XiaoMi-AI文件搜索系统
World File Search SystemConvolutional
利用光谱和卷积网络推断空间物体方向
准确推断空间物体的方向对于了解其运行状态和协调有效的空间交通管理至关重要。为了制定解决方向推断问题所需的框架，我们分析了几种标准的旋转数学表示，重点是连续性、唯一性和深度学习效率。在此基础上，我们自然而然地想到实现一种鲜为人知但表现良好的 6D 旋转表示。对于我们的推理模型的输入，我们采用了一种距离不变的观测技术，该技术长期以来一直用于在最小尺度上探索宇宙的最远处——光谱学。在深度卷积神经网络 (CNN) 的帮助下，我们研究了使用模拟的原始长缝光谱图像来推断未解析的大轨道半径范围内空间物体方向的可行性。我们介绍了在多个空间物体的光谱图像上训练 CNN 的方法和结果，目的是 i) 标准化旋转分析中使用的测量方法，ii) 建立基于光谱的性能的上限，以及 iii) 为未来将光谱应用于空间领域感知的工作扩展提供简单场景的基线。
使用卷积神经网络进行脑肿瘤分割
2018 年脑肿瘤分割 (BraTS) 挑战赛中的 MR 图像数据集包含 285 张胶质瘤患者图像，用于训练 Mask R-CNN 模型。Mask R-CNN 架构通过最小化多方面目标函数来为图像内的每个感兴趣区域派生掩码、边界框和标签。我们使用 90% 的 BraTS 数据进行网络训练，5% 用于验证，5% 用于测试。由于训练 Mask R-CNN 模型的计算要求很高，因此使用罗文大学的高性能计算机 (HPC) 进行大部分实验。该模型使用 4 个 NVIDIA Tesla K20m GPU 进行训练，并采用多线程技术来加速将数据加载到内存中的过程。
使用 2D 卷积对阿尔茨海默病进行分类...
摘要 — 阿尔茨海默病 (AD) 是一种无法治疗且不可逆的疾病，影响约 6% 的 65 岁以上人群。脑磁共振成像 (MRI) 是一种广泛用于 AD 诊断的伪 3D 成像方式。具有 3D 核的卷积神经网络 (3D CNN) 通常是基于深度学习的 MRI 分析的默认选择。然而，3D CNN 通常计算成本高昂且数据量大。这些缺点阻碍了现代深度学习技术在医学成像领域的使用，因为该领域可用于训练的数据数量通常有限。在这项工作中，我们提出了三种利用 2D CNN 处理 3D MRI 数据的方法。我们在两种流行的 2D CNN 架构的阿尔茨海默病神经影像计划数据集上测试了所提出的方法。评估结果表明，所提出的方法将模型在 AD 诊断方面的性能提高了 8.33% 的准确率或 10。 11% auROC，同时显著减少训练时间超过 89%。我们还讨论了性能改进的潜在原因和局限性。我们相信这项工作可以为未来的研究人员奠定坚实的基础。索引术语 — CNN、3D、MRI、诊断
FBCNet：用于脑机接口的多视图卷积神经网络
摘要 — 缺乏足够的训练样本和嘈杂的高维特征是基于脑电图 (EEG) 的脑机接口 (BCI) 的运动想象 (MI) 解码算法面临的主要挑战。为了应对这些挑战，受 MI 的神经生理特征的启发，本文提出了一种用于 MI 分类的新型滤波器组卷积网络 (FBCNet)。FBCNet 采用多视图数据表示，然后进行空间滤波以提取光谱空间判别特征。这种多阶段方法即使在训练数据有限的情况下也能有效地训练网络。更重要的是，在 FBCNet 中，我们提出了一种新的方差层，可以有效地聚合 EEG 时域信息。通过这种设计，我们在四个 MI 数据集上将 FBCNet 与最先进的 (SOTA) BCI 算法进行了比较：BCI 竞赛 IV 数据集 2a (BCIC-IV-2a)、OpenBMI 数据集和两个来自慢性中风患者的大型数据集。结果表明，通过实现 76.20% 的 4 类分类准确率，FBCNet 为 BCIC-IV-2a 数据集设定了新的 SOTA。在其他三个数据集上，FBCNet 的二分类准确率提高了 8%。此外，我们使用可解释的 AI 技术提供了第一份关于健康受试者和中风患者之间判别性 EEG 特征差异的报告。此外，FBCNet 源代码可在 https://github.com/ravikiran-mane/FBCNet 上找到。
使用卷积神经网络检测脑肿瘤
1，2 ece系，Bannari Amman理工学院，Sathyamangalam文章历史：收到：2021年1月11日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年5月10日摘要 - 脑肿瘤是人们的主要威胁。 ，但目前，由于许多机器学习技术，它变得更加先进。 磁共振成像是所有图像处理技术中扫描人体并在改善质量图像中清楚地分辨出肿瘤的所有图像处理技术中的最大技术。 MRI的基本原理是根据磁场和人体解剖学的无线电波开发图像。 图像分割的主要区域是医疗图像处理。 MRI图像比CT扫描，X射线等更好的结果。 如今，在大空间和结构变异性中自动肿瘤检测。 最近卷积神经网络在医疗领域和计算机视野中起着重要作用。 其应用之一是识别脑肿瘤。 在这里，预处理技术用于将正常图像转换为灰度值，因为它包含相等的强度，但在MRI中，包括RGB含量。 然后，使用中位数和高通滤波器来消除不需要的噪音，以提高图像质量。 使用小内核进行CNN中更深层次的建筑设计。 最后，评估使用该网络从MRI图像中分割肿瘤的效果，以更好的结果进行评估。 I. 简介1，2 ece系，Bannari Amman理工学院，Sathyamangalam文章历史：收到：2021年1月11日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年5月10日摘要 - 脑肿瘤是人们的主要威胁。，但目前，由于许多机器学习技术，它变得更加先进。磁共振成像是所有图像处理技术中扫描人体并在改善质量图像中清楚地分辨出肿瘤的所有图像处理技术中的最大技术。MRI的基本原理是根据磁场和人体解剖学的无线电波开发图像。图像分割的主要区域是医疗图像处理。MRI图像比CT扫描，X射线等更好的结果。如今，在大空间和结构变异性中自动肿瘤检测。 最近卷积神经网络在医疗领域和计算机视野中起着重要作用。 其应用之一是识别脑肿瘤。 在这里，预处理技术用于将正常图像转换为灰度值，因为它包含相等的强度，但在MRI中，包括RGB含量。 然后，使用中位数和高通滤波器来消除不需要的噪音，以提高图像质量。 使用小内核进行CNN中更深层次的建筑设计。 最后，评估使用该网络从MRI图像中分割肿瘤的效果，以更好的结果进行评估。 I. 简介如今，在大空间和结构变异性中自动肿瘤检测。最近卷积神经网络在医疗领域和计算机视野中起着重要作用。其应用之一是识别脑肿瘤。在这里，预处理技术用于将正常图像转换为灰度值，因为它包含相等的强度，但在MRI中，包括RGB含量。然后，使用中位数和高通滤波器来消除不需要的噪音，以提高图像质量。使用小内核进行CNN中更深层次的建筑设计。最后，评估使用该网络从MRI图像中分割肿瘤的效果，以更好的结果进行评估。I.简介
通过度量的视觉脑解码的EEG分类...比较p300检测的卷积和复发性神经网络
摘要：p300组件的单审判分类是一项困难的任务，因为信号比率低。但是，其应用于脑部计算机界面开发可以显着提高这些系统的可用性。本文介绍了P300分类的基线线性判别分析（LDA）与复发性（CNN）和经常性神经网络（RNN）的比较。实验是基于大型多学科的学龄儿童数据集。实验研究和讨论了几种超参数选择。提出的CNN略优于RNN和基线LDA分类器（63.2％的准确性比61.3％和62.8％）。差异在精度和回忆中最为明显。讨论了结果和建议对未来工作的含义，例如堆叠的CNN – LSTM。
使用 2D 卷积对阿尔茨海默病进行分类...
摘要 — 阿尔茨海默病 (AD) 是一种无法治疗且不可逆的疾病，影响约 6% 的 65 岁以上人群。脑磁共振成像 (MRI) 是一种广泛用于 AD 诊断的伪 3D 成像方式。具有 3D 核的卷积神经网络 (3D CNN) 通常是基于深度学习的 MRI 分析的默认选择。然而，3D CNN 通常计算成本高昂且数据量大。这些缺点阻碍了现代深度学习技术在医学成像领域的使用，因为该领域可用于训练的数据数量通常有限。在这项工作中，我们提出了三种利用 2D CNN 处理 3D MRI 数据的方法。我们在两种流行的 2D CNN 架构的阿尔茨海默病神经影像计划数据集上测试了所提出的方法。评估结果表明，所提出的方法将模型在 AD 诊断方面的性能提高了 8.33% 的准确率或 10。 11% auROC，同时显著减少训练时间超过 89%。我们还讨论了性能改进的潜在原因和局限性。我们相信这项工作可以为未来的研究人员奠定坚实的基础。索引术语 — CNN、3D、MRI、诊断
使用卷积神经网络基于EEG的低位检测
摘要。缺陷率检测已成为生物医学信号处理场中重要的活跃研究领域。为此，脑电图（EEG）是嗜睡和觉醒检测中最常见的方式之一。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用A和觉醒的检测。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用了卷积神经网络（CNN）体系结构。我们使用Emotiv Epoc+耳机定义了实验方案。之后，我们在记录和注释的数据集上评估了我们提出的方法。报告的结果表明检测准确性很高（93％），并表明所提出的方法是与其他方法相比，该方法是缺陷检测的有效替代方案。
论 NISQ 时代及以后的量子图卷积神经网络设计
摘要 — 图卷积神经网络 (GCN) 的大小快速增长，在传统计算平台（例如 CPU、GPU、FPGA 等）上遇到了计算和内存瓶颈。另一方面，量子计算为计算提供了极高的并行性。尽管最近对量子神经网络进行了研究，但对量子图神经网络的研究仍处于起步阶段。这里的关键挑战是如何将图拓扑信息和 GCN 的学习能力集成到量子电路中。在这项工作中，我们利用 Givens 旋转及其量子实现来编码图信息；此外，我们采用广泛使用的变分量子电路来引入可学习参数。在此基础上，我们提出了一种全量子设计的图卷积神经网络，即“QuGCN”，用于图结构数据的半监督学习。实验结果表明，我们的设计在 Cora 子数据集上的节点分类准确率方面可与经典 GCN 相媲美。更重要的是，我们展示了当特征数量增加时，所提出的量子 GCN 设计可以实现的潜在优势。