XiaoMi-AI文件搜索系统
World File Search SystemResNet
基于深残留网络（RESNETS）2631
从磁共振图像（MRI）中自动分割脑肿瘤是计算机视觉中具有挑战性的任务之一。许多建议研究在图像分割中使用深神经网络（DNN），因为它们在脑肿瘤图像的自动分割方面具有高性能。由于梯度扩散问题和复杂性，通常需要大量时间和额外的计算能力来训练更深的神经网络。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。 重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。 为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。 模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。 结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。 此外，它的平均计算时间（3倍）比其他DNN技术快。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。此外，它的平均计算时间（3倍）比其他DNN技术快。
增强垃圾分类的Resnet-50
随着人们的物质生活水平继续提高，房屋的类型和数量 - 持有垃圾的类型和数量迅速增加。因此，迫切需要开发一种合理有效的垃圾分类方法。这对于资源回收和环境改进非常重要，并有助于生产和经济的可持续发展。但是，由于大量模型参数，现有的基于深度学习的垃圾图像分类模型通常会遭受低分类精度，鲁棒性不足和慢速检测速度的影响。为此，提出了一个新的垃圾图像分类模型，并以Resnet-50网络为核心架构。特别是，首先提出了一个冗余特征融合模块，使该模型能够充分利用有价值的功能信息，从而提高其性能。同时，该模块从多尺度功能中滤除了冗余信息，从而减少了模型参数的数量。第二，Resnet-50中的标准3×3卷积被替换为深度分离的卷积，从而显着提高了模式的计算效率，同时保留了原始卷积结构的特征提取能力。最后，为了解决阶级不平衡问题，加权因素被添加到焦点损失中，旨在减轻类不平衡对模型性能的负面影响并增强模型的鲁棒性。trashnet数据集的实验结果表明，所提出的模型有效地减少了大小的数量，提高检测速度并达到94.13％的准确性，超过了现有的基于深度学习的废物图像分类模型的绝大多数，表明其固定实用值。
使用Resnet50进行面部印刷识别和分类的深度学习
深度学习是机器学习的一个子集，其中神经网络算法模仿人脑以识别各种模式并自主做出决策。也称为深神经网络或深度学习，它是人工智能的核心组成部分，用于处理数据并生成有助于无人监督的决策的模式。深度学习在处理非结构化数据（例如图像，音频和文本）方面特别有用。它已成功应用于各个领域，包括机器人技术，人工视觉，自然语言处理，自主驾驶等。
改进的ResNet152v2：使用基于迁移学习的方法对脑卒中进行二分类和混合分割
摘要简介：当脑血管破裂时，大脑会受到一种称为中风的疾病的伤害。当大脑的血液和其他营养物质流动中断时，可能会出现症状。世界卫生组织 (WHO) 声称，中风是全球致残和死亡的主要原因。通过及早发现中风的不同警告症状，可以减轻中风的严重程度。可以使用计算机断层扫描 (CT) 图像快速诊断脑中风。虽然专家们正在研究每一次脑部 CT 扫描，但时间过得很快。这种情况可能会导致治疗延迟和错误。因此，我们专注于使用有效的迁移学习方法进行中风检测。材料和方法：为了提高检测准确性，使用 Red Fox 优化算法 (RFOA) 对大脑中风影响的区域进行分割。然后使用高级 Dragonfly 算法进一步处理处理后的区域。分割后的图像提取包括形态学、小波特征和灰度共生矩阵 (GLCM)。然后使用修改后的 ResNet152V2 对正常和中风图像进行分类。我们使用脑卒中 CT 图像数据集使用 Python 进行测试以进行实施。结果：根据性能分析，所提出的方法优于其他深度学习算法，实现了 99.25% 的最佳准确度、99.65% 的灵敏度、99.06% 的 F1 分数、99.63% 的精确度和 99.56% 的特异性。结论：所提出的基于深度学习的分类系统在考虑性能标准的所有输入预测模型中返回最佳解决方案，并提高了系统的功效；因此，它可以更好地帮助医生和放射科医生诊断脑中风患者。
开发用于糖尿病性视网膜病变检测的修订后的Resnet-50
这项研究的目的是采用预处理方法并修改Resnet-50的结构，以提高其在检测DR时的性能。这项研究将SOP应用于处理底面图像。对于Resnet-50，我们采用了自适应学习等级来调整层的重量并更改Resnet-50的结构。这项研究的结果表明，修订后的Resnet-50的性能优于原始Resnet-50。最后，这项研究使用JavaScript开发了在线DR分级系统，使用户可以将底面图像上传到网站并获得DR结果。
用于从 MRI 图像中分割缺血性中风脑的混合 ResNet50-UNet 模型 1 Fathia ABOUDI、2 Cyrine DRISSI、3 Tarek KRAIEM
1 突尼斯埃尔马纳尔大学 (UTM) 生物物理与医学技术实验室 ISTMT，突尼斯 2 突尼斯蒙吉本哈米达国立神经病学研究所神经放射学系，突尼斯 3 突尼斯医学院生物物理与医学技术实验室，突尼斯 摘要 缺血性脑卒中是最常见的脑血管疾病，也是全球死亡和长期残疾的主要原因之一。及早发现缺血性脑卒中有助于医生及早诊断，从而大大减少死亡或残疾的可能性。医学研究中使用多种方式来检测缺血性脑卒中；不过，磁共振成像 (MRI) 仍然是该领域最有效的方式。最近，许多研究人员使用深度学习模型在 MRI 图像中检测缺血性脑卒中，并取得了令人鼓舞的结果。在本文中，我们提出了一种使用深度学习模型从 MRI 图像中自动分割缺血性中风病变 (ISL) 的方法。使用的 UNet 模型是混合框架，具有预训练的 ResNet50 架构。数据增强技术已被用于超越模型的准确性。所提出的工作流程已在公共缺血性中风病变分割挑战 (ISLES) 2015 数据集上进行了训练和测试。实验结果证明了我们的方法的性能效率，它实现了 99.43% 的平均准确率和 64.14% 的 Dice 系数 (DC)。我们的方法优于其他最先进的方法，更具体地说，在准确率方面。
