XiaoMi-AI文件搜索系统
World File Search SystemConvolutional
引用出版版本的引文：吴，x，jiang，s，li，g，liu，s，metcalfe，b，chen，l＆zhang，d 2023，''卷卷卷神经网络的深度学习
摘要 - 目的：基于卷积神经网络（CNN）的深度学习已使用头皮脑电图（EEG）在脑部计算机界面（BCIS）方面取得了成功。然而，对所谓的“黑匣子”方法的解释及其在立体情节摄影（SEEG）基于BCIS（SEEG）的BCIS中的应用仍然在很大程度上未知。因此，在本文中，对SEEG信号深度学习方法的解码性能进行了评估。方法：招募了三十例癫痫患者，并设计了包括五种手和前臂运动类型的范式。六种方法，包括过滤库公共空间模式（FBCSP）和五种深度学习方法（EEGNET，浅层和深CNN，Resnet，Resnet和一个名为STSCNN的深CNN变体），用于对SEEG数据进行分类。进行了各种实验，以研究Resnet和STSCNN的窗口，模型结构以及解码过程的影响。结果：EEGNET，FBCSP，浅CNN，DEEP CNN，STSCNN和RESNET的平均分类精度分别为35±6.1％，38±4.9％，60±3.9％，60±3.3％，61±3.2％和63±3.1％。对所提出方法的进一步分析表明，在光谱域中不同类别之间的可分离性明显。结论：重新连接和STSCNN分别达到了第一高的解码精度。STSCNN证明了额外的空间卷积层是有益的，并且可以从空间和光谱的角度部分解释解码过程。意义：这项研究是第一个研究Seeg信号深度学习的表现的研究。此外，本文证明了所谓的“黑盒”方法可以部分解释。
通过图形卷积网络通过深层潜在位置模型聚类
随着个体通过数字平均值的显着相互作用的显着增加，图中节点的聚类已成为分析大型和复杂网络的一种基础方法。在这项工作中，我们提出了深层的位置模型（DEEPLPM），这是一种端到端的生成聚类方法，将广泛使用的潜在位置模型（LPM）与图形卷积网络（GCN）编码策略相结合。此外，还引入了一种原始估计算法，以通过变异推理和使用随机梯度下降进行图形重建来整合后聚类概率的明确优化。在模拟场景上进行的数值实验突出了DeepLPM自养生的能力，以选择簇数量的较低限制，这表明其聚类能力与最先进的方法相比。最后，DEEPLPM进一步应用于Merovingian Gaul的教会网络和引文网络Cora，以说明探索大型且复杂的现实世界网络的实际兴趣。
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。
使用新的基于注意力的深卷积神经网络的实时交通标志识别方法
摘要：汽车行业中的人工智能（AI）允许汽车制造商通过整合AI驱动的高级驾驶员辅助系统（ADAS）和/或自动化驾驶系统（ADS）（例如Traffiffififififient识别（TSR）系统），从而为智能和自动驾驶汽车提供智能和自动驾驶汽车。现有的TSR解决方案集中在他们认识的某些标志上。出于这个原因，提出了一种TSR方法，其中涵盖了更多的道路标志类别，例如警告，监管，强制性和优先符号，以构建一个智能和实时系统，能够分析，检测和分类为正确类别。提出的方法基于对不同的特征符号检测（TSD）和Traffim符号分类（TSC）的概述，旨在在准确性和处理时间方面选择最佳的特征。因此，提出的方法将HAAR级联技术与深CNN模型分类结合在一起。开发的TSC模型在GTSRB数据集上进行了培训，然后在各种路标上进行了测试。所达到的测试精度率达到98.56％。为了提高分类性能，我们提出了一个新的基于注意力的深卷积神经网络。由于获得的测试准确性和F1测量率分别达到99.91％和99％，因此所达到的结果比其他符号分类研究中存在的结果更好。在Raspberry Pi 4板上评估并验证了开发的TSR系统。实验结果证实了建议的方法的可靠性。
带射频的卷积神经网络，带有射频旋转纳米驱动器
摘要卷积神经网络（Lecun and Bengio 1998脑理论与神经网络手册255-58； Lecun，Bengio和Hinton 2015 Nature 521 436-44）在现代信号处理和机器视觉中是最先进的，无处不在。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。 这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。 SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。 然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。 在这里，我们提出了一个建筑，其中突触通信基于共振效果。 这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。 我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。 我们表明，具有多个自旋谐振器的多个链可以实现并行实现。 我们为这些链条提出了两种不同的空间布置。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。在这里，我们提出了一个建筑，其中突触通信基于共振效果。这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。我们表明，具有多个自旋谐振器的多个链可以实现并行实现。我们为这些链条提出了两种不同的空间布置。对于每个人，我们解释了如何同时调整许多人工突触，从而利用了突触重量共享特定的卷积。我们通过使用自旋振荡器作为人工微波神经元来展示如何通过使用自旋振荡器在卷积层之间传输信息。最后，我们模拟了这些射频谐振器和自旋振荡器的网络，以求解MNIST手写数字数据集，并获得与软件卷积神经网络相当的结果。由于它可以与纳米设备的单一步骤完全平行运行卷积神经网络，因此本文提出的架构对于需要机器视觉的嵌入式应用程序（例如自主驾驶）很有希望。
使用机器学习（ML）和卷积中性网络（CNN）
茶厂疾病对全球茶业构成了重大威胁，从而影响了产量和质量。早期发现和准确的诊断对于有效的疾病管理和防止广泛爆发至关重要。主要依赖专家视觉检查的传统方法可能是主观的，耗时的，并且可能无法检测到微妙或早期症状。此外，可以限制获得专业植物病理学家的机会，尤其是在远程茶叶地区。该项目探讨了人工智能，特别是深度学习技术的应用，以自动化茶叶疾病检测过程。通过利用卷积神经网络（CNN）的力量，该系统非常适合图像分析，该系统旨在分析茶叶的图像并将其准确地分为不同的疾病类别。在标记的茶叶图像的各种数据集上训练CNN，包括各种疾病和健康的样本，使模型可以学习复杂的模式和特征，以表明特定疾病。这种自动化方法有望提高诊断准确性，减少对专家视觉检查的依赖，并有可能提高茶农及时有效的疾病管理策略的可及性，最终有助于增强茶的生产和经济可持续性。
在多核物联网处理器上使用时间卷积网络的稳健实时嵌入式 EMG 识别框架
摘要 — 通过表面肌电 (sEMG) 信号对手部运动进行分类是一种成熟的高级人机交互方法。然而，sEMG 运动识别必须处理基于 sEMG 控制的长期可靠性，这受到影响 sEMG 信号的可变性的限制。嵌入式解决方案会受到识别准确度随时间下降的影响，这使得它们不适合可靠的手势控制器设计。在本文中，我们提出了一种基于时间卷积网络 (TCN) 的完整的可穿戴级嵌入式系统，用于基于 sEMG 的稳健手势识别。首先，我们开发了一种新颖的 TCN 拓扑 (TEMPONet)，并在基准数据集 (Ninapro) 上测试了我们的解决方案，实现了 49.6% 的平均准确率，比目前最先进的 (SoA) 好 7.8%。此外，我们设计了一个基于 GAP8（一种新型 8 核物联网处理器）的节能嵌入式平台。使用我们的嵌入式平台，我们收集了第二个 20 个会话数据集，以在代表最终部署的设置上验证系统。我们使用 TCN 获得了 93.7% 的平均准确率，与 SoA SVM 方法（91.1%）相当。最后，我们使用 8 位量化策略来适应处理器的内存限制，对在 GAP8 上实现的网络的性能进行了分析。我们达到了 4 倍更低的内存占用（460 kB），性能下降仅为 3% 的准确率。我们详细介绍了在 GAP8 平台上的执行情况，结果显示量化网络在 12.84 毫秒内执行单个分类，功率包络为 0.9 mJ，使其适合长寿命可穿戴设备部署。
使用 3D 卷积神经网络对缺氧缺血性昏迷患者进行基于多模态 MRI 的全脑评估
摘要背景：人们尚未找到最佳方法来自动捕获、分析、组织和合并结构和功能性脑磁共振成像（MRI）数据，以最终提取相关信号，协助缺氧昏迷患者床边的医疗决策过程。我们的目标是开发和验证一种深度学习模型，以利用多模态3D MRI全脑时间序列对缺氧缺血性昏迷相关的脑损伤进行早期评估。方法：这项概念验证、前瞻性、队列研究于 2018 年 3 月至 2020 年 5 月期间在大学医院（法国图卢兹）附属的重症监护室进行。所有患者在心脏骤停后至少 2 天（4±2 天）处于昏迷状态时接受扫描。在同一时期，我们招募并纳入年龄匹配的健康志愿者。脑 MRI 量化包括来自感兴趣区域（楔前神经和后扣带皮层）的“功能数据”和全脑功能连接分析以及“结构数据”（灰质体积、T1 加权、各向异性分数和平均扩散率）。专门设计的 3D 卷积神经元网络 (CNN) 通过使用原始 MRI 指标作为输入来区分意识状态（昏迷与对照）。基于卷积滤波器研究的体素可视化方法被用于支持 CNN 结果。法国图卢兹大学教学医院伦理委员会 (2018-A31) 批准了这项研究，并获得了所有参与者的知情同意。结果：最终队列包括 29 名缺氧后昏迷患者和 34 名健康志愿者。通过结合不同的 MR 指标使用 3D CNN 成功将昏迷患者与对照区分开来。功能性 MRI 数据（尤其是后扣带皮层的静息态功能性 MRI）的准确率最高，经过 10 次重复的十倍交叉验证，测试集的准确率为 0.96（范围为 0.94-0.98）。通过多数投票策略，可以实现更令人满意的表现，这可以弥补
图形卷积加固学习用于负载平衡和智能排队
摘要 - 在本文中，我们为在协作环境中为智能负载平衡和排队代理提供了图形卷积深的加固学习框架。我们旨在平衡不同路径上的流量负载，然后控制网络节点上属于不同流量类别的数据包。我们的目标是双重的：首先是在吞吐量和端到端延迟方面提高一般网络性能，其次，以确保满足一组分类网络流的严格服务水平协议。我们的建议使用注意机制从当地观察和邻里政策中提取相关特征，以限制机构间通信的开销。我们在台球测试台中评估了我们的算法，并表明它们在吞吐量和端到端延迟方面都优于加载平衡和智能排队的经典方法。索引术语 - 智能排队，负载平衡，深入执行学习，多代理系统。