XiaoMi-AI文件搜索系统
World File Search SystemResNet
基于X射线和深度学习的尘肺病计算机辅助诊断系统
摘要 目的：本研究旨在利用X射线和深度学习算法构建正常人和尘肺病的计算机辅助诊断系统。材料与方法：实验收集了2017年1月至2020年6月期间1760张真实患者的匿名数字X射线图像。为了使模型的特征提取能力更加集中在肺部区域，抑制外界背景因素的影响，建立了由粗到细的两阶段流水线。首先，使用U-Net模型提取采集图像两侧的肺部区域；然后，采用结合迁移学习策略的ResNet-34模型对提取出的肺部区域的图像特征进行学习，实现尘肺病患者和正常人的准确分类。结果：在收集的1760例病例中，分类模型的准确率为92.46%，曲线下面积为89%。结论：深度学习在尘肺病诊断中的成功应用进一步证明了医疗人工智能的潜力，并证明了我们提出的算法的有效性。然而，当我们进一步将尘肺病患者和正常人分为四类时，我们发现整体准确率下降到70.1%。我们将在未来的研究中使用CT模态来提供更多肺部区域的细节。关键词：尘肺病诊断，X射线，深度学习，U-Net，ResNet
使用和比较深度学习方法来检测自动驾驶汽车的夜间道路表面条件
摘要：目前，在这些自动驾驶汽车上的现有传感器无法很好地检测到自动驾驶汽车之前的道路表面状况。但是，应确保白天和黑夜的天气引起的道路状况。对深度学习的调查，以识别当天的道路表面状况，是使用车辆前面嵌入式摄像头收集的数据进行的。深度学习模型仅在当天被证明是成功的，但迄今为止尚未对它们进行评估。这项工作的目的是提出深度学习模型，以检测在夜间在自动驾驶汽车前的天气造成的在线道路表面条件，其精度很高。在这项研究中，使用性能比较，将不同的深度学习模型，即传统的CNN，Squeezenet，VGG，Resnet和Densenet模型。考虑到现有夜间检测的当前局限性，本文研究了不同路面的反射特征。根据功能，夜间数据库是带有或没有环境照明的。这些数据库是从几个公共视频中收集的，以使所选模型更适用于更多场景。此外，根据收集的数据库对选定的模型进行培训。最后，在验证中，这些模型对夜间干燥，潮湿和雪道的表面条件进行分类的准确性可高达94％。
基于脑电图感知的视觉和振动触觉引导的运动意象分类
摘要：运动想象 (MI) 是一种无需实际使用肌肉即可想象运动任务执行的技术。当用于由脑电图 (EEG) 传感器支持的脑机接口 (BCI) 时，它可以用作人机交互的成功方法。本文使用 EEG MI 数据集评估了六种不同分类器的性能，即线性判别分析 (LDA)、支持向量机 (SVM)、随机森林 (RF) 和来自卷积神经网络 (CNN) 系列的三种分类器。该研究调查了这些分类器在静态视觉提示、动态视觉引导以及动态视觉和振动触觉 (体感) 引导的组合指导下对 MI 的有效性。还研究了数据预处理过程中滤波通带的影响。结果表明，在检测不同方向的 MI 时，基于 ResNet 的 CNN 在振动触觉和视觉引导数据上的表现都明显优于竞争分类器。事实证明，使用低频信号特征对数据进行预处理是实现更高分类准确度的更好解决方案。研究还表明，振动触觉引导对分类准确度有显著影响，而相关改进对于结构更简单的分类器尤其明显。这些发现对于基于 EEG 的 BCI 的开发具有重要意义，因为它们提供了有关不同分类器在不同使用环境中的适用性的宝贵见解。
能量明星MFNC评估者现场清单版本...
脚注：1。此清单适用于所有居住单元，睡眠单元，公共空间2和车库（开放或封闭，共享或个人），并在建筑物中得到认证，并在指定的情况下进行停车场。这些要求适用于所有路径，除非另有说明。这些要求不适用于停车场或停车场的能源使用成本或地段的费用不是建造者/开发商，建筑物所有者或财产经理的责任。此清单不适用于商业或零售空间，除非在ASHRAE路径中，如果包括在能源模型中，而节省则有助于实现绩效目标。此清单不适用于该物业上没有任何住宅或睡眠单元的建筑物中的公共空间2。由ANSI / Resnet / ICC 301定义的“睡眠单元”是人们睡觉的房间或空间，还可以包括永久性的生活，饮食和卫生设施或厨房设施，但并非两者兼有。如果此清单中使用“住宅单元”一词，则要求“睡眠”单元的要求。“构建”一词是指包含住宅/睡眠单元以及（如果存在）共同空间，共享一个或多个以下属性的结构：一个共同的街道地址，一个共同的入口或出口，中央/共享的机械系统，或结构上依赖性的墙壁或屋顶系统。连接两个结构的天道或微风不被认为是一个共同的入口或出口。2。3。ft。，可以被验证。在建筑物的其余部分中，最大500平方英尺连接的结构，例如4层的两单元结构（通常称为“ 2跨2s”），如果将它们从基础到屋顶护套的垂直火隔墙划分，则可以视为单独的建筑物。“公共空间”一词是指已认证的建筑物中的任何空间，这些空间可用于支持建筑物的住宅部分，而这些空间不属于住宅或睡眠单元的一部分。这包括居民使用的空间，例如走廊，楼梯，大厅，洗衣房，健身室，住宅娱乐室和餐厅，以及建筑物管理，管理或维护的办公室和其他空间，以支持居民。对于ASHRAE路径，“共同空间”的要求适用于商业或零售空间，在该空间中，它们包含在能源模型中，并储蓄有助于实现绩效目标。根据评估者的酌情决定权，建筑商或开发人员最多可以验证五个指定的清单项目。出于此清单的目的，“构建器”代表建筑商或开发人员。当此津贴用于标记为“ Pre-Rock + 20”的项目时，每个住宅单元最多200平方米ft。在一般安装干墙之前安装了干墙的墙壁区域（即“预岩”区域，例如浴缸或楼梯后面的墙壁），以及额外的20平方米。ft。在一般安装干墙之前安装了干墙的墙壁区域，再加上50平方米的ft。，可以被验证。标记为“ 20平方”的项目ft。”，最多20平方英尺4。ft。每个住宅单元和50平方米 ft。在建筑物的其余部分中，建筑商可以验证。 对于标记为“ 2种渗透”的物品，每个住宅单元最多两次穿透，在建筑物的其余部分中有5个可以验证建筑商。 必须在现场现场在现场验证其余的项目和区域（即，除了建造者验证的所有其他区域），或者，对于适用的最低额定功能，使用ANSI / RESNET / ICC 301（例如，用于Slab slab slab bab bab bab bab ball Interualder Interualsion或Continual Interumation sallundsulation或Continual insuluation inseruality Insuly Interumation）。 行使时，建筑商的责任将由建筑商或其指定代理人正式承认，并在清单上签署了他们已验证的项目。 但是，如果质量保证审查表明项目尚未成功完成，则评估者将负责促进纠正措施。 “评估者”一词是指完成认证所需的第三方验证的人。 a）应：a）为ANSI / RESNET / IECC 301定义的认证评估者，批准的检查员，或由家庭认证组织（HCO）或多户家庭审查组织（MRO）确定的同等指定；并且，b）参加并成功完成了EPA认可的培训课程。 请参阅www.energystar.gov/mftraining。 如《国家计划要求》中所述，允许根据MRO或HCO采样协议进行操作的评估者使用MRO或HCO批准的采样协议验证指定“经过评估者”的任何清单项目。 5。 6。ft。每个住宅单元和50平方米ft。在建筑物的其余部分中，建筑商可以验证。对于标记为“ 2种渗透”的物品，每个住宅单元最多两次穿透，在建筑物的其余部分中有5个可以验证建筑商。必须在现场现场在现场验证其余的项目和区域（即，除了建造者验证的所有其他区域），或者，对于适用的最低额定功能，使用ANSI / RESNET / ICC 301（例如，用于Slab slab slab bab bab bab bab ball Interualder Interualsion或Continual Interumation sallundsulation或Continual insuluation inseruality Insuly Interumation）。行使时，建筑商的责任将由建筑商或其指定代理人正式承认，并在清单上签署了他们已验证的项目。但是，如果质量保证审查表明项目尚未成功完成，则评估者将负责促进纠正措施。“评估者”一词是指完成认证所需的第三方验证的人。a）应：a）为ANSI / RESNET / IECC 301定义的认证评估者，批准的检查员，或由家庭认证组织（HCO）或多户家庭审查组织（MRO）确定的同等指定；并且，b）参加并成功完成了EPA认可的培训课程。请参阅www.energystar.gov/mftraining。如《国家计划要求》中所述，允许根据MRO或HCO采样协议进行操作的评估者使用MRO或HCO批准的采样协议验证指定“经过评估者”的任何清单项目。5。6。除了评估者以外，没有其他方可以使用抽样来完成此清单。标题为“ N/A”的列，该列表示“不适用”的项目，应在建筑物中不存在的清单项目或与本地需求发生冲突时使用。提供了两种替代方案：a）II级空腔绝缘材料可用于在1至4的气候区域中包含一层连续的空气不可渗透绝缘≥R-3的组件，在5至8的气候区域中，≥R-5； 1 b）即使由于绝缘过量而发生压缩的情况，即使在压缩的情况下进行全部宽度和深度，只要Batts的R值通过制造商的指导进行了适当评估，并且唯一可以防止IS隔离级是由IS隔离来实现I级，即使是由于绝缘的适当评估，唯一可以通过实现I级的I是由I级的隔热是由I是由I的压缩，即使是由于绝缘过量而进行的，因此即使在压缩的情况下进行压缩，也可以在地板上使用。7。确保使用ANSI / Resnet / ICC 301（包括所有附录和规范性附录）确保符合此要求，并根据HCO或MRO定义的时间表实现了新版本和附录，该建筑物已认证为www.energystar.gov/eriexceptions列出的批准的异常。8。窗口比率被视为所有窗口区域的总和除以总外部墙面面积。所有装饰玻璃和天窗窗户区域都有贡献到超过壁比（WWR）的总窗户区域。窗帘壁系统的窗帘部分有助于高级壁面积。9。对于国家v1.2和1.3，2021 IECC气候区域名称适用，如《代码》的R301节中的定义和说明。对于除National V1.2和1.3以外的所有版本，2009年IECC气候区域名称均适用，如该法规的R301节所述和说明。请注意，与先前的版本相比，某些位置已转移到2021 IECC的不同气候区域。10。项目1.5不适用于木结构墙。项目1.5也不适用于与讲台相关的混凝土地板边缘，因为项目3.5适用。项目1.5适用于将条件空间与外部区分开的墙壁，包括与其他建筑物相邻的墙壁以及与地板搭配和中间地板边缘之间相关的墙壁区域。11。用作被动太阳能设计的热质量组件（例如Trombe Wall）的质量壁是不受项目1.5的豁免。有资格获得这种豁免，被动太阳能设计应由以下五个组件组成：光圈或收集器，吸收器，热量，分配系统和控制系统。有关更多信息，请参见：www.energy.gov/sites/prod/files/guide_to_passive_solar_home_design.pdf。质量墙不属于被动太阳能设计的一部分（例如，CMU块或记录房屋外壳）应使用第1.5项中概述的策略或以最少的热阻力为组装中概述的策略，该方法使用与2013 Ashrae Handbook一致的方法确定的方法，应与基本原理的限制，以≥50％的限制为定义，因为≥50％的材料，定义为≥50％的材料，该方法具有定义的，该方法具有定义的，该方法具有定义的限制。 2009 IECC表502.1.2中的U因子。质量墙不属于被动太阳能设计的一部分（例如，CMU块或记录房屋外壳）应使用第1.5项中概述的策略或以最少的热阻力为组装中概述的策略，该方法使用与2013 Ashrae Handbook一致的方法确定的方法，应与基本原理的限制，以≥50％的限制为定义，因为≥50％的材料，定义为≥50％的材料，该方法具有定义的，该方法具有定义的，该方法具有定义的限制。 2009 IECC表502.1.2中的U因子。记录识别最小热电阻的路径，其电阻值应由评估者收集，并应检查第1.5项验证或经过验证的盒子的任何构建器。
基于 EEG 的两阶段高效 3-D CNN 框架...
摘要 — 本文提出了一种使用 EEG 数据进行情绪识别的新型两阶段框架，该框架在保持模型尺寸小且计算效率高的同时，性能优于最先进的模型。该框架由两个阶段组成；第一阶段涉及构建名为 EEGNet 的高效模型，该模型受到最先进的高效架构的启发，并采用包含深度可分离卷积层的倒置残差块。EEGNet 模型在效价和唤醒标签上分别仅使用 6.4k、14k 和 25k 个参数即可实现 90%、96.6% 和 99.5% 的平均分类准确率。在准确率和存储成本方面，这些模型比之前最先进的结果高出多达 9%。在第二阶段，我们对这些模型进行二值化以进一步压缩它们并轻松将它们部署到边缘设备上。二值神经网络 (BNN) 通常会降低模型准确率。本文通过引入三种新方法改进了 EEGNet 二值化模型，并实现了比基线二值模型高出 20% 的改进。所提出的二值化 EEGNet 模型分别实现了 81%、95% 和 99% 的准确率，存储成本分别为 0.11Mbits、0.28Mbits 和 0.46Mbits。这些模型有助于在边缘环境中部署精确的人类情感识别系统。索引术语 — 情感识别；脑电图；3D-CNN；ResNet；量化；深度学习；二值 CNN
功能重新安装：迈向计算病理学中的基础模型级表现
多个实例学习（MIL）是计算病理学中最广泛使用的框架，包括分型，诊断，预后等等。但是，iS-iSting MIL范式通常需要脱机实例提取器，例如预训练的重新网络或Foun-Dation模型。这种方法缺乏在特定下游任务中进行微调进行微调的能力，从而限制了其适应性和性能。为了解决此问题，我们提出了一个重新安装的区域变压器（R 2 T），用于在线重新安装实例功能，该功能可以限制精细元素的本地功能并在不同地区建立联系。与现有的作品不同，该作品专注于预训练强大的功能提取器或设计复杂的实例聚合器，r 2 t量身定制为在线重新设计实例功能。它是一种便携式模块，可以无缝集成到主流MIL模型中。对常见的综合病理学任务的广泛实验结果验证：1）功能重新嵌入基于Resnet-50特征的MIL模型的性能到基础模型模型的水平，并进一步增强了基础模型特征的性能； 2）r 2 t可以对各种MIL模型引入更大的性能改进； 3）R 2 T-MIL，作为R 2 T-增强的AB-MIL，以大幅度优于其他最新方法。该代码可在以下网址提供：https：//github.com/dearcaat/rrt-mil。
CBF表达1（ICE1）的诱导剂促进冷 -
解码器将皮质图（ECOG）信号从皮质转换为可解释的语音参数和一种新型的可区分语音合成器，将语音参数映射到频谱图。我们开发了一个由语音编码器和相同的语音合成器组成的伴侣音频到Audio自动编码器，以生成参考语音参数，以促进ECOG解码器培训。该框架具有自然听起来的语音，并且在48名参与者的队列中高度可重现。在ECOG解码器的三个神经网络架构中，3D Resnet模型在预测原始语音频谱图（PCC = 0.796）的情况下预测原始语音频谱图时具有最佳的解码性能（PCC = 0.804）。我们的实验结果表明，即使仅限于因果操作，我们的模型也可以以高相关性来解码语音，这对于通过实时神经假体采用是必不可少的。我们成功地解码了左或右半球覆盖范围的参与者中的语音，这可能导致左半球损害导致语音缺陷的患者的言语假体。此外，我们使用遮挡分析来识别有助于跨模型语音解码的皮质区域。最后，我们为我们的两阶段培训管道提供开源代码以及协会的预处理和可视化工具，以实现可重现的研究并推动跨语音科学和假体社区的研究。
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。
通过自监督学习和领域自适应实现雷达信号识别
摘要 — 自动雷达信号识别 (RSR) 在电子战 (EW) 中起着关键作用，因为准确分类雷达信号对于为决策过程提供信息至关重要。深度学习的最新进展显示出在具有大量注释数据的领域中提高 RSR 性能的巨大潜力。然而，这些方法在注释 RF 数据稀缺或难以获得的 EW 场景中就显得不足了。为了应对这些挑战，我们引入了一种自监督学习 (SSL) 方法，该方法利用掩蔽信号建模和 RF 域自适应来增强 RF 样本和标签有限的环境中的 RSR 性能。具体而言，我们研究了对来自不同 RF 域的基带同相和正交 (I/Q) 信号进行预训练掩蔽自动编码器 (MAE)，然后将学习到的表示转移到注释数据有限的雷达域。实证结果表明，与不使用 SSL 的基线相比，我们的轻量级自监督 ResNet 模型在域内信号（即雷达信号）上进行预训练时，1 次分类准确率可提高 17.5%，在域外信号（即通信信号）上进行预训练时，1 次分类准确率可提高 16.31%。我们还为几种 MAE 设计和预训练策略提供了参考结果，为少样本雷达信号分类建立了新的基准。索引术语 — 少样本、雷达信号识别、域自适应、自监督学习、掩蔽自动编码器
基于加权多项式的运动想象脑电图分类...
摘要—目的：基于深度学习技术的脑电信号识别需要充足数据的支持，然而在特定受试者的运动想象任务中通常会出现训练数据稀缺的情况，除非能使用多受试者数据来扩充训练数据。遗憾的是，由于不同受试者的数据分布差异很大，仅在多受试者数据上进行训练只能使模型性能得到微小的提高甚至更差。方法：为解决该问题，本文提出了一种新的加权多分支（WMB）结构来处理多受试者数据，其中每个分支负责拟合一对源-目标受试者数据，并使用自适应权重来整合所有分支或选择权重最大的分支来做出最终决策。将提出的 WMB 结构应用于六种著名的深度学习模型 (EEGNet、Shallow ConvNet、Deep ConvNet、ResNet、MSFBCNN 和 EEG_TCNet)，并在 EEG 数据集 BCICIV-2a、BCICIV-2b、高伽马数据集 (HGD) 和两个补充数据集上进行了全面的实验。结果：与最先进模型相比的优异结果证明了所提方法在特定受试者运动想象 EEG 分类中的有效性。例如，提出的 WMB_EEGNet 在 BCICIV-2a、BCICIV-2b 和 HGD 上分别实现了 84.14%、90.23% 和 97.81% 的分类准确率。结论：很明显，提出的 WMB 结构能够很好地利用具有较大分布差异的多受试者数据进行特定受试者的 EEG 分类。