XiaoMi-AI文件搜索系统
World File Search SystemEfficientNet
深度学习模型与放射科专家合作对脑肿瘤进行分类
摘要：大脑由称为神经元的神经细胞组成，是神经系统的中心。神经细胞通过相互作用而快速异常生长，这种现象被称为脑瘤。未确诊或延迟诊断的脑瘤会导致死亡。虽然这取决于经验，但手动诊断和分类脑瘤对医生来说是一项挑战。基于人工智能的计算机系统可以利用硬件技术的发展和日益增加的数据量帮助医生检测脑瘤。本研究提出了一种基于深度学习的系统，使用预先训练的 EfficientNet-B0 模型将脑 MRI 图像分类为肿瘤或正常。我们的放射科医生验证了一个包含 3000 张脑 MRI 图像的公共数据集。该数据集分为 70% 训练、20% 验证和 10% 测试。在训练后的测试阶段，预先训练的 EfficientNet-B0 模型实现了高性能，准确率为 99.33%，灵敏度为 99.33%，F1 分数为 99.33%。此外，在测试图像的评估中，我们的放射科专家检查了 Grad-CAM 方法获得的热图。评估结果表明，预训练的 EfficientNet-B0 深度模型在其预测中选择了正确的焦点区域，并且由于其可解释的结构，可用于临床肿瘤检测。关键词：脑肿瘤、MRI、深度学习、EfficientNet、Grad-CAM。
使用混合深度学习中图像中的对象识别...
摘要：通过图像分类和识别对象并制作边界框是对象识别和检测的基本原理。对象识别，是最关键的问题，这是它对研究引起强烈关注的原因。在过去几年中，随着计算机视觉中对象检测技术的巨大增长，该主题发生了重大变化。在1990年代，人们仍在使用创造性的思想和持久的设计来弄清楚如何在早期计算机视觉中识别对象。如果您查看我们今天如何将对象识别为可以通过深度学习实现的变化，则可以同时学习高级和低级功能。本文通过深度学习讨论了对象识别领域的混合方法。这项工作的主要贡献是通过使用EfficityNet CNN深度学习模型与一些突出的主链体系结构呈现混合分类器方法，并与Yolo探测器结合使用Yolo检测器，用于对象识别e-Yolo。在某些指标上，该模型测试与某些现有的COCO Dataset上的现有模型用于常见的Benchmark。最后讨论了现有模型的性能和准确性与对这些指标的拟议模型的比较。因此，提出的模型的准确性优于现有模型。
有效的深度学习模型，用于隐私保护
摘要医学事物（IOMT）由于当前的AI进步，在医疗保健应用中变得越来越普遍，有助于改善我们的生活质量并确保可持续的卫生系统。具有切割边缘科学能力的IOMT系统能够检测，传输，学习和推理。结果，这些系统在包括脑肿瘤检测在内的一系列医疗保健应用中被证明非常有用。提出了一种基于深度学习的方法，用于鉴定脑肿瘤患者和正常患者的MRI图像。在这种方法中应用了基于形态学的分割方法，以在MRI图像中分离肿瘤区域。综合神经网络，例如LENET，MOBILENETV2，DENSENET和RESNET，是最有效的神经网络。建议的方法适用于从多家医院收集的数据集。使用多种指标评估所提出的方法的有效性，包括准确性，特异性，灵敏度，召回和f得分。根据绩效评估，LENET，MOBILENETV2，DENSENET，RESNET和EFIDENENET的准确性分别为98.7％，93.6％，92.8％，91.6％和91.9％。与现有方法相比，LENET的性能最佳，平均精度为98.7％。
图像分类的有效自适应结合
项目：项目 / cifar10＃i t取决于数据集种子：9999＃i t的变化，用于标准化的运行＃均值和标准偏差的变化取决于数据集的不同。 ：[0.24697121432552785，0.2433893940435022，0.2615925905215076]早期_Stopping_patience：10 num_epochs：10 num_epochs：100适应＃使用L r：5E -4＃优化参数EPS：1E − 16＃优化器参数验证_Metric：F1＃f1 -score i用作v a l i i d a t i o n t i o n t i o pretration：true＃foricednet -foricednet -fifficitynet -forificitynet the t i f1 _ r a t i o：0.8 v a l i d _ r a t i o：无＃自动获得t e s t e s t _ r a t i o：无＃自动获得Ensemble_module_list：＃在集合中包含l o c a l o c a l o c a l地址
分析机器学习的椰子数据集和...
Jhunjhunu，印度拉贾斯坦邦，摘要本文讨论了用于椰子植物监测的自动化疾病检测系统的发展，重点是多个机器学习技术的整合，实时检测能力，可伸缩性和适应性学习。深度学习模型，尤其是卷积神经网络（CNN），可以自主获得与疾病症状相关的图像特性。选择适当的体系结构，例如Resnet，VGG-16或EfficityNet，促进了数据中复杂模式的捕获。该研究研究了使用高分辨率图像与深度学习方法结合使用的高分辨率图像来识别和评估椰子树健康的可行性。Resnet-50模型在检测和健康分类任务中的表现优于VGG-16体系结构，表明大多数受影响的椰子树具有Ganoderma感染和钾不足。提出的方法显示了泰国椰子树管理的潜力，从而可以更有效地使用工人，而在现场花费的时间更少。为了最大程度地提高模型性能，未来的研究应旨在增加数据集的数量和多样性，包括各种视觉属性。为了更好地对健康问题进行分类，未来的研究可能会使用多光谱摄像头。通过将监督，无监督和半监督的学习方法结合起来，可以根据椰子植物监测和更广泛的应用来量身定制该系统。关键字：椰子叶，Resnet，VGG-16和CNN。
分析机器学习的椰子数据集和...
Jhunjhunu，印度拉贾斯坦邦，摘要本文讨论了用于椰子植物监测的自动化疾病检测系统的发展，重点是多个机器学习技术的整合，实时检测能力，可伸缩性和适应性学习。深度学习模型，尤其是卷积神经网络（CNN），可以自主获得与疾病症状相关的图像特性。选择适当的体系结构，例如Resnet，VGG-16或EfficityNet，促进了数据中复杂模式的捕获。该研究研究了使用高分辨率图像与深度学习方法结合使用的高分辨率图像来识别和评估椰子树健康的可行性。Resnet-50模型在检测和健康分类任务中的表现优于VGG-16体系结构，表明大多数受影响的椰子树具有Ganoderma感染和钾不足。提出的方法显示了泰国椰子树管理的潜力，从而可以更有效地使用工人，而在现场花费的时间更少。为了最大程度地提高模型性能，未来的研究应旨在增加数据集的数量和多样性，包括各种视觉属性。为了更好地对健康问题进行分类，未来的研究可能会使用多光谱摄像头。通过将监督，无监督和半监督的学习方法结合起来，可以根据椰子植物监测和更广泛的应用来量身定制该系统。关键字：椰子叶，Resnet，VGG-16和CNN。
要使用哪个骨干：特定于Aresource效率的域...
在当代计算机视觉应用中，尤其是图像分类中，在像Imagenet这样的大型数据集上预先训练的建筑背骨通常被用作特征提取器。尽管这些预训练的卷积神经网络（CNN）广泛使用，但在理解各种各样的功能和数据集大小的各种资源有效骨干的性能方面仍然存在差距。我们的研究系统地评估了多个数据集的一致训练设置，包括自然图像，医学图像，银河系图像和遥感图像，在一致的训练设置下进行了多次轻巧，预训练的CNN骨干。这种全面的分析旨在帮助机器学习从业人员为其特定问题选择最合适的骨干，尤其是在涉及细调预培训网络的小型数据集的情况下。尽管基于注意力的架构越来越受欢迎，但我们观察到，与CNN相比，它们在低数据微调任务下的性能往往较差。我们还观察到，与其他CNN架构（例如Convnext，Regnet和EfficityNet）相比，与其他各种领域相比，相比之下。我们的发现提供了可行的见解，以实现不同骨架的折衷权和有效性，从而促进了模型选择中明智的决策，以获得广泛的计算机视觉域。我们的代码可在此处提供：https：//github.com/pranavphoenix/backbones
3D 多模态脑肿瘤分割和分级...
1 美国国立卫生研究院国家癌症研究所癌症研究中心，10 号楼，马里兰州贝塞斯达，20892，美国。2 爱琴海大学计算机工程系，伊兹密尔博尔诺瓦，35100，土耳其。3 不列颠哥伦比亚大学医学院，317 - 2194 健康科学商城，温哥华，BC V6T 1Z3，加拿大。摘要 神经胶质瘤是最常见的脑肿瘤之一。早期检测和分级神经胶质瘤对于提高患者的生存率至关重要。计算机辅助检测 (CADe) 和计算机辅助诊断 (CADx) 系统是必不可少的重要工具，可提供更准确、更系统的结果，从而加快临床医生的决策过程。通过利用各种深度学习模型（例如 CNN）和迁移学习策略（例如微调），图像分类的性能结果提高了准确性，并且提高了有效性，尤其是对于具有相似性的新型大规模数据集。在本文中，我们介绍了一种新方法，该方法结合了机器、深度学习和迁移学习方法的变体，用于在多模态脑肿瘤分割 (BRATS) 2020 数据集上对脑肿瘤（即神经胶质瘤）进行有效的分割和分级。我们将流行且高效的 3D U-Net 架构应用于脑肿瘤分割阶段。我们还利用 23 种不同的深度特征集组合和基于 Xception、IncResNetv2 和 EfficientNet 的机器学习/微调深度学习 CNN 模型，在肿瘤分级阶段使用 4 种不同的特征集和 6 种学习模型。实验结果表明，该方法在 BraTS 2020 数据集上对基于切片的肿瘤分级的准确率为 99.5%。此外，我们的方法与最近的类似研究相比具有竞争力。关键词：神经胶质瘤；神经胶质瘤等级；分割；特征提取；深度学习、集成学习、MRI 分类
fo
深度学习模型已成为解决大多数图像分析问题的事实上的方法。组成这些模型的参数的质量取决于用于培训的标记数据的数量和质量。尽管地球物理域通常会生成大量数据，但标记数据仍然是任何机器学习应用程序管道中的瓶颈。这导致对数据合成的兴趣增加，以防止由于培训数据有限而导致无法转移到看不见的数据的过度模型。数据合成研究主要集中在摄影图像上，这些图像与非常常见的地球物理问题的软件生成图像不同。在这项研究中，我们旨在解决这一差距。我们提出了一种数据综合方法，该方法能够在维护图像特征的基本分布假设的同时扩展训练数据集。我们的框架使用四种增强技术执行数据综合：水平翻转，高斯模糊，清晰度和一种特殊的数据增强算法，称为TrivialAugmentMentment。这些技术利用种子数据集生成一组与种子集相似的知觉质量的新图像。每个数据集用于在图像分类任务上微调有效网络网络模型，以在声学和电阻率形成日志图像中进行断裂检测。使用Pohokura-1的公共基准数据集对图像分类任务进行了评估，该数据集是位于塔拉纳基盆地的Pohokura气场的一部分。声学和电阻率形成图像对数也可用于孔，并指示图像中存在断裂。我们的框架综合了该种子集中的其他数据，我们的结果表明，对于通过日志生成的地球物理图像，生成的trivialaugmentwide技术生成了数据集，从而导致模型性能的最大改善。该方法提出了一种新型的定性数据增强方法，以提高深度学习模型精度。由于对数产生的图像而非照片图像之间的感知区别，对各种方法的评估很重要，而这些图像与摄影图像相反，这是大多数数据合成研究的重点。此外，定性数据合成是一种强大的技术，用于减轻深度学习模型的过度拟合，这是地球物理领域中的永久问题，因此增强了模型的传递性，以使其可转移到看不见的数据。