XiaoMi-AI文件搜索系统
World File Search SystemResNet
分析机器学习的椰子数据集和...
Jhunjhunu，印度拉贾斯坦邦，摘要本文讨论了用于椰子植物监测的自动化疾病检测系统的发展，重点是多个机器学习技术的整合，实时检测能力，可伸缩性和适应性学习。深度学习模型，尤其是卷积神经网络（CNN），可以自主获得与疾病症状相关的图像特性。选择适当的体系结构，例如Resnet，VGG-16或EfficityNet，促进了数据中复杂模式的捕获。该研究研究了使用高分辨率图像与深度学习方法结合使用的高分辨率图像来识别和评估椰子树健康的可行性。Resnet-50模型在检测和健康分类任务中的表现优于VGG-16体系结构，表明大多数受影响的椰子树具有Ganoderma感染和钾不足。提出的方法显示了泰国椰子树管理的潜力，从而可以更有效地使用工人，而在现场花费的时间更少。为了最大程度地提高模型性能，未来的研究应旨在增加数据集的数量和多样性，包括各种视觉属性。为了更好地对健康问题进行分类，未来的研究可能会使用多光谱摄像头。通过将监督，无监督和半监督的学习方法结合起来，可以根据椰子植物监测和更广泛的应用来量身定制该系统。关键字：椰子叶，Resnet，VGG-16和CNN。
使用组织病理学图像进行个性化医学
大肠癌（CRC）的精确及时诊断对于增强患者预后至关重要。组织样品的组织病理学检查仍然是CRC诊断的金色标准，但这是一种耗时且主观的方法，倾向于观察到观察者间的变异性。本研究探讨了使用组织病理学图像对CRC自动分类的深度学习的使用，尤其是重新结构。我们的研究重点是评估不同的RESNET模型（RESNET-18，RESNET-34，RESNET-50），以提取相关的可见特征。此外，我们使用Grad-CAM热图来了解模型的重点领域，从而确保与已建立的诊断标准保持一致。为了解决有限的数据可用性，我们检查了数据增强技术以提高模型的适应性。我们的分析表明，RESNET-34在模型复杂性和性能之间达到平衡，表明总体，TOP-2和TOP-3精度分类的91.10％，99.11％和100.00％的精度分别超过了较浅的（Resnet-118）和更深的（Resnet-50）模型。这表明在捕获CRC图像的特征方面，模拟深度是实用的。我们的发现对于开发CRC的可解释的AI辅助诊断工具具有重要意义，并有可能提高病理学家的效率和准确性。这种方法旨在自动化图像分析，提供对模型决策的见解，并最终提高Oncol-Ogy的诊断一致性和患者护理。
第 3 讲：卷积神经网络
– 特征不变性很难：施加扰动，针对每个变化进行学习 – ImageNet 最佳表现者的进展 – AlexNet：第一个表现最好的 CNN，60M 参数（来自 LeNet-5 的 60k），ReLU – VGGNet：更简单但更深（8 19 层），140M 参数，集成 – GoogleNet：新原始 = inception 模块，5M 参数，无 FC，效率 – ResNet：152 层，消失梯度 拟合残差以实现学习 5. 无数应用程序：通用架构，巨大功能
基于深度学习模型的Al-Sn-Al结合强度研究
摘要：Al-Sn-Al晶圆键合是一种新型的半导体制造技术，在器件制造中发挥着重要作用，键合工艺的优化和键合强度的测试一直是关键问题，但仅通过物理实验来研究上述问题存在实验重复性强、成本高、效率低等困难。深度学习算法可以通过训练大量数据快速模拟复杂的物理关联，很好地解决了晶圆键合研究的困难。因此，本文提出利用深度学习模型（2层CNN和50层ResNet）实现不同键合条件下键合强度的自主识别，对比测试集结果表明ResNet模型的准确率为99.17％，优于CNN模型的91.67％。然后利用Canny边缘检测器对识别出的图像进行分析，结果显示晶圆的断裂面形貌为孔状结构，且晶圆表面孔移动面积越小，键合强度越高。此外，还验证了键合时间和键合温度对键合强度的影响，结果表明相对较短的键合时间和较低的键合温度可获得更好的晶圆键合强度。本研究展示了利用深度学习加速晶圆键合强度识别和工艺条件优化的潜力。
分析机器学习的椰子数据集和...
Jhunjhunu，印度拉贾斯坦邦，摘要本文讨论了用于椰子植物监测的自动化疾病检测系统的发展，重点是多个机器学习技术的整合，实时检测能力，可伸缩性和适应性学习。深度学习模型，尤其是卷积神经网络（CNN），可以自主获得与疾病症状相关的图像特性。选择适当的体系结构，例如Resnet，VGG-16或EfficityNet，促进了数据中复杂模式的捕获。该研究研究了使用高分辨率图像与深度学习方法结合使用的高分辨率图像来识别和评估椰子树健康的可行性。Resnet-50模型在检测和健康分类任务中的表现优于VGG-16体系结构，表明大多数受影响的椰子树具有Ganoderma感染和钾不足。提出的方法显示了泰国椰子树管理的潜力，从而可以更有效地使用工人，而在现场花费的时间更少。为了最大程度地提高模型性能，未来的研究应旨在增加数据集的数量和多样性，包括各种视觉属性。为了更好地对健康问题进行分类，未来的研究可能会使用多光谱摄像头。通过将监督，无监督和半监督的学习方法结合起来，可以根据椰子植物监测和更广泛的应用来量身定制该系统。关键字：椰子叶，Resnet，VGG-16和CNN。
使用卷积神经网络体系结构转移学习，从MRI图像中进行神经胶质瘤分类
Sunita M.Kulkarni 1†和G.Sundari Dr.Sundari 2††，ECE，Sathyabama科学技术研究所ECE，印度钦奈，摘要Glioma是脑胶质细胞中开始的脑肿瘤的常见类型。这些肿瘤分为低度或高级肿瘤。医生分析脑肿瘤的阶段，并建议对患者进行治疗。肿瘤的状态在治疗中很重要。如今，计算机系统用于分析和分类脑肿瘤。 肿瘤的准确分级在治疗脑肿瘤方面是有意义的。 本文旨在使用深度学习算法来开发低级神经胶质瘤和高级神经胶质瘤的分类。 该系统利用四种转移学习算法，即Alexnet，Googlenet，Resnet18和Resnet50，用于分类。 在这些算法中，RESNET18显示出最高的分类精度为97.19％。 关键词：脑肿瘤，深度学习，高级神经胶质瘤，低度神经胶质瘤，MRI，Resnet。如今，计算机系统用于分析和分类脑肿瘤。肿瘤的准确分级在治疗脑肿瘤方面是有意义的。本文旨在使用深度学习算法来开发低级神经胶质瘤和高级神经胶质瘤的分类。该系统利用四种转移学习算法，即Alexnet，Googlenet，Resnet18和Resnet50，用于分类。在这些算法中，RESNET18显示出最高的分类精度为97.19％。关键词：脑肿瘤，深度学习，高级神经胶质瘤，低度神经胶质瘤，MRI，Resnet。
![arxiv：2009.01796v1 [Quant-ph] 3 Sep 2020](/simg/g:\will\search\icon\source\7\76d5967786d73626226dd80ad897fe54a347c819.webp)
arxiv：2009.01796v1 [Quant-ph] 3 Sep 2020
心血管疾病在现代社会中仍然是一个重要的问题。在非侵入性技术中，心电图（ECG）是检测心脏活动异常的最可靠方法之一。但是，ECG的解释需要专家知识，而且耗时。开发一种新的方法来早期检测疾病可以预防死亡和并发症。本文介绍了从心电图录音中分类心脏疾病的新颖方法。第一种方法表明，庞加莱的ECG信号和基于深度学习的图像分类器（Resnet5050和Densenet121是通过Poincaré图中学到的），这在预测AF（心理纯正）中表现出了体面的性能，但没有其他类型的心灵。Xgboost是一种梯度增强模型，在长期数据中表现出可接受的性能，但由于高度消耗的计算Wihtin在预处理阶段，因此具有很长的时间。最后，一维卷积模型（特别是1D Resnet）在所研究的CINC 2017和CINC 2020数据集中表现出了最佳结果，分别达到了F1分别达到85％和71％的F1分数，这比每个挑战的第一级解决方案都优于每个挑战的解决方案。本文还研究了效率指标，例如功耗和等效的CO2排放，其中一维模型（如1D CNN和1D Resnet）是最能量的效率。模型解释分析表明，Densenet使用心率变异性检测到AF，而1DRESNET评估了原始ECG信号中的AF模式。
精准度与泛化度的结合：通过预训练的 DenseNet 结合全局平均池化和超参数调整来增强脑肿瘤分类
脑肿瘤死亡率高，治疗选择有限，是全球重大健康问题。这些肿瘤是由脑内细胞异常生长引起的，大小和形状各异，因此，对于医疗专业人员来说，通过磁共振成像 (MRI) 扫描手动检测它们是一项主观且具有挑战性的任务，因此需要自动化解决方案。本研究探讨了深度学习（特别是 DenseNet 架构）自动化脑肿瘤分类的潜力，旨在提高临床应用的准确性和通用性。我们利用了 Figshare 脑肿瘤数据集，该数据集包含 233 名患者的 3,064 张 T1 加权增强 MRI 图像，这些患者患有三种常见肿瘤类型：脑膜瘤、神经胶质瘤和垂体瘤。使用来自 ImageNet 的迁移学习评估了四种预训练的深度学习模型——ResNet、EfficientNet、MobileNet 和 DenseNet。DenseNet 实现了最高的测试集准确率 96%，优于 ResNet（91%）、EfficientNet（91%）和 MobileNet（93%）。因此，我们专注于提高 DenseNet 的性能，同时将其视为基础模型。为了增强基础 DenseNet 模型的通用性，我们实施了一种微调方法，该方法采用了正则化技术，包括数据增强、dropout、批量归一化和全局平均池化，并结合了超参数优化。这种增强的 DenseNet 模型实现了 97.1% 的准确率。我们的研究结果证明了 DenseNet 结合迁移学习和微调对脑肿瘤分类的有效性，凸显了其在临床环境中提高诊断准确性和可靠性的潜力。
基于嵌入式计算机视觉应用
我们使用PYNQ-Z2板上HLS4ML框架的初始实验取得了令人鼓舞的结果，证明了在FPGA上部署复杂的神经网络的可行性。在KRIA KV-260和Ultra96-V2板上成功部署Resnet模型后，我们现在正在探索其与VIT模型的兼容性，并识别任何不支持的参数。测试变压器模型：使用NN2FPGA实现SWIN TF模型，重点是保持准确性。选择FPGA平台：选择最佳的FPGA用于部署，比较云和边缘选项。比较GPU和FPGA：评估在GPU和FPGA上部署的模型的性能和能源使用。
深入了解艺术：使用深度学习
摘要 - 艺术是人类在美学和迷人手段中表达和表达自己的思想，情感和经验的深刻媒介。这就像一种通用语言，超越了语言的局限性，从而实现了复杂的思想和感受的交流。基于人工智能（AI）的数据分析正在用于研究领域，例如情感分析，其中通常分析文本数据以进行意见挖掘。在这项研究中，我们从事艺术工作并应用深度学习（DL）算法来对图形艺术中的七种不同面部表情进行分类。进行经验分析，在大型数据集上应用了InceptionV3和Resnet的预训练模型的最深学习算法。两种模型都被认为是革命性的深度学习体系结构，可以训练更深层的网络，从而在各种计算机视觉任务（例如图像识别和分类任务）中提高模型性能。全面的结果分析表明，与相关领域的现有方法相比，所提出的Resnet和Incemnet和InconceionV3方法的准确性分别高达98％和99％。这项研究通过解决图形艺术中七种不同面部表情的检测，有助于情感分析，计算视觉艺术和人类计算机相互作用的领域。我们的方法可以增强对用户情感的了解，从而对改善用户参与度，AI驱动系统中的情商以及在数字平台中的个性化体验产生重大影响。这项研究弥合了视觉美学和情感检测之间的差距，通过强调DL框架在人类心理评估和行为分析等各种领域的实时情绪检测应用程序的功效，提供了图形艺术如何影响图形艺术如何影响和反映人类情绪的新颖见解。