XiaoMi-AI文件搜索系统
World File Search SystemMTCNN
使用人工智能面部识别自动开门
MTCNN（多任务级联神经网络）可检测图像/视频中的面部和面部特征点。该方法由他们的论文[8]在参考文献中提出。MTCNN 的整体概念可分为三个层次，其中，在三分之一层次中，面部检测和面部特征点同时完成。这些层次包括具有不同复杂度的不同 CNN。MTCNN 三个层次的更简单解释如下：在第一层，MTCNN 创建多个帧，从左上角开始扫描整个图像，最终向右下角前进。数据检索系统称为 P-Net（提议网络），这是一个浅层、完全相关的 CNN。在第二层，来自 P-Net 的所有数据都用作 CNN 的下一层 R-Net（细化网络）的输入，这是一个完全相关的复杂
用于运动意象分析的多层 CNN 模型
摘要 明尼苏达大学的研究人员率先提出了脑控无人机的概念，并由此引发了一系列研究。这些早期的努力为更先进的脑控无人机原型奠定了基础。然而，由于 BCI 信号具有非平稳性和高维性，因此本质上非常复杂。因此，仔细考虑特征提取和分类过程至关重要。本研究引入了一种新方法，将预训练的 CNN 与经典神经网络分类器和 STFT 频谱相结合，形成多层 CNN 模型 (MTCNN)。MTCNN 模型用于解码两类运动想象 (MI) 信号，从而实现对无人机上下运动的控制。本研究的实验阶段涉及四个关键实验。第一个实验使用大量数据集评估了 MTCNN 模型的性能，分类准确率高达 99.1%。第二个和第三个实验针对同一受试者在两个不同的数据集上评估了该模型，成功解决了与受试者间和受试者内差异相关的挑战。 MTCNN 模型在两个数据集上都实现了 99.7% 的出色分类准确率。在第四次实验中，该模型在另一个数据集上进行了验证，实现了 100% 和 99.6% 的分类准确率。值得注意的是，MTCNN 模型在两个 BCI 竞赛数据集上的准确率超过了现有文献。总之，MTCNN 模型展示了其解码与左手和右手运动相关的 MI 信号的潜力，为脑控无人机领域提供了有希望的应用，特别是在控制上下运动方面。此外，MTCNN 模型有可能通过促进该模型与基于 MI 的无人机控制系统的集成，为 BCI-MI 社区做出重大贡献。
基于改进的多任务级联的面部检测...
摘要 - 随着深度学习和计算机视觉的发展，面部检测已得以快速发展。面部检测有多个应用程序域，包括身份身份验证，安全保护，媒体和娱乐。尽管多任务级联的卷积神经网络（MTCNN）具有很高的精度和鲁棒性，但由于真实场景的复杂性和硬件设施的约束，该模型在真实场景中具有大参数和计算开销的缺点。因此，改进的网络模型的开发至关重要。本文通过减少参数和计算开销的数量并使用更好的模型参数来定位面部的关键点来改善MTCNN模型。该模型提高了面部年龄估计的准确性和鲁棒性。宽面和Celeba数据集用于培训。最终的面部检测精度达到98.7％，同时将模型参数的数量减少到相同条件下的70％。该模型满足现代社会对面部检测的应用需求，并证明了改进的网络模型的效率和准确性。
从面部行为到深度学习的抑郁症检测
摘要 - 本研究研究了相关文献，以提出基于机器学习（ML）的模型，该模型可以帮助诊断抑郁症。可以通过自我报告问卷诊断抑郁症，但是有必要检查情绪并确认主观和客观描述的一致性。全世界数百万人患有抑郁症。两个患有相同疾病的人之间的心理健康状况有所不同。通过视频记录的临床会议分析抑郁程度。在全球范围内，有3.5亿人患有抑郁症。抑郁症患者很难专注于他们的软件工作领域。基于摄像机诊断抑郁症的帮助可以迅速导致其识别并提供干预措施的数据。通过级联卷积网络（MTCNN）的多任务，一种深入的学习方法，可以通过检查眼睛和嘴唇的位置变化，并猜测将基于将反复参与抑郁症诊断的参与者的累积照片来设计抑郁症的模型，以帮助诊断抑郁症的诊断。