XiaoMi-AI文件搜索系统
World File Search SystemKrizhevsky
基于图像的可解释人工智能准确识别1
13 Krizhevsky A，Sutskever I，Hinton GE。具有深卷积280神经网络的Imagenet分类。在：第281届神经281信息处理系统国际会议论文集 - 第1卷。Curran Associates Inc。：Red Hook，NY，282 USA，2012年，第1097–1105页。283
深度学习与人工智能简史
• 2009 年：GPU • 2010 年：语音识别取得突破（Dahl 等人，2010 年） • 2012 年：ImageNet 取得突破（Krizhevsky 等人，2012 年） • 2015 年：图像和语音识别取得“超人”成绩 • 2016 年：AlphaGo 在围棋比赛中取得“超人”成绩 • 2022 年：ChatGPT 在不同领域取得“人类水平”的成绩 • 2023 年：具有多模态性的 GPT-4 Turbo 和 Gemini
深度学习小册子 - François Fleuret
当前人工智能进步时期的开启是因为 Krizhevsky 等人 [ 2012 ] 展示了一种结构简单的人工神经网络（该网络已为人所知二十多年 [ LeCun 等人，1989 ]），可以大幅击败最先进的复杂图像识别方法，而这只需将其规模扩大一百倍，并在同样扩大的数据集上进行训练即可。
使用深卷积神经网络通过MRI图像进行脑肿瘤分类的研究
神经胶质瘤是原发性脑肿瘤的最常见类型。这种类型的肿瘤起源于神经胶质细胞，它们是神经元支持细胞的功能，其功能是有助于确定突触接触并维持神经元的信号传导能力（Mayo Clinic，n.d。; Peretti，2013a）。根据（Krizhevsky等，2012a; Larjavaara等，2007）每年有50％以上的人患有神经胶质瘤，这是一种脑癌。 基于细胞的类型，即星形胶质细胞瘤，室心膜瘤，少突胶质瘤和未指定的神经胶质瘤，胶质瘤分为4种类型。 每种类型的肿瘤的特征因肿瘤恶性肿瘤的位置和水平而异。 用于检测神经胶质瘤的方法之一是放射学检查。 该放射学检查是由放射科医生通过手动MRI医学成像进行的。 手动检查仍需要很长时间，尽管使用了训练有素的医务人员。 大脑结构，大小和肿瘤形状改变了神经胶质瘤分类的难度水平，因此需要方法可以简化根据（Krizhevsky等，2012a; Larjavaara等，2007）每年有50％以上的人患有神经胶质瘤，这是一种脑癌。基于细胞的类型，即星形胶质细胞瘤，室心膜瘤，少突胶质瘤和未指定的神经胶质瘤，胶质瘤分为4种类型。每种类型的肿瘤的特征因肿瘤恶性肿瘤的位置和水平而异。用于检测神经胶质瘤的方法之一是放射学检查。该放射学检查是由放射科医生通过手动MRI医学成像进行的。手动检查仍需要很长时间，尽管使用了训练有素的医务人员。大脑结构，大小和肿瘤形状改变了神经胶质瘤分类的难度水平，因此需要方法可以简化
使用卷积进行泌尿科图像的深度学习...
机器学习 (ML) 算法已应用于医学成像，其在医学领域的使用日益增多。尤其是深度学习 (DL)，已证明在图像评估和处理方面更为有效。深度学习算法可能有助于并简化其在泌尿科成像中的使用。本文介绍了如何创建用于泌尿科图像分析的卷积神经网络 (CNN) 算法。深度学习是 ML 的一个分支，包括多层神经网络。卷积神经网络已广泛应用于图像分类和数据处理。1 它首先由 Krizhevsky 等人应用于图像分类。2 他们在 2012 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中凭借名为 AlexNet 的深度 CNN 赢得了比赛，该比赛由 120 万张日常彩色图像组成。3 在另一个 CNN 模型中，Lakhani 等人 4 证明他们
机器学习的专家信息，以用户为中心的解释
解释AI的决定已成为一个重要的研究主题。使用深度学习（Krizhevsky等，2012; Lecun等，2015）在图像分类方面取得了很大进展，对解释图像分类的结果产生了重大兴趣。尽管有许多可解释的AI（XAI）的信息，但本文首先着重于学习对图像进行分类。然后，我们讨论可解释AI的更广泛的信息。最近的会议包括有关可解释AI的教程和讲习班。XAI有几项好的调查（Chakraborty等人。，2017＆došilović等，2018）。这不是其中之一。取而代之的是，在与放射学和眼科专家解决问题以及鸟类识别方面的问题之后，我们得出的结论是，现有的技术留出了很大的改进空间。该领域需要其他方案和方法，包括澄清XAI的目标，尤其是在用户，专家和图像分类方面。尽管Xai的一些最初目标是“向人类用户解释他们的决策和行动”（Gunning＆Aha，2018），但最新的最新目前是以开发人员为中心的，而不是以用户为中心。解释图像分类的主要方法是将重要性得分分配给图像上的显着图或区域上的像素或区域，以形象化区域的重要性（红色，橙色，黄色…）。为创建热图开发的方法包括遮挡灵敏度（Zeiler＆
自然图像的高斯二进制限制玻尔兹曼机器的分析
在本文中，我们从密度估计的角度以及对自然图像统计的特定角度进行了对高斯二元限制的玻尔兹曼机器（GB-RBM）的分析。我们发现，GB-RBMS中可见单元的边际概率分布可以写为高斯人的线性叠加，该叠加位于投影平行的thelelotope的顶点，即在高尺寸中平行的。此外，我们的分析表明，GB-RBMS中可见单元的方差在建模输入分布中起着重要作用。GB-RBM。[1]。在实践中，Lee等人。提议对GB-RBMS施加稀疏的惩罚项[2]。但是，Krizhevsky成功地使用GB-RBMS仅从微小的信息中提取特征[3]。Le Roux等。 定量评估该模型为生成模型[4]，并从IMEGE重建的视图中证明了模型的缺陷。 Cho等。 通过一些补救措施解决了培训程序的缺陷[5]。 Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Le Roux等。定量评估该模型为生成模型[4]，并从IMEGE重建的视图中证明了模型的缺陷。Cho等。 通过一些补救措施解决了培训程序的缺陷[5]。 Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Cho等。通过一些补救措施解决了培训程序的缺陷[5]。Theis等。 进一步说明了基于Loglikelihoody的估计[6]。 我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。Theis等。进一步说明了基于Loglikelihoody的估计[6]。我们的分析和结果表明，具有简单对比性差异算法的GB-RBM也能够学习独立的组件，即使学习分布不是数据的良好表示。
以专家为依据、以用户为中心的机器学习解释
解释人工智能的决策已成为一个重要的研究课题。使用深度学习进行图像分类取得了长足的进步（Krizhevsky 等人，2012 年；LeCun 等人，2015 年），引起了人们对解释图像分类结果的浓厚兴趣。尽管可解释人工智能 (XAI) 有许多应用，但本文首先关注学习对图像进行分类。然后，我们讨论可解释人工智能的更广泛含义。最近的会议包括有关可解释人工智能的教程和研讨会。有几项关于 XAI 的很好的调查（Chakraborty 等人，2017 年和 Došilović 等人，2018 年）。这不是其中之一。相反，在与放射学和眼科学专家以及鸟类识别专家一起研究问题之后，我们得出结论，现有技术仍有很大改进空间。该领域需要更多的方向和方法，包括明确 XAI 的目标，特别是在用户、专家和图像分类方面。尽管 XAI 的一些最初目标是“向人类用户解释他们的决定和行动”（Gunning & Aha，2018），但目前最先进的技术是以开发人员为中心，而不是以用户为中心。解释图像分类的主要方法是为图像上叠加的显着图或热图上的像素或区域分配重要性分数，用颜色尺度（红色、橙色、黄色……）可视化区域的重要性。为创建热图而开发的方法包括遮挡灵敏度（Zeiler &
肺结节的机器学习评估
AI 被定义为计算机科学的一门学科，其重点是创造能够感知世界并表现得像人类的机器 (13)。最初的 AI 算法用于简单的数据分析，由程序员硬编码，无法识别未专门编程的模式 (14)。ML 是 AI 的一个子领域，其中算法可以识别和学习复杂数据集中的模式以产生智力预测，而不是通过显式编程 (14,15)。然而，大多数传统的 ML 算法仍然需要人工输入，并且此类算法能够评估的模式仍然相当简单。DL 可以被概念化为 ML 的一类，其中算法基于人工神经网络组织成许多处理层，类似于人脑。医学成像最常用的 DL 模型是卷积神经网络 (CNN) (16)（图 1），最初由 Fukushima 于 1980 年描述 (17)。LeCun 等人于 1989 年首次描述了使用反向传播训练 CNN 进行图像识别 (18)。2012 年，Krizhevsky 等人首次使用图形处理单元 (GPU) 训练 CNN 对物体进行分类，并因此赢得了 ImageNet 大规模视觉识别挑战赛 (19)。CNN 不需要人工干预即可进行复杂的数据分析 (20)。CNN 模仿人类大脑，神经元组织成多层 (21)
终生并通过细胞改善欧洲医疗保健 -
深度学习（DL）通过启用由多个处理层组成的计算模型来学习数据的抽象表示，从而彻底改变了人工智能的领域（Hinton等，2006； Bengio等，2006）。传统的机器学习方法数十年来一直限制，因为需要专家知识来设计复杂的特征提取算法，这在将原始数据转换为合适的分类形式的过程中。相比之下，深层倾斜的方法作为表示学习技术，使学习模型能够直接用原始数据馈送，以发现分类所需的表示形式（Krizhevsky等，2017； Lecun等，2015）。Currently, an intensive research effort is being devoted to the development of novel neuroimaging techniques to better understand the mechanisms of the central nervous system (CNS) and to early recognize age-related neural diseases ( Payan and Montana, 2015; Sarraf and Tofighi, 2016; Martinez-Murcia et al., 2020; Martinez-Murcia et al., 2018, 2016 ) Ortiz等。。大量多中心研究提供的大量数据调查了与年龄相关的神经疾病的新生物标志物，这为开发更准确的深度学习模型提供了一个机会，以早期认识神经退行性变化以及神经疾病的渐进过程（Cole and Franke，2017; Marzban et et and e an e an Al an Al a al niz and an an an an e an e e e an and and and and and and and and and an e e e e e e e e e e e e e e e e eT an and and and and and and and and and and and and and and and and。等，2018）。