XiaoMi-AI文件搜索系统
World File Search SystemDCNN
使用经过训练以模仿大脑统计特性的神经网络来提高物体识别能力
目前最先进的物体识别算法——深度卷积神经网络 (DCNN)，灵感来自哺乳动物视觉系统的架构，在许多任务上能够达到人类水平的表现。在对 DCNN 进行物体识别任务训练时，已证明 DCNN 能够开发出与哺乳动物视觉系统中观察到的隐藏表征相似的隐藏表征 (Razavi 和 Kriegeskorte，2014 年；Yamins 和 Dicarlo，2016 年；Gu 和 van Gerven，2015 年；Mcclure 和 Kriegeskorte，2016 年)。此外，在物体识别任务上训练的 DCNN 是目前我们拥有的哺乳动物视觉系统的最佳模型之一。这让我们假设，教导 DCNN 实现更像大脑的表征可以提高其性能。为了测试这一点，我们在一个复合任务上训练了 DCNN，其中网络被训练为：(a) 对物体图像进行分类；同时 (b) 具有与猴子视觉皮层神经记录中观察到的中间表征相似的中间表征。与纯粹为对象分类而训练的 DCNN 相比，在复合任务上训练的 DCNN 具有更好的对象识别性能，并且对标签损坏的鲁棒性更强。有趣的是，我们发现这个过程不需要神经数据，但具有与神经数据相同统计特性的随机数据也会提高性能。虽然我们在复合任务上训练时观察到的性能提升与“纯”对象识别任务相比并不大，但它们非常稳健。值得注意的是，我们在研究的所有网络变体中都观察到了这些性能提升，包括：较小（CORNet-Z）与较大（VGG-16）架构；优化器的变化（Adam 与梯度下降）；激活函数的变化（ReLU 与 ELU）；以及网络初始化的变化。我们的结果证明了一种训练对象识别网络的新方法的潜在效用，使用大脑（或至少是其激活模式的统计特性）作为训练 DCNN 的教师信号的策略。© 2020 Elsevier Ltd. 保留所有权利。
Pradipta Kumar Mishra、Suresh Chandra Satapathy* 和 Minakhi 使用基于优化的深度卷积神经网络对 MRI 脑肿瘤图像进行分割
摘要：脑图像分割应该准确完成，因为它有助于预测致命的脑肿瘤疾病，从而可能控制事先知道的恶意脑图像片段。通过脑肿瘤分割程序可以提高脑肿瘤分析的准确性。早期的 DCNN 模型不考虑学习实例的权重，这可能会降低分割过程的准确性。考虑到上述观点，我们提出了一个框架，使用基于群体智能的算法（如遗传算法（GA）、粒子群优化（PSO）、灰狼优化（GWO）和鲸鱼优化算法（WOA））来优化 DCNN 模型的网络参数，例如权重和偏差向量。模拟结果表明，WOA 优化的 DCNN 分割模型优于其他三种基于优化的 DCNN 模型，即 GA-DCNN、PSO-DCNN、GWO-DCNN。
使用深卷积神经网络和全球平均池
摘要：如果未准确检测到，脑肿瘤会导致严重的健康并发症，并导致死亡。因此，对脑肿瘤的早期检测和脑肿瘤类型的准确分类在诊断中起主要作用。最近，使用大脑磁共振成像（MRI）图像的基于深度卷积神经网络（DCNN）方法在检测和分类任务方面表现出色。但是，DCNN体系结构的准确性取决于数据样本的培训，因为它需要更精确的数据才能获得更好的输出。因此，我们提出了一个基于转移学习的DCNN框架，以对脑膜瘤肿瘤，神经胶质瘤肿瘤和垂体肿瘤进行分类。我们使用预先训练的DCNN体系结构VGGNET，该体系结构先前在巨大的数据集上进行了训练，并用于将其学习参数传输到目标数据集。此外，我们采用了转移学习方面，例如卷积网络，并冻结卷积网络的层，以提高性能。此外，这种提出的方法在输出处使用全球平均池（GAP）层，以避免过度解决问题和消失的梯度问题。评估了所提出的体系结构并将其与基于深度学习的脑肿瘤分类方法进行比较。我们提出的方法可产生98.93％的测试准确性，并优于当代学习方法。
使用深度卷积神经网络和全局平均池化对脑 MRI 图像中的肿瘤进行分类
摘要：如果检测不准确，脑肿瘤会引起严重的健康并发症并导致死亡。因此，早期检测脑肿瘤并准确分类脑肿瘤类型在诊断中起着重要作用。最近，基于深度卷积神经网络 (DCNN) 的方法使用脑磁共振成像 (MRI) 图像在检测和分类任务中表现出色。然而，DCNN 架构的准确性取决于数据样本的训练，因为它需要更精确的数据才能获得更好的输出。因此，我们提出了一种基于迁移学习的 DCNN 框架来对脑肿瘤进行分类，例如脑膜瘤、神经胶质瘤和垂体瘤。我们使用预先训练的 DCNN 架构 VGGNet，该架构之前已在大型数据集上进行训练，并用于将其学习参数迁移到目标数据集。此外，我们还采用了迁移学习方面，例如微调卷积网络并冻结卷积网络的各层以获得更好的性能。此外，此方法在输出端使用全局平均池化 (GAP) 层来避免过度拟合问题和梯度消失问题。在 Figshare 数据集上对所提出的架构进行了评估，并与基于深度学习的竞争性脑肿瘤分类方法进行了比较。我们提出的方法产生了 98.93% 的测试准确率，并且优于当代基于学习的方法。
迁移学习和 SpecAugment 应用于基于 SSVEP 的 BCI 分类
目标：我们使用深度卷积神经网络 (DCNN) 对基于稳态视觉诱发电位 (SSVEP) 的单通道脑机接口 (BCI) 中的脑电图 (EEG) 信号进行分类，该接口不需要用户进行校准。方法：EEG 信号被转换为频谱图，并作为输入，使用迁移学习技术训练 DCNN。我们还修改并应用了一种通常用于语音识别的数据增强方法 SpecAugment。此外，为了进行比较，我们使用支持向量机 (SVM) 和滤波器组典型相关分析 (FBCCA) 对 SSVEP 数据集进行了分类。结果：从微调过程中排除评估用户的数据后，我们使用较小的数据长度（0.5 秒）、仅一个电极（Oz）和具有迁移学习、窗口切片（WS）和 SpecAugment 时间掩码的 DCNN，对来自开放数据集的 35 名受试者实现了 82.2% 的平均测试准确率和 0.825 的平均 F1 分数。结论：使用单个电极和较小的数据长度，DCNN 结果优于 SVM 和 FBCCA 性能。迁移学习提供的准确率变化很小，但使训练速度更快。SpecAugment 实现了小幅性能改进，并成功与 WS 结合，获得了更高的准确率。意义：我们提出了一种使用 DCNN 解决 SSVEP 分类问题的新方法。我们还修改了语音识别数据增强技术并将其应用于 BCI 环境中。所提出的方法在数据长度较小且只有一个电极的 BCI 中超越了 FBCCA 和 SVM（更传统的 SSVEP 分类方法）所获得的性能。这种类型的 BCI 可用于开发小型快速系统。
深卷卷神经网络基于脑肿瘤的自动检测
摘要 - 深度卷积神经网络（DCNN）已被广泛研究以在生物医学图像处理领域进行不同类型的检测和分类。其中许多产生的结果与放射科医生和神经病学家相比，与之相当甚至更好。但是，从此类DCNN中获得良好结果的挑战是大型数据集的要求。在本研究中，本研究介绍了一种独特的基于单模型的方法，用于对小数据集进行分类。使用了一个称为regnety-3.2g的修改后的DCNN，与正则化掉落和下降块集成在一起，以防止过度拟合。此外，一种改进的增强技术称为randaugment来减轻小数据集的问题。最后，MWNL（多加权的新损失）方法和端到端CLS（累积学习策略）用于解决样本规模不平等的问题，分类中的复杂性以及降低样本对培训的影响。索引术语 - 脑部肿瘤，深度学习，机器学习，数据增强，卷积神经网络，MRI
颅内脑电图和深度神经网络揭示面部身份和表情表征的共同基础
根据面部感知的经典观点（ Bruce and Young, 1986 ; Haxby et al., 2000 ），面部身份和面部表情识别由不同的神经基质（分别为腹侧和外侧颞叶面部选择区域）执行。然而，最近的研究挑战了这一观点，表明表达效价也可以从腹侧区域解码（ Skerry and Saxe, 2014 ; Li et al., 2019 ），身份也可以从外侧区域解码（ Anzellotti and Caramazza, 2017 ）。如果专门负责一项任务（身份或表情）的区域包含另一项任务的少量信息（从而实现高于机会的解码），则这些发现可以与经典观点相一致。在这种情况下，我们预计侧面区域的表征与经过训练以识别面部表情的深度卷积神经网络 (DCNN) 中的表征更相似，而不是经过训练以识别面部身份的 DCNN 中的表征（对于腹侧区域，情况应该相反）。我们通过分析对不同身份和表情的面部的神经反应来检验这一假设。将从人类颅内记录（n = 11 名成年人；7 名女性）计算得出的表征相异矩阵 (RDM) 与经过训练以标记身份或表情的 DCNN 的 RDM 进行了比较。我们发现，在所有测试区域中，经过训练以识别身份的 DCNN 的 RDM 与颅内记录的相关性更强——即使在传统上假设专门用于表情的区域也是如此。这些结果偏离了传统观点，表明面部选择性腹侧和侧面区域有助于身份和表情的表征。
AI驱动的飞机防御：发展深度学习...
摘要：自主系统在航空中的整合提出了增强飞机防御机制的重大挑战和机会。该项目着重于开发专门为飞机防御系统中实时威胁检测和分类而设计的深度学习卷积神经网络（DCNN）。通过利用先进的计算机视觉技术，拟议的系统旨在确定潜在的威胁，例如未经授权的无人机和导弹发射，同时还针对日益数字景观中的网络威胁。该体系结构将在涵盖各种操作场景的各种数据集上进行培训，从而确保稳健性和适应性。本研究旨在建立一个框架，不仅利用人工智能来提高情境意识，而且还可以快速响应自动驾驶飞机系统。关键字：自主系统，飞机防御，深度学习，威胁检测，卷积神经网络（DCNN）。
基于序列到序列变压器结构
摘要：近年来，图像复制移动伪造（CMFD）的检测已成为验证数字图像的真实性的关键挑战，尤其是随着图像操纵技术的迅速发展。虽然深度卷积神经网络（DCNN）已被广泛用于CMFD任务，但它们通常受到一个显着限制的阻碍：编码过程中空间分辨率的逐步减少，这导致了关键图像细节的丢失。这些细节对于图像复制移动伪造的准确检测和定位至关重要。为了克服现有方法的局限性，本文提出了一种基于变压器的CMFD和本地化方法，作为传统DCNN技术的替代方法。所提出的方法采用变压器结构作为编码器来以序列到序列方式处理图像，用自我发项计算代替以前方法的特征相关计算。这使该模型可以捕获图像中的远程依赖性和上下文细微差别，从而保留了通常在基于DCNN的方法中丢失的更细节。此外，还利用了适当的解码器来确保图像特征的精确重建，从而提高了检测准确性和定位精度。实验结果表明，所提出的模型在USCISI等基准数据集上实现了出色的性能，用于图像复制移动伪造的检测。这些结果表明了变压器体系结构在推进图像伪造检测领域的潜力，并为未来的研究提供了有希望的方向。
存在物体场景规律的人类和人工视觉系统中的表征层次
人类视觉在很大程度上仍未得到解释。计算机视觉在这方面取得了令人瞩目的进展，但目前仍不清楚人工神经网络在行为和神经层面上与人类物体视觉的近似程度。在这里，我们研究了机器物体视觉是否模仿人类物体视觉的表征层次结构，其实验设计允许测试动物和场景的域内表征，以及反映其现实世界上下文规律的跨域表征，例如在视觉环境中经常同时出现的动物场景对。我们发现，在物体识别中训练的 DCNN 在其后期处理阶段获得的表征可以紧密捕捉人类对动物及其典型场景同时出现的概念判断。同样，DCNN 的表征层次结构与特定领域的腹颞区到领域通用的前顶区中出现的表征转换显示出惊人的相似性。尽管有这些显著的相似性，但底层的信息处理却不同。神经网络学习类似于人类的物体-场景共现高级概念表示的能力取决于图像集中存在的物体-场景共现量，从而凸显了训练历史的根本作用。此外，尽管中/高级 DCNN 层代表了 VTC 中观察到的动物和场景的类别划分，但其信息内容显示出领域特定表示丰富度的降低。总之，通过测试域内和域间选择性，同时操纵上下文规律，我们揭示了人类和人工视觉系统所采用的信息处理策略中未知的相似之处和差异。