XiaoMi-AI文件搜索系统
World File Search SystemDCNN
卷积神经网络的深度图像挖掘
图像挖掘是一种从庞大的图像数据集中搜索和发现有价值的信息和知识的方法。图像挖掘基于数据挖掘、数字图像处理、机器学习、图像检索和人工智能。图像挖掘处理隐藏信息提取、图像数据关联和图像中不清晰可见的附加模式。选择适合图像挖掘过程的适当对象或图像特征是程序员面临的主要挑战。该过程包括在更短的时间内找出最有效的路线并节省用户的工作量。本文的主要目标是设计和实现具有更高性能的图像分类系统，其中使用 CIFAR-10 数据集来训练和测试使用 CNN 的分类模型。卷积神经网络是值得信赖的，它可以产生高质量的结果。使用深度卷积神经网络 (DCNN) 获得了 98% 的高准确率。
基于结构性脑 MRI 图像、网格搜索优化和卷积神经网络诊断自闭症谱系障碍
本研究提出了一种基于 sMRI 的自闭症自动诊断模型。该模型由两个基本阶段组成。第一阶段是预处理阶段，包括删除不清楚的图像、应用 Canny 边缘检测 (CED) 算法识别图像边缘、裁剪图像到系统所需的大小，最后使用数据增强将图像放大五倍。数据增强方法不应影响图像中的辨别力（例如颜色），而且由于它适用于自闭症谱系障碍 (ASD) 和正常发育 (TD) 两组，因此在执行时要小心谨慎，以免对数据造成任何操纵。在第二阶段，将网格搜索优化 (GSO) 算法应用于系统中使用的深度卷积神经网络 (DCNN)，以获得最佳超参数。因此，基于 sMRI 的 ASD 诊断方法实现了 100% 的出色成功率。通过五折交叉验证测试验证了所提模型的可靠性，并通过与最近的研究和广泛使用的预训练模型的比较证明了其优越性。
人工智能技术在...中的应用
摘要 — 心肌梗死 (MI) 是由于血流不足而导致心肌损伤。MI 是全球中老年人最常见的死亡原因。为了诊断 MI，临床医生需要解释心电图 (ECG) 信号，这需要专业知识并且容易受到观察者偏见的影响。基于人工智能的方法可用于使用 ECG 信号自动筛查或诊断 MI。在这项工作中，我们对基于 ECG 以及其他生物物理信号的 MI 检测人工智能方法进行了全面评估，包括机器学习 (ML) 和深度学习 (DL) 模型。传统 ML 方法的性能依赖于手工制作的特征和手动选择 ECG 信号，而 DL 模型可以自动执行这些任务。该评论发现深度卷积神经网络 (DCNN) 在 MI 诊断中具有出色的分类性能，这解释了为什么它们近年来变得流行。据我们所知，这是首次全面调查使用 ECG 和其他生物物理信号进行 MI 诊断的人工智能技术。
使用深度学习方法接近实时人群数
在当前的数字时代，在许多地方人群计数机制仍然依赖于老式的方法，例如维护登记册，利用人们在入口处进行基于柜台和传感器的计数。这些方法在人们的运动是完全随机的，高度可变和动态的地方失败。这些方法是耗时且乏味的。拟议的系统是针对需要紧急撤离的情况，例如火灾爆发，灾难性事件等。并根据食物，水，检测拥塞等人数做出明智的决定。基于深度卷积神经网络（DCNN）系统可用于接近实时人群计数。系统使用NVIDIA GPU处理器利用并行计算框架来实现通过相机采用的视频提要的快速而敏捷的处理。这项工作有助于构建一个模型来检测CCTV摄像机捕获的头部。通过提供多种场景，例如重叠的头部，头部的部分可见性等，对模型进行了广泛的训练。该系统在估计密集人群的头部数量相当小的时间内提供了很高的准确性。
一种利用 3D U-Net 架构对胶质瘤进行全自动肿瘤内分割的新方法
材料和方法：在本研究中，我们设计了一种新颖的 3D U-Net 架构，可分割各种放射学可识别的子区域，如水肿、增强肿瘤和坏死。提出了从肿瘤边界区域提取加权斑块的方案，以解决肿瘤和非肿瘤斑块之间的类别不平衡问题。该架构由一条用于捕获上下文的收缩路径和一条能够实现精确定位的对称扩展路径组成。基于深度卷积神经网络 (DCNN) 的架构在 285 名患者身上进行了训练，在 66 名患者身上进行了验证，并在来自脑肿瘤分割 (BraTS) 2018 挑战数据集的 191 名胶质瘤患者身上进行了测试。从多通道 BraTS 训练数据集中提取三维斑块来训练 3D U-Net 架构。我们还在来自我们三级癌症中心的 40 名高级别胶质瘤患者的独立数据集上测试了所提出方法的有效性。分割结果根据 Dice 分数、敏感度、特异性和 Hausdorff 95 距离（ITCN 肿瘤内分类网络）进行评估。
迈向大规模脉冲神经网络
摘要 —深度学习彻底改变了人工智能 (AI)，在计算机视觉、语音识别和自然语言处理等领域取得了显著进步。此外，大型语言模型 (LLM) 的最新成功推动了对大规模神经网络的研究热潮。然而，对计算资源和能源消耗的不断增长的需求促使人们寻找节能的替代方案。受人脑的启发，脉冲神经网络 (SNN) 有望通过事件驱动的脉冲实现节能计算。为了为构建节能的大型 SNN 模型提供未来方向，我们概述了开发深度脉冲神经网络的现有方法，重点关注新兴的脉冲 Transformer。我们的主要贡献如下：（1）深度脉冲神经网络的学习方法概述，按 ANN 到 SNN 的转换和使用代理梯度的直接训练分类；（2）深度脉冲神经网络的网络架构概述，按深度卷积神经网络 (DCNN) 和 Transformer 架构分类； （3）对最先进的深度 SNN 进行全面比较，重点关注新兴的 Spiking Transformers。然后，我们进一步讨论并概述了大规模 SNN 的未来发展方向。
基于深度卷积神经网络的癫痫脑电图（EEG）信号分类
脑电图 (EEG) 信号包含有关大脑电活动的重要信息，被广泛用于辅助癫痫分析。癫痫诊断中一个具有挑战性的要素，即对不同癫痫状态的准确分类，尤其令人感兴趣并得到了广泛的研究。本文提出了一种基于深度学习的新型分类方法，即癫痫脑电信号分类 (EESC)。该方法首先将癫痫脑电信号转换为功率谱密度能量图 (PSDED)，然后应用深度卷积神经网络 (DCNN) 和迁移学习从 PSDED 中自动提取特征，最后对四类癫痫状态进行分类 (发作间期、发作前持续时间至 30 分钟、发作前持续时间至 10 分钟和癫痫发作)。它在准确性和效率方面优于现有的癫痫分类方法。例如，在 CHB-MIT 癫痫脑电图数据的案例研究中，它实现了超过 90% 的平均分类准确率。
建立高效的神经网络进行脑肿瘤检测
脑肿瘤检测和监测对于任何指示系统都至关重要，多年的研究和诊断技术的稳步改进就是明证。因此，治疗计划对于提高患者的生活质量至关重要。有一种观点认为，深度学习可以帮助解决诊断和治疗脑肿瘤的困难。在这项工作中，我们引入了一种混合深度神经网络，它将最先进的图像增强方法（如对比度拉伸、直方图均衡化和对数变换）与迁移学习相结合，类似于 DenseNet169 和 ResNet149。这项工作深入探讨了如何提高 DCNN 预测的准确性和效率。对于数据选择，我们创建了自定义数据，这些数据来自 Br35H 和 Fig 共享存储库，其中包含增强后的良性、恶性和正常图像 (596,928,364)。性能分析了不同的场景，例如所有三种增强算法的数据都与每个神经网络一起训练并评估性能。性能结果表明，本文提出的研究成果对使用 DenseNet169 进行直方图均衡化的数据有显著的改进，准确率为 93.29%，精确率为 94%，召回率为 88%，得分率为 93%，损失率为 20.37%，是本文提出的所有训练神经网络中最高的矩阵。
基于自适应学习的基于人类与肉手对抗游戏的多模式数据融合框架
在人类和机器人之间玩游戏已成为广泛的人类与机器人对抗（HRC）应用程序。尽管提出了许多方法来通过组合不同的信息来提高跟踪准确性，但仍需要解决机器人智能程度的问题以及运动捕获系统的抗干扰能力。在本文中，我们提出了基于自适应的增强学习（RL）多模式数据融合（ADARL-MDF）框架，教机器人手与人类一起玩摇滚纸 - 剪裁（RPS）游戏。它包括一种自适应学习机制，以更新整体分类器，一个RL模型，为机器人提供智力智慧，以及一个多模式数据融合结构，为干扰提供了阻力。相应的实验证明了ADARL-MDF模型的上述功能。比较精度和计算时间通过结合K-Nearest邻居（K-NN）和深卷积神经网络（DCNN）来表明集合模型的高性能。此外，基于深度视觉的K-NN分类器获得100％的识别精度，因此可以将预测的手势视为实际值。演示说明了HRC应用的实际可能性。该模型所涉及的理论提供了发展HRC智能的可能性。©2023作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
使用具有像素变化检测的深信信矛盾神经网络对MRI进行有效的脑肿瘤分类
脑肿瘤是一种癌症，其中大脑中的组织在大脑中迅速而不均匀地生长，并对人类生命造成巨大威胁。脑肿瘤被认为是成年人中常见可怕的癌症之一，它也会影响儿童。这种癌症分为两种类型，例如良性肿瘤和恶性肿瘤。然而，良性肿瘤是可以治愈的，而恢复受恶性肿瘤影响的患者的生存机会较小。如今，通常使用MR图像来检测脑肿瘤的种类。早期分类和肿瘤的鉴定对于治疗肿瘤并从早期死亡中挽救了人类生命很重要。然而，使用术前和术后MR图像的脑肿瘤分类和变化检测百分比是一项非常具有挑战性的任务。为了克服此类问题，这项研究提出了一种新的有效技术，用于使用拟议的深信念网络（DBN） +深卷积神经网络（DCNN）来确定像素变化检测。该过程涉及四个阶段，例如预处理，分割，特征提取和分类。DBN + CNN的组合用于基于错误函数的决策。DBN + CNN通过开发的横梁算法进行了训练。此外，提出的方法的最大准确度为0.957，灵敏度为0.967，特异性为0.918。