XiaoMi-AI文件搜索系统
World File Search SystemMobilenetv2
mobilenetv2：大象检测的转移学习
（1）输入图像：模型的输入是大小为32×32×3的图像，其中32×32表示空间分辨率，3表示RGB通道（2）初始卷积层：卷积层应用于提取初始低级特征，例如提取初始低级特征，例如Edges和Tex-ters和Tex-ters。该层之后的输出的大小为16×16×32，其中32是过滤器生成的特征地图数量（3）瓶颈残留块：该体系结构的主要构件是瓶颈残留块。这些块对于特征提取很有效，并形成网络（4）过渡层的骨干：在最终的瓶颈块之后，速溶层进一步调整了特征的维度。输出大小减小到1×1×1290，代表高度连接的空间信息（5）完全连接的层：最后阶段是一个完全连接的层，可将功能映射到输出类概率中。输出大小为1×1×3，对应于带有3个输出类的分类任务
利用轻量级预训练模型进行脑肿瘤检测
摘要。本研究分析了两种用于脑肿瘤检测的深度学习模型：轻量级预训练的 MobileNetV2 和将轻量级 MobileNetV2 与 VGG16 相结合的新型混合模型。目的是研究这些模型在准确性和训练时间方面的性能和效率。新的混合模型整合了两种架构的优势，利用了 MobileNetV2 的深度可分离卷积和 VGG16 的更深层特征提取功能。通过使用公开的基准脑肿瘤数据集进行实验和评估，结果表明，与独立的 MobileNetV2 模型相比，混合模型的训练准确率和测试准确率分别达到 99% 和 98%，即使在较低的 epoch 中也是如此。这种新型融合模型为增强脑肿瘤检测系统提供了一种有前途的方法，在减少训练时间和计算资源的情况下提高了准确性。
使用卷积神经网络（CNN）和转移学习技术的原始研究论文遥感图像分类
摘要：本研究研究了描绘变速箱，森林，农田和山脉的航空图像的分类。要完成分类工作，使用卷积神经网络（CNN）体系结构从输入照片中提取功能。然后，使用SoftMax对图像进行分类。要测试模型，我们使用90批量的ADAM优化器和0.001的学习率将其运行了十个时期。培训和评估都是使用数据集进行的，该数据集将Google卫星图像与MLRNET数据集融合在一起的图片。综合数据集包含10,400张图像。我们的研究表明，转移学习模型和MobilenetV2，对于景观分类非常有效。这些模型是实际使用的好选择，因为它们在精度和效率之间很好地结合在一起。我们的方法在内置的CNN模型上以87％的总体准确度获得了结果。此外，我们通过利用验证的VGG16和MobilenEtV2模型作为传输学习的起点，达到更高的精度。具体来说，VGG16的精度为90％，测试损失为0.298，而MobileNetV2的精度优于两个模型，其精度为96％，测试损失为0.119；结果表明，使用Mobilenetv2进行转移学习的有效性来对传输塔，森林，农田和山脉进行分类。关键字：航空图像，图像分类，卷积神经网络（CNN），转移学习
从磁共振成像中检测脑肿瘤...
简介：这项工作的目的是使用计算智能技术对磁共振成像（MRI）图像进行检测和分类。材料和方法：3264个MRI脑图像的数据集包含4类：未指定的神经胶质瘤，脑膜瘤，垂体和健康的大脑，在本研究中使用。Twelve convolutional neural networks (GoogleNet, MobileNetV2, Xception, DesNet-BC, ResNet 50, SqueezeNet, ShuffleNet, VGG-16, AlexNet, Enet, EfficientB0, and MobileNetV2 with meta pseudo-labels) were used to clas- sify gliomas, meningiomas, pituitary tumours, and healthy brains找到最合适的模型。典范包括图像预处理和超参数调整。根据每种类型的脑肿瘤的准确性，精度，召回和F量表来评估每个神经网络的性能。结果：实验结果表明，MobilenetV2循环神经网络（CNN）模型能够以99％的精度，98％的召回率和99％的F1得分来诊断脑肿瘤。另一方面，验证数据分析表明，CNN模型Googlenet在CNN中的精度最高（97％），并且似乎是脑肿瘤分类的最佳选择。结论：这项工作的结果强调了人工智能和机器学习对脑肿瘤预测的重要性。此外，这项研究达到了迄今为止脑肿瘤分类中最高的确定性，这也是唯一一项同时比较许多神经网络的性能的研究。
引用这项研究：Jain，R.，Bekele，S.K.，Palaniappan，D.，Parmar，K。，Premavathi，T。，（2025年）。采用深层卷积神经网络来增强
在人工智能中的图像处理和技术方面的进步使计算机可以看到和学习。本文介绍了一项技术，该技术已利用Mobilenetv2深卷积神经网络体系结构来自动识别和诊断图像中的植物疾病。植物疾病的识别和分类现在仅由人类专家 - 杂种延伸代理人和农民，昂贵的劳动力，容易犯错。这项研究依靠数据集收集作为分类和识别植物疾病的技术。这是一个多步骤过程，涉及有关原始集合的预处理数据，叶片的面罩绿色区域，删除绿色部分，转换为灰度，然后获得一些特征，选择并在疾病管理方面进行分类。考虑了两种不同类型的植物，即玉米和马铃薯，以显示拟议模型结果的有效性。混淆矩阵和分类性能报告用于评估系统。土豆和玉米的数据集分别包括6228和6878张叶子的图像。精确，召回和F1得分分别记录为95.15％，94.76％和94.93％，分别记录为马铃薯和玉米数据集的累积性能。这转化为在为这些农作物挑选大多数疾病的抵抗力，使其成为可以在农业疾病检测中信心使用的资源。Mobilenetv2模型在两种农作物中都表现良好，尤其是对于马铃薯早期的疫病和玉米共同生锈。在识别健康的马铃薯叶子方面的性能较低表明，健康和患病的叶子的特征空间可能会重叠。Mobilenetv2模型通常在检测大多数影响马铃薯叶和玉米叶子的疾病时具有强大的能力，但是需要将某些特定区域作为目标以进一步增强。
使用深度学习模型对脑肿瘤进行分类
本研究旨在对现有（最先进的）深度学习模型进行比较分析，以利用 MRI（磁共振成像）图像识别脑肿瘤疾病的早期检测。为此，在 Matlab 平台上编码了 GoogleNet、Mobilenetv2、InceptionV3 和 Efficientnet-b0 深度学习模型，并用于检测和分类脑肿瘤疾病。对常见的胶质瘤、脑膜瘤和垂体脑瘤进行了分类。数据集包括四个不同类别的 7022 张脑 MRI 图像，这些图像在 Kaggle 平台上公开共享。对数据集进行了预处理，对模型进行了微调，并使用了适当的参数值。在评估我们比较的深度学习模型的统计分析结果时，按成功率排序，获得了 Efficientnet-b0（%99.54）、InceptionV3（%99.47）、Mobilenetv2（%98.93）和 GoogleNet（%98.25）的结果。研究结果有望为相关领域的医生和研究人员的决策提供建议，特别是在疾病的早期诊断、缩短诊断时间和减少人为错误方面具有一定优势。
基于深度学习的分类，使用 MRI 图像检测阿尔茨海默病
阿尔茨海默病是一种常见的痴呆症，可导致认知功能和日常生活活动出现严重问题。尽管目前还没有阿尔茨海默病的明确治疗方法，但早期诊断对于减缓可能出现的不利状况和改善生活质量非常重要。由于人工智能技术的发展及其在不同领域的持续应用，机器学习技术有可能在阿尔茨海默病的检测中发挥重要作用。特别是基于深度学习的方法，它们能够自动从复杂模式中提取模式，在这一领域很有前景。最近的研究表明，使用深度学习模型对图像进行阿尔茨海默病检测正变得越来越普遍。除了有助于疾病的早期诊断外，这些模型还显示出通过分析磁共振图像中的症状来检测疾病的不同阶段的潜力。这些发展使得为患者开发更有效的治疗方法成为可能。然而，还需要更多的研究来评估这些技术在临床应用中的有效性和安全性。本研究使用 MobileNetV2、InceptionV3、Xception、Vgg16 和 Vgg19 模型对公开共享的阿尔茨海默病数据集进行了疾病诊断分类研究，该数据集包含 6400 个不同的样本和 4 个不同的类别。MobileNetV2 模型的准确率计算为 99.92%。将本研究中使用的模型的性能与文献中的类似研究进行了比较，并根据不同的指标报告了它们的性能。在使用的五种不同模型中，MobileNetV2 的准确率最高，为 99.92%。结论是，实验研究中使用的架构通常比文献中的类似研究产生更好的结果。
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％。
3D打印香蕉纤维增强PLA生物复合材料的机械表征图像分类的CNN体系结构
收到：2024年6月21日修订：2024年8月3日接受：2024年8月26日发布：2024年9月30日摘要 - 去年在几个领域中使用了图像处理技术，包括教育，研究，铁路和其他部门。CNN（卷积神经网络）通常被视为图片分类的最有效方法。这项研究包括使用CNN体系结构：Restnet50V2，Restnet152v2，Xception，IntectionV3和MobilenetV2的五种著名的图像处理算法。我们评估了Dehradun DataSet北阿兰奇大学的分类，该数据集有20个不同的部门照片进行分类。在一定的迭代之后，我们的主要目标是使用可用的硬件实现最佳的模型精度。为了评估绩效，我们使用了其他措施，例如准确性，召回和F1得分。调查证明了所有五种算法的特殊精度：Restnet50V2（98.88），Restnet152v2（99.10），Xpection（99.17），InceptionV3（99.2）（99.2）和MobiLENETV2（93.71）。由于其卓越的准确性，选择了X Ception方法进行数据培训，测试和验证。硬件资源，内存能力和数据多样性。这项研究阐明了CNN模型的性能，并帮助公司和大学选择更好的照片分类算法。这项研究还提高了机器学习和深度学习算法，以及它们在现实情况下的实际应用。
具有多个跳跃连接的注意力 3D U-Net 用于脑肿瘤图像分割
摘要：在使用传统和新型机器学习和深度学习技术的研究人员中，二维医学图像分割模型很受欢迎。此外，由于近年来对三维体积创建进行了大量研究，三维体积数据最近变得更加容易获取。利用这些三维数据，研究人员已经开始研究创建三维分割模型，如脑肿瘤分割和分类。由于使用三维数据可以比二维数据提取出更多关键特征，三维脑肿瘤检测模型在研究人员中越来越受欢迎。到目前为止，各种重要的研究工作都集中在 3D 版本的 U-Net 和其他流行模型上，如 3D U-Net 和 V-Net，同时也做了一些出色的研究工作。在本研究中，我们使用了三维脑图像数据，并基于 3D U-Net 模型创建了一个新架构，该模型使用多个跳过连接和具有成本效益的预训练 3D MobileNetV2 块和注意模块。这些预训练的 MobileNetV2 模块通过提供较小的参数来辅助我们的架构，以在我们的计算能力方面保持可操作的模型大小，并帮助模型更快地收敛。我们在编码器和解码器模块之间添加了额外的跳跃连接，以简化两个模块之间提取特征的交换，从而最大限度地利用特征。我们还使用注意模块来过滤掉通过跳跃连接传入的不相关特征，从而在提高准确性的同时保留了更多的计算能力。