XiaoMi-AI文件搜索系统
World File Search SystemRegularization
CSE4820/CSE5819。机器学习简介
Instructor : Jinbo Bi Teaching Assistant Time : TuTh 12:30-1:45PM Graduate TA : Zhili Zhang ( zhili.zhang@uconn.edu ) Place : MCHU (McHugh Hall) 306 Office Hours: W3-4PM, Th2-3PM (ITEB221) Email : jinbo.bi@uconn.edu Undergraduate TA : Illy Hoang ( illy.hoang@uconn.edu）办公时间：M10-11am，W11-12noon办公时间：M4-5pm，Tu5-6pm（ITEB114）本课程提供了机器学习的基本概念和技术的介绍，包括受监督的和未受监督的学习任务和模型，相关的优化技术，供模型和方法准备的模型和数据准备。主题可能包括线性和逻辑回归，正则化，支持向量机，神经网络，聚类，减少维度以及梯度下降优化算法。本课程中涵盖的材料在不同的学期中可能会略有不同。
通过凸优化定义量子发散
我们引入了一个新的量子 R'enyi 散度 D # α，其中 α ∈ (1 , ∞ ) 以凸优化程序定义。此散度具有多种理想的计算和操作特性，例如状态和通道的高效半正定规划表示，以及链式法则特性。这种新散度的一个重要特性是它的正则化等于夹层（也称为最小）量子 R'enyi 散度。这使我们能够证明几个结果。首先，我们使用它来获得当 α > 1 时量子通道之间正则化夹层 α -R'enyi 散度的上界的收敛层次。其次，它使我们能够证明当 α > 1 时夹层 α -R'enyi 散度的链式法则特性，我们用它来表征通道鉴别的强逆指数。最后，它使我们能够获得量子通道容量的改进界限。
一个具有增强剩余U-NET
摘要：网格地球物理数据的时间缩小对于改善气候模型，天气预报和环境评估至关重要。但是，现有方法通常无法准确捕获多尺度的时间特征，从而影响其准确性和可靠性。为了解决此问题，我们引入了一个增强的残差U-NET体系结构，以进行时间缩小。结合剩余块的体系结构允许更深层的网络结构而不会过度拟合或消失的梯度，从而捕获更复杂的时间依赖性。固有的U-NET设计可以捕获多尺度功能，使其非常适合模拟各种时间动态。此外，我们实施了一种具有对流损失的流正规化技术，以确保该模型遵守有关地球物理领域的物理定律。我们在ERA5数据集中各种变量的实验结果表明，降低准确性的提高，表现优于其他方法。
计算机视觉上限5416第09E9节班级
• Title : Multiview Geometry • Author : Richard Hartely and Andrew Zisserman • Publication date and edition : 2004, Second Edition • ISBN number : 0521540518 Course Schedule Week 1: Introduction to Computer Vision Week 2: Projective Geometry in 2D and Homographies Week 3: Projective Geometry in 3D, Homographies and Camera Calibration Week 4: Fourier Transforms and Convolution Week 5: Sampling定理，边缘检测第6周：特征和特征检测，多分辨率金字塔第7周：图像降解和修复第8周：变异微积分 +正则化； Midterm-1 (on the Thursday of the week) Week 9: Image Segmentation Week 10: Image Segmentation (continued) Week 11: Stereo and Surface reconstruction Week 12: Texture and texture segmentation Week 13: Motion fields and Optical Flow Week 14: Deep Learning and Image classification Week 15: Wrap up and Midterm-2
机器学习和量子计算简介
2 前馈神经网络 7 2.1 梯度下降. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.2 Colab、Python、Tensorflow、Keras 和 Pytorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.2 非线性激活 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... 15 2.6.1 训练. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
MICCAI2024-详细口头和海报会议计划.pdf
使用随机步进对齐的基于扩散的域自适应医学图像分割 演讲者：Wen Ji，香港科技大学，香港特别行政区 CoReEcho：用于 2D+时间超声心动图分析的连续表征学习 演讲者：Fadillah Maani，穆罕默德·本·扎耶德人工智能大学，阿拉伯联合酋长国 少量切片就足够：具有主动交叉注释的多方面一致性学习用于几乎无监督的 3D 医学图像分割 演讲者：Zhe Xu 和 Xinyao Wu，香港中文大学，香港特别行政区 使用神经隐式 k 空间表示进行运动分辨腹部 MRI 的自监督 k 空间正则化 演讲者：Veronika Spieker，亥姆霍兹慕尼黑/慕尼黑工业大学，德国 用于高分辨率医学图像增强的临床导向轻量级网络 演讲者：Osmar R. Zaiane，阿尔伯塔大学阿尔伯塔机器智能研究所，加拿大
rarita-schinginger田地的纠缠熵
我们研究了d¼4minkowski时空中自由费米子场理论的纠缠熵的通用对数系数。作为热身，我们通过对D¼2半线的尺寸减小以及随后在晶格上进行数值实时计算来重新审视无质量自旋1 = 2场情况。出乎意料的是，该面积系数差异以径向离散化，但对于由相互信息引起的几何正则化是有限的。所得的通用对数系数 - 11 = 90与文献一致。对于自由质量自旋 - 3 = 2场，Rarita-Schwinger场，我们还对半行进行了尺寸降低。除了省略最低的总角动量模式外，降低的哈密顿量与自旋1 = 2一致。这给出了一个通用对数系数-71 = 90。我们讨论了无应力能量张量的自由高自旋场理论的通用对数系数的物理解释。
人工智能支持的信息修复和...
电子断层扫描作为一种重要的三维成像方法，为从纳米到原子尺度探测材料的三维结构提供了一种强有力的方法。然而，作为一个重大挑战，缺楔引起的信息丢失和伪影极大地阻碍了我们获得高保真度的纳米物体的三维结构。从数学上讲，断层扫描逆问题定义不明确，因为解是不唯一的。传统方法，如加权反投影 (WBP) 和同时代数重建技术 (SART) [1]，由于倾斜范围有限，缺乏恢复未获取的投影信息的能力；因此，使用这些方法重建的断层图像会失真，并受到伸长、条纹和鬼尾伪影的污染。总方差最小化 (TVM) [2] 结合了迭代重建和正则化，已被开发用于恢复丢失的信息并减少由缺失楔形引起的伪影。然而，TVM 的一个缺点是它不是无参数的并且计算成本高昂。除此之外，TVM 或任何广义 TVM 方法的真正问题是它们被绑定到一个正则化，该正则化会促进对解决方案的一个先验约束，而该解决方案可能适合也可能不适合感兴趣的对象。在本文中，我们应用机器学习，特别是深度学习来解决这个问题。图1 显示，通过在正弦图和断层图域中分别加入两个修复生成对抗网络 (GAN) 模型可以有效地恢复未获取的投影信息 [3]。我们首先设计了一个基于生成对抗网络 (GAN) 中的残差-残差密集块的正弦图填充模型。然后，使用 U-net 结构生成对抗网络来减少残差伪影。联合深度学习模型对于缺失角度高达 45 度的缺失楔形正弦图实现了卓越的断层扫描重建质量。该模型性能的提高源于将问题分解为两个独立的域。在每个域中，都可以有效地学习基于训练过的“先验”的独特解决方案。此外，与基于正则化的方法相比，这种深度学习方法是一种没有任何超参数的端到端方法。其性能与先验知识或人类操作员设置超参数的经验无关。