积网络分别获得了50％和13.56％的相关性改善。
使用Archimedes调整过程进行量子扩张的卷积神经网络
摘要：道路网络提取是遥感（RS）中的重要挑战。解释RS图像的自动化技术提供了一种具有成本效益的解决方案，可快速获取道路网络数据，超过传统的视觉解释方法。然而，道路网络的各种特征，例如不同地区的各个长度，宽度，材料和几何形状，构成了RS图像中的道路提取的巨大障碍。可以将道路提取问题定义为涉及捕获上下文和复杂元素的任务，同时还保留边界信息并为RS数据生成高分辨率的道路细分图。提议的Archimedes调整过程的目标量子量子扩张了道路提取的卷积神经网络（ATP QDCNNRE）技术是通过增强图像细分结果的效率来解决上述问题，从而利用遥感成像，与Archimedes Optimization Optimation Algorith Modecs（AOA）相关联（AOA）。这项研究的发现证明了与遥感图像一起使用时，ATP-QDCNNRE方法实现的道路萃取能力增强。ATP-QDCNNRE方法采用DL和超参数调整过程来生成高分辨率的道路分割图。这种方法的基础在于QDCNN模型，该模型结合了量子计算（QC）概念和扩张的卷积，以增强网络捕获本地和全局上下文信息的能力。扩张的卷积还可以增强接收场，同时保持空间分辨率，从而提取精细的道路特征。基于ATP的高参数修改改善了QDCNNRE道路提取。评估ATP QDCNNRE系统的有效性，使用基准数据库来评估其仿真结果。实验结果表明，ATP-qdcnnre以75.28％的相交（IOU）的相交（MIOU）的平均相交（MIOU）为95.19％，F1的平均相交，90.85％的F1，精度为87.54％，召回了Massachusetts Road DataSet的94.41％。与最新方法相比，这些发现证明了该技术的效率。
新型 K 近邻与卷积神经网络 (KNN-CNN) 实现精准脑部识别
摘要 - 脑肿瘤分类在早期诊断和有效治疗计划中起着至关重要的作用。在本文中，我们提出了一种新方法，即基于卷积神经网络的 K 最近邻 (KNN-CNN)，用于精确的脑肿瘤分类。所提出的方法结合了 K 最近邻 (KNN) 和卷积神经网络 (CNN) 的优势，同时利用了传统的基于特征的分类和基于深度学习的特征提取。我们使用 CNN 从脑肿瘤图像中学习高级特征，并使用 KNN 根据提取的特征对肿瘤进行分类。在脑肿瘤数据集上的实验结果证明了 KNN-CNN 方法的有效性和效率，实现了高分类准确率并且优于传统方法。关键词：图像挖掘、脑肿瘤、分类、磁共振成像、最近邻；
用于检测的卷积神经网络算法...
近年来，由于全球预期寿命的增加，阿尔茨海默病 (AD) 的识别变得至关重要。如果出现轻度认知障碍 (MCI)，则可能会发展为阿尔茨海默病和痴呆症，因为它会永久损害患者的心智能力。许多研究人员都全心全意地关注这种疾病，因为如果及早发现，就可以治疗并阻止其发展。心理检查和生化测试通常用于诊断这种疾病。磁共振成像 (MRI) 扫描分析用于检查人脑结构的变化，是检测阿尔茨海默病的建议方法之一。本研究使用 SPM（统计参数映射）工具箱对脑 MRI 图像进行预处理，然后分割脑灰质 (GM) 并将其输入卷积神经网络 (CNN) 算法。本文使用 ADNI（阿尔茨海默病神经成像计划）数据集。根据测试结果，我们可以准确区分正常对照（NC）、阿尔茨海默病和中度认知障碍三组。
通过卷积神经网络自动识别土壤真菌和 Chromista
土壤微生物的鉴定在农业和园艺中起着至关重要的作用，因为它可以监测有益物种并尽早发现病原体。在本研究中，我们提出了一种利用机器视觉和机器学习技术（特别是卷积神经网络）的系统，根据显微图像和形态特征自动识别不同的真菌和 Chromista。我们的系统旨在提供一种经济高效的病原体检测方法，改善农业系统的整体健康和生产力。我们使用土壤微生物数据集进行了实验，并使用精度、召回率和 F1 分数度量评估了分类器的性能。尽管存在类别不平衡和子图像检索不完善等挑战，但分类器仍取得了令人鼓舞的结果，总体精度为 82%，表明正确预测所有类别的正实例的准确率很高。此外，采用多数投票方案显著提高了分类器的性能，解决了代表性不足的类别问题。增强的结果显示平均精度和 F1 分数为 97%。我们的工作突出了 CNN 在土壤微生物识别方面的潜力，并为未来扩大数据集和纳入更广泛的微生物属的研究铺平了道路。
文章 - 工程、技术和技巧基于卷积深度神经网络的脑肿瘤诊断，使用聚类图像和特征- Sup
摘要：识别和分类胶质瘤脑肿瘤是医学领域的一项艰巨任务，为了延长患者的寿命，尽早识别恶性肿瘤至关重要。已经进行了医学图像分析研究以帮助检测恶性脑肿瘤。为了实现高分类性能，提取的特征必须既具有描述性又具有判别性。机器学习在分类中至关重要，因为它具有灵活性和对不同问题的适应性。我们提出了一种聚类图像和特征支持分类器 (CIFC) 以及一个深度卷积神经网络框架来对脑肿瘤图像进行分类。所提出的模型由各种分类器组成，例如：(i) 原始和分段图像特征支持的分类器；(ii) 原始和分段图像支持的分类器和 (iii) 聚类图像和特征支持的分类器。免费和开放访问的图像数据集 BRATS 2021 用于训练和测试所提出的肿瘤检测系统框架。 CFIC 的表现优于迄今为止提出的几乎所有分类器。所提出的系统的性能指标结果为灵敏度 99.76%、特异性 98.04% 和准确度 99.87%。因此，与其他现有技术相比，所提出的系统结果在肿瘤检测方面表现良好。
3D Kronecker 卷积特征金字塔用于 MRI 成像中的脑肿瘤语义分割
脑肿瘤严重影响生活质量，并改变患者及其亲人的一切。脑肿瘤的诊断通常从磁共振成像 (MRI) 开始。从 MRO 图像手动诊断脑肿瘤通常需要专家放射科医生。然而，这个过程既耗时又昂贵。因此，需要一种计算机化技术来检测 MRI 图像中的脑肿瘤。使用 MRI，使用三维 (3D) 克罗内克卷积特征金字塔 (KCFP) 的新机制来分割脑肿瘤，解决像素丢失和多尺度病变处理薄弱的问题。用 3D 克罗内克卷积代替单一扩张率，同时使用 3D 特征选择 (3DFSC) 进行局部特征学习。在 3DFSC 末尾添加 3D KCFP 以解决多尺度病变处理薄弱的问题，从而有效分割不同大小的脑肿瘤。使用具有全局阈值的 3D 连通分量分析作为后处理技术。标准多模态脑肿瘤分割 2020 数据集用于模型验证。与其他基准方案相比，我们的 3D KCFP 模型表现优异，整个肿瘤、增强肿瘤和肿瘤核心的骰子相似系数分别为 0.90、0.80 和 0.84。总体而言，所提出的模型在脑肿瘤分割方面是有效的，这可能有助于医生对未来的治疗计划做出适当的诊断。
3D互连的自动故障定位和表征的端到端卷积神经网络
条纹分割技术（FRIST）：在这里，边界框中包含使用自适应阈值的预处理特征模式。然后在预处理图像的中心考虑具有单位半径的圆。该圆的半径迭代增加，直到达到边界框的末端为止（请参阅补充图S11）。从C扫描图像中，有关TSV的信息主要位于内部两个条纹。在每个步骤中，都绘制位于该圆圈周长的黑色像素的总数。图中的第一个峰和第二个峰对应于感兴趣的边缘，因此，通过将所有像素的所有像素设置为超过这两个峰，以保留图像段的那些区域（请参阅补充图S11和S12）。这些步骤是