摘要:由于现代人工智能 (AI) 技术(尤其是深度神经学习)的大量工作,智能交通系统(尤其是自动驾驶汽车)引起了研究人员的极大兴趣。由于过去几十年来道路交通事故的增加,重要行业正在转向设计和开发自动驾驶汽车。了解周围环境对于了解附近车辆的行为至关重要,以确保自动驾驶汽车在拥挤的交通环境中安全行驶。目前有多个数据集可用于仅关注结构化驾驶环境的自动驾驶汽车。为了开发一种在本质上非结构化的真实交通环境中行驶的智能汽车,应该有一个专注于非结构化交通环境的自动驾驶汽车数据集。印度驾驶精简版数据集 (IDD-Lite) 专注于非结构化驾驶环境,于 2019 年 NCPPRIPG 作为一项线上竞赛发布。本研究提出了一种可解释的基于初始的 U-Net 模型,并结合 Grad-CAM 可视化进行语义分割,该模型结合基于初始的模块作为编码器以自动提取特征,并传递给解码器以重建分割特征图。深度神经网络的黑箱性质无法在消费者中建立信任。Grad-CAM 用于解释基于深度学习的初始 U-Net 模型,以增加消费者信任。提出的带有 Grad-CAM 模型的初始 U-Net 在印度驾驶数据集 (IDD-Lite) 上实现了 0.622 的交并比 (IoU),优于最先进的 (SOTA) 基于深度神经网络的分割模型。
摘要 —nnUNet 是一个完全自动化且可通用的框架,它可以自动配置应用于分割任务的完整训练管道,同时考虑数据集属性和硬件约束。它利用了一种基本的 UNet 类型架构,该架构在拓扑方面是自配置的。在这项工作中,我们建议通过集成更高级的 UNet 变体(例如残差、密集和初始块)的机制来扩展 nnUNet,从而产生三种新的 nnUNet 变体,即残差-nnUNet、密集-nnUNet 和初始-nnUNet。我们已经在由 20 个目标解剖结构组成的八个数据集上评估了分割性能。我们的结果表明,改变网络架构可能会提高性能,但提高的程度和最佳选择的 nnUNet 变体取决于数据集。索引词 —nnUnet、生物医学图像分割、残差网络、密集网络、初始网络。
对于一系列医学分析应用,脑肿瘤定位和从磁共振成像 (MRI) 中分割脑肿瘤是一项具有挑战性但至关重要的工作。许多最近的研究包括四种模式:即 T1、T1c、T2 和 FLAIR,这是因为每个肿瘤致病区域都可以通过每种脑成像模式进行详细检查。尽管 BRATS 2018 数据集给出了令人印象深刻的分割结果,但结果仍然更复杂,需要更多的测试和更多的训练。这就是为什么本文建议在整幅图像之外的一小部分图像上操作预处理策略,因为这样才能创建一个有效且灵活的脑肿瘤分割系统。在第一阶段,使用不同的分类器(如决策树、SVM、KNN 等)开发集成分类模型,使用小部分的策略将图像分类为肿瘤和非肿瘤类,可以完全解决过度拟合问题并减少使用 inceptionv3 CNN 特征的 YOLO 对象检测器模型中的处理时间。第二阶段是推荐一种高效且基本的级联 CNN (C-ConvNet/C-CNN),因为我们处理每个切片中脑图像的一小部分。级联卷积神经网络模型以两种独立的方式提取可学习的特征。在 BRATS 2018、BRATS 2019 和 BRATS 2020 数据集上,对所提出的肿瘤定位框架进行了广泛的实验任务。三个数据集的 IoU 得分分别为 97%、98% 和 100%。本文详细讨论并介绍了其他定性评估和定量评估。
摘要 近年来,神经网络,尤其是深度架构在脑机接口 (BCI) 领域的脑电信号分析中受到了广泛关注。在这个正在进行的研究领域,端到端模型比需要信号转换预分类的传统方法更受青睐。它们可以消除对专家的先验信息和手工特征提取的需求。然而,尽管文献中已经提出了几种深度学习算法,在对运动或心理任务进行分类方面取得了很高的准确率,但它们往往缺乏可解释性,因此不太受神经科学界的青睐。其背后的原因可能是参数数量众多,以及深度神经网络对捕捉微小但不相关的判别特征的敏感性。我们提出了一种称为 EEG-ITNet 的端到端深度学习架构,以及一种更易于理解的方法来可视化网络学习的模式。使用初始模块和带扩张的因果卷积,我们的模型可以从多通道脑电信号中提取丰富的光谱、空间和时间信息,并且复杂度(就可训练参数的数量而言)低于其他现有的端到端架构(例如 EEG-Inception 和 EEG-TCNet)。通过对 BCI 竞赛 IV 中的数据集 2a 和 OpenBMI 运动想象数据集进行详尽评估,EEG-ITNet 在不同场景中的分类准确率比其竞争对手高出 5.9%,具有统计学意义。我们还从神经科学的角度全面解释和支持网络图示的有效性。我们还在 https://github.com/AbbasSalami/EEG-ITNet 上免费提供我们的代码。
2.1.1桌面研究和审查现有技术信息该项目的开发必须基于合理的证据以及对战略和特定地点的数据和信息的理解。将从以前的事业中学习很多东西,包括沿海侵蚀脆弱性评估报告中包含的数据和信息(SWI,2004年)。作为一项初始任务,SWI将通过查看本报告的信息以及从其他来源收集的所有相关信息,包括图表,地图,航空摄影,客户报告,以前的数据获取以及环境和海洋报告,从而开始服务。数据审核将随后进行数据差距分析,从而提出了包括现场测量在内的其他数据采集的建议。这些基于办公桌的研究对于确保对过去和现在的行为以及对各自海岸线的未来计划的重要信息至关重要。
摘要 — 磁共振成像 (MRI) 常用于脑肿瘤诊断、治疗计划和治疗后监测。最近,已经提出了各种基于深度神经网络的模型来对脑 MRI 中的肿瘤进行像素级分割。然而,MRI 中的结构变化、空间差异和强度不均匀性使分割成为一项具有挑战性的任务。我们提出了一种基于 U-Net 的新型端到端脑肿瘤分割架构,该架构将 Inception 模块和扩张卷积集成到其收缩和扩展路径中。这使我们能够提取局部结构和全局上下文信息。我们使用脑肿瘤分割 (BraTS) 2018 数据集对胶质瘤亚区域(包括肿瘤核心、增强肿瘤和整个肿瘤)进行了分割。在肿瘤核心和整个肿瘤分割方面,我们提出的模型的表现明显优于最先进的基于 U-Net 的模型(p < 0.05)。
•概述在太平洋方面关于指标工作的情况•向每个国家简要了解其挑战和工作计划以解决他们的指标工作•制定一项计划,以一种方式,以一种方式,以分享挑战,思想和进步的方式,以挑战一个国家要求在一个国家要求参与国家的团队成员中共同的活动,从而采用国家 /地区的参与国家,该团队成员来自国家 /地区的国家,该团队会采用该国民赛道。团队设想由国家统计局,规划办公室和部/部门的员工组成,负责监督其国家/地区实施可持续发展目标。开发合作伙伴所有希望通过制定国家指标支持国家的发展合作伙伴,并将邀请对太平洋地区指标框架进行微调参加讨论。
• 莫一林,清华大学教员 • Sean Weerakkody,约翰霍普金斯大学应用物理实验室 • 刘晓飞,领英 • Nicola Forti,意大利拉斯佩齐亚北约海洋研究与实验中心 (CMRE) • Walter Lucia,蒙特利尔康考迪亚大学教员 • Omur Ozel,乔治华盛顿大学教员 • Raffaele Romagnoli,卡内基梅隆大学博士后 • Paul Griffioen,卡内基梅隆大学博士生 • Carmel Fiscko,卡内基梅隆大学博士生 • Rohan Chabukshwar,爱尔兰 UTRC • Mehdi Hosseinzadeh,华盛顿大学圣路易斯分校博士后 • Bahram Yaghooti,华盛顿大学圣路易斯分校博士生 • Jonathan Gornet,华盛顿大学圣路易斯分校博士生
摘要:最近,脑肿瘤(BT)已成为影响几乎所有年龄段人群的常见现象。使用计算机断层扫描对这种致命疾病的识别,磁共振成像如今非常流行。开发用于诊断和分类BT的计算机辅助设计(CAD)工具已变得至关重要。本文着重于使用深度学习(DL)模型设计用于诊断和分类的工具,该工具涉及通过获取(CT)图像,预处理,细分和分类的一系列步骤,以使用基于DL的Inception网络模型使用SIFT识别肿瘤的类型。所提出的模型使用模糊C表示算法从获取的BT图像中分割感兴趣的区域。诸如高斯幼稚的贝叶斯(GNB)和逻辑回归(LR)等技术用于分类过程。为了确定其效率的所有技术,都使用了基准数据集。模拟结果确保了提出的方法的性能,最大敏感性为100%,特异性为97.41%,精度为97.96%。关键字:脑肿瘤,深度学习,特征提取,模糊C的平均值,Inception v3,Sift,高斯幼稚的贝叶斯,逻辑回归。____________________________________________________________________________
适应基金是根据《联合国气候变化框架公约》及其《京都议定书》缔约方的决定而设立的,旨在资助特别容易受到气候变化不利影响的发展中国家的具体适应项目和方案。在 2018 年 12 月的卡托维兹气候大会上,《巴黎协定》缔约方决定,适应基金也应服务于《巴黎协定》。该基金支持国家主导的项目和方案、创新和全球学习,以实现有效适应。该基金的所有活动都旨在建设国家和地方的适应能力,同时接触和吸引最脆弱的群体,并纳入性别考虑,以提供平等的机会获得和受益于基金的资源。它们还旨在加强与其他气候融资来源的协同作用,同时创建可复制或扩大的模式。www.adaptation-fund.org