XiaoMi-AI文件搜索系统
World File Search SystemRCNN
Yolov3：实时对象检测
“使用卷积神经网络的对象检测”在Tencon 2018-2018 IEEE地区10会议上发表。本文包括使用两个带有MobilenetV1的SSD的模型检测，而另一个使用InceptionV2的较快RCNN。我们从两种模型中都知道，与MobilenEtv1相比，与SSD相比，RCNN更快，更准确。“基于深度学习的对象检测框架”在2020年IEEE研讨会系列（SSCI）中发表。在本文中，提出了基于Yolov3-Resnet检测模块的提名模型，该模型基于深度学习图像中的图像深度学习库中的深度学习图书馆提出了[2]。“使用YOLO.V3的自定义面部识别”论文发表于2021年第三届国际信号处理与通信会议（ICPSC）。在本文中，速度被视为面部识别的约束因子，并使用Yolo.V3算法实施了速度，该算法是一种单个SHOT算法，与其他算法相比，该算法具有很高的处理速度。在本文中，实施了使用R-CNN和YOLO.V3算法的面部识别[3]。“一种基于Yolov3的轻量化对象检测算法，用于车辆和行人检测”，在2021年IEEE亚太亚太地区进行了图像处理，电子设备和计算机（EPECEC）的（IPEC）的提议。频道和图层修剪在轻质Yolov3中用于简化网络体系结构[4]。
使用ECG信号进行血糖监测的非侵入性方法
摘要简介：使用连续的葡萄糖监测仪（CGM），紧密的葡萄糖监测对于糖尿病患者至关重要。现有的CGM从间质液中测量血糖浓度（BGC）。这些技术非常昂贵，其中大多数都是侵入性的。先前的研究表明，低血糖和高血糖发作会影响心脏的电生理学。但是，他们没有确定BGC和ECG参数之间的队列关系。材料和方法：在这项工作中，我们提出了一种使用表面ECG信号确定BGC的新方法。复发性卷积神经网络（RCNN）用于分段ECG信号。然后，使用两个数学方程式使用提取的特征来确定BGC。使用表面ECG信号而不是心脏内信号，已从D1NAMO数据集对04例患者进行了对04例患者的测试。结果：我们能够使用RCNN算法以94％的精度分割ECG信号。根据结果，所提出的方法能够以平均绝对误差（MAE）为0.0539估计BGC，平均平方误差（MSE）为0.1604。此外，本文已经确认了BGC和ECG特征之间的线性关系。结论：在本文中，我们提出了ECG特征来确定BGC的潜在用途。此外，我们确认了BGC和ECG特征之间的线性关系。这一事实将为进一步研究（即生理模型）打开新的观点。此外，发现指出，通过机器学习，可以将ECG可穿戴设备用于非侵入性连续血糖监测。
基于脑电图的脑机接口系统控制假肢手指运动
研究 脑信号 手指数量 信号处理链 准确度（％） [11] EEG 4 CWD＆2LCF 43.5 [12] EEG 5 RF＆LDA＆SVM＆KNN 54 [13] EEG 5 LSTM＆CNN＆RCNN 77 [14] EEG 5 PCA＆PSD＆SVM 77 [15] MEG 5 SVM 83 [16] MEG 5 BPF＆频谱图＆SVM 57 [17] ECOG 5 CNN＆RNN＆LSTM 49 [18] ECoG 4 BPF＆Morlet小波字典＆STMC 85 [19] ECoG 5 CSP＆SVM 86.30 [20] fNIRS 2 SVM 62.05 [21] EMG 1小波＆自回归＆SVM 76
使用卷积神经网络进行人工智能朝圣者检测
朝圣是世界上最重要的伊斯兰宗教集会，数百万朝圣者前往麦加和麦地那圣地举行仪式。朝圣者的安全是当局的首要任务。在麦加，圣地周围分布着 5000 个摄像头来监控朝圣者，但考虑到每秒收集的图像数量巨大，人类几乎不可能跟踪所有事件。为了解决这个问题，我们建议使用基于深度学习和卷积神经网络的人工智能技术来检测和识别朝圣者及其特征。为此，我们建立了一个全面的数据集来检测朝圣者及其性别。然后，我们开发了两个基于 YOLOv3 和 Faster-RCNN 的卷积神经网络来检测朝圣者。实验结果表明，带有 Inception v2 特征提取器的 Faster RCNN 在所有类别中提供了 51% 的最佳平均精度。
燃气轮机控制的神经增强学习方法
摘要 - 在本文中，我们提出了一种新的基于神经网络的方法，以控制燃气轮机以在高负载下进行稳定操作。我们使用了复发性神经网络（RNN）和增强学习（RL）的组合。我们首先使用RNN来确定燃气轮机动力学的最小状态空间。基于此，我们通过标准RL方法确定最佳控制策略。我们进入一个所谓的复发控制神经网络（RCNN），该网络将这两个步骤结合到一个集成的神经网络中。我们的方法具有一个优势，即通过使用神经网络，我们可以轻松地处理燃气轮机的高尺寸，并且由于RNN的高系统认同质量与一般而言，通常只有有限的可用数据。我们在示例性的燃气轮机模型上演示了所提出的方法，与标准控制器相比，它强烈改善了性能。
使用机器学习的安全摄像机对象检测的系统分析
现代移动对象跟踪和识别技术已得到很大改进，帮助机器人技术，媒体生产，生物学研究，视频监控和身份验证系统等广泛的行业。尽管低分辨率视频录像（例如动态背景，照明，遮挡和阴影）存在持续的问题，但这些电影提供了直接的好处，例如减少处理，传输和存储要求。两相对象检测器（例如RCNN）过去很普遍并且成功。，新的发展将单相检测器及其相关算法带到了大多数两相检测器的最前沿。yolo爆炸（Yolo）已被广泛用于对象识别和检测，始终优于其两相检测器对应物[1，2，3]。该领域的这种转变主要是由机器学习（人工智能（AI）（ML）的一个分支）驱动的。使系统能够从以前的性能中发展和学习而无需明确编程。它对于对象识别的主题至关重要[4]。可以构建可靠的对象检测系统，因为机器学习算法能够识别大量标签
使用 Mask R-CNN 的头盔检测系统
我们已经看到了这些信息，所以我们决定为这个项目做出贡献。为了公共安全，需要一个可以检测到路上没有戴头盔的人的自动头盔识别系统。这种类型的系统将帮助官员判断谁戴了头盔，并对犯错的两轮车用户处以罚款。在这个项目中，我们将使用 mask RCNN，但首先让我们了解一下 faster R-CNN 的工作原理。它们分为两个阶段。阶段 1：它由两个网络和区域提议网络组成。我们必须一次提供一个输入来获得一组区域提议，区域提议是特征图中包含对象的区域。阶段 2：在第二阶段，网络预测阶段 1 中获得的每个提议区域的边界框和对象类。每个提议区域可以有不同的大小，而网络中的全连接层始终需要固定大小的向量来做出预测。这些提议区域的大小是通过使用 Rol pool 或 RoIAlign 方法来固定的。
多类脑肿瘤分类和分割...
摘要。脑肿瘤分类是一项重要的任务，用于评估肿瘤并根据其类别选择治疗类型。脑肿瘤的诊断需要多种成像技术。然而，MRI 经常被使用，因为它提供更高的图像质量并使用非电离辐射。深度学习 (DL) 是机器学习的一个子领域，最近表现出令人印象深刻的性能，特别是在分割和分类问题方面。基于卷积神经网络 (CNN)，本研究提出了一种混合深度学习网络 (HDLN) 模型，用于对多种类型的脑肿瘤进行分类，包括神经胶质瘤、脑膜瘤和垂体瘤。Mask RCNN 用于脑肿瘤分类。我们使用挤压和激励残差网络 (SE-ResNet) 进行脑肿瘤分割，这是一个带有挤压和激励块的残差网络 (ResNet)。使用公开的研究数据集测试所提出的模型进行实验分析，获得了 98.53% 的总体准确率、98.64% 的灵敏度和 98.91% 的特异性。与最先进的分类模型相比，所提出的模型获得了最好的准确率。对于多类脑肿瘤疾病，所提出的 HDLN 模型显示出其优于现有方法。