XiaoMi-AI文件搜索系统
World File Search SystemETEC
使用 Python 进行脑肿瘤检测
近年来，机器学习算法在图像识别任务中取得了巨大成功，与此同时，电子病历和诊断成像的使用也急剧增加。本综述介绍了应用于医学图像分析的机器学习算法，重点介绍了卷积神经网络，并强调了该领域的临床方面。在医学大数据时代，机器学习的优势在于，可以通过算法发现数据中重要的层次关系，而无需费力地手工处理特征。我们涵盖了医学图像分类、定位、检测、分割和配准的关键研究领域和应用。最后，我们讨论了研究障碍、新兴趋势和可能的未来方向。
使用量子转移学习
糖尿病性视网膜病（DR）是糖尿病患者普遍存在的并发症，可能会导致视力障碍，这是由于视网膜上形成的病变。在高级阶段检测DR通常会导致不可逆的失明。通过眼科医生通过视网膜底面图像诊断DR的传统过程不仅是耗时的，而且还很昂贵。虽然经典的转移学习模型已被广泛用于计算机辅助检测DR，但其高维护成本可能会阻碍其检测EFFI效率。相比之下，量子传递学习对这一挑战的更有效解决方案。这种方法非常有利，因为它以启发式原则运作，使其对任务进行了高度优化。我们提出的方法利用这种混合量子传递学习技术来检测DR。为了构建我们的模型，我们利用Kaggle上可用的Aptos 2019失明检测数据集。我们采用RESNET-18，RESNET34，RESNET50，RESNET101，RESNET152和INCEPTION V3（预训练的经典神经网络）进行初始特征提取。在分类阶段，我们使用变分量子分类器。我们的混合量子模型显示出了显着的结果，RESNET-18的精度为97％。这表明，与量子机学习集成时，量子计算可以单独使用经典计算机来执行一定程度的功率和EFFI的任务。通过利用这些先进的技术，我们可以显着改善糖尿病性视网膜病的检测和诊断，从而使许多人免于失明的风险。
推荐引用 推荐引用 Osifeso, Olatilewa, “人工智能检测网络掠食者的能力”(2024)。电子论文、项目和论文。1920。https://scholarworks.lib.csusb.edu/etd/1920
CSUSB ScholarWorks 研究生院免费向您提供该项目，供您开放访问。CSUSB ScholarWorks 的授权管理员已接受该项目，将其纳入电子论文、项目和学位论文。如需更多信息，请联系 scholarworks@csusb.edu 。
使用YOLO V5与
摘要这项研究提出了一种创新的视频监视中人行人检测方法，利用Yolov5的功率（您只看一次版本5）与基于光感知融合的功能提取相结合。所提出的方法旨在在不同的照明条件下提高行人检测系统的准确性和效率。yolov5以其实时对象检测功能而闻名，与一种新型的特征提取技术集成，该技术融合了来自多个光感知传感器的信息。这种融合策略允许模型在不同的照明方案中适应和稳健。实验结果证明了所提出的方法的优越性，实现了出色的性能。Yolov5与基于光感知的特征提取的融合，展示了行人检测中有希望的进步，以解决现实监视环境中动态照明条件带来的挑战。关键字：行人检测，视频监视，Yolov5，光感知融合，特征提取
使用人工智能和机器学习检测恶意域名
AI 和 ML：入门指南 过去几年，每位 IT 专业人士都听说过很多有关人工智能和机器学习的信息。如此之多，以至于它既让人们意识到需要采用先进的学习方法来解决安全问题，也让人们对应用这些技术及其好处的确切含义感到困惑。有很多安全供应商说“我们做 AI”，但这到底是什么意思呢？让我们首先定义每种技术，然后看看如何将其应用于检测恶意域的问题。人工智能 人工智能 (AI) 是计算机科学的一个分支，专注于帮助计算机自行学习、适应新输入并执行任务 - 所有这些都无需人工干预。AI 由多种不同类型的学习组成（如下所示），可用于 IT 安全、机器人技术、DeepFake 视频、实时对话翻译等各个领域。
使用机器学习检测网络钓鱼
恶意网络近年来，随着移动设备的使用越来越多，将几乎是现实世界的运营转移到网络世界的趋势越来越大。尽管这使我们的日常生活变得容易，但由于互联网的匿名结构，它也带来了许多安全漏洞。使用的防病毒程序和防火墙系统可以防止大多数攻击。但是，经验丰富的攻击者试图用伪造网页向他们进行融合，以针对计算机用户的弱点。这些页面模仿了一些流行的银行业务，社交媒体，电子商务等。网站要窃取一些敏感信息，例如用户ID，密码，银行帐户，信用卡号等。网络钓鱼检测是一个具有挑战性的问题，在市场上提出了许多不同的解决方案，作为黑名单，基于规则的检测，基于异常的检测等。在文献中，可以看出，由于其动态结构，目前的作品倾向于使用基于机器学习的异常检测，尤其是捕捉“零日”攻击。在本文中，我们通过使用八种不同的算法来分析URL，并提出了一个基于机器学习的网络钓鱼检测系统，以及三个不同的数据集将结果与其他工作进行比较。实验结果描述了
基于机器学习的窃检测
摘要：窃行为在学术和专业环境中提出了一个挑战，需要强大而有效的检测方法。本研究提出了一种使用机器学习（ML）技术的窃检测方法的创新方法。采用高级功能提取方法（例如TF-IDF和Word Embeddings），提出的系统利用了包含原始文档和窃文档的各种数据集。预处理阶段涉及清洁和标准化文本数据，而特征提取将文档转换为ML算法的数值表示。杂物ML模型，包括逻辑回归和神经网络，在二进制降级任务中的功效探索了。该系统在标记的数据集上进行了训练，从而区分原始和窃内容。在测试数据集上进行了广泛的评估，量化了模型的精度，精度，召回和F1得分。研究研究了不同特征提取技术对整体性能的影响。实施结合了真实世界的考虑，包括识别窃的变体，例如拷贝抛弃和释义。该系统对各个领域和来源的适应性得到了强调，并提出了可伸缩性的问题，以确定在杂物环境中的有效检测。关键字：释义识别，通道级pla窃检测，支持向量机。
精确动物健康SVM疾病检测算法
牲畜育种农场通常位于偏远地区，由于兽医通道有限，疾病的诊断很具有挑战性。快速而精确的诊断变得特别困难。但是，采用动物疾病诊断专家系统可以显着改善这种情况。这样的系统有可能迅速准确诊断动物疾病，从而促进股票鸟类行业的可持续增长。本文通过理论分析和实际实验验证了将支持向量机（SVM）技术纳入此类专家系统的可行性。这些发现确认了SVM在准确诊断疾病中的有效性，从而突出了其对牲畜健康管理的潜在影响。
使用Yolo的
车辆检测和跟踪在交通管理和运输中变得重要。然而，由于车辆的各种类型，检测仍然是一个困难，这直接影响了车辆的准确性。该项目使用YOLO框架引入了多个目标车辆检测和跟踪。Yolo（您只看一次）是一种流行的对象检测算法，它彻底改变了计算机视野。它是快速有效的，使其成为实时对象检测任务的绝佳选择。对象检测是一项计算机视觉任务，它使用深度学习技术来检测图像和视频中的对象。它是用于对象检测任务的有价值的工具，Yolo能够在单个图像中检测多个对象，而许多其他基于CNN的算法只能一次检测一个对象。这使得Yolo非常适合实际应用，例如自动驾驶汽车和视频监视。因此，它降低了错误的检测率（即精度）由阻塞引起的车辆目标，提出了基于改进的Yolov8网络的不同交通情况下的改进的车辆检测方法。
使用机器学习的恶意URL检测
我们在本文中解决了我们的经验培训和测试恶意URL检测系统。我们的研究受到一系列技术和安全开发的启发。首先，互联网已成为一个更危险的环境。Smanteme宣布2011年的网络威胁一年增长了36％。每天大约相当于4,500次新攻击。推出新攻击的速度远远超过了传统的反恶意软件工具的功能。第二，移动网络数据的个人和业务使用都大大提高。smanteme在其2012年的灵活性调查中观察到，虽然智能手机曾经在很大程度上被它禁止，但现在有成千上万的工人使用它们。结果，攻击者的攻击人群不仅扩大了，而且从商业或财务的角度包含了一个潜在吸引人的社区。