XiaoMi-AI文件搜索系统
World File Search SystemSoftmax
研究论文：使用集成迁移学习和量子变分分类器进行脑肿瘤检测的新模型
如果没有正确诊断，脑肿瘤是一种细胞异常增大。早期发现脑肿瘤对于临床实践和生存率至关重要。脑肿瘤有各种形状、大小和特征，治疗方法也各不相同。人工检测肿瘤既困难又耗时，而且容易出错。因此，对计算机诊断系统的需求很大，可以准确检测脑肿瘤。在本研究中，从 inceptionv3 模型中提取深度特征，其中得分向量从 softmax 获取并提供给量子变分分类器 (QVR)，以区分神经胶质瘤、脑膜瘤、无肿瘤和垂体瘤。分类后的肿瘤图像已传递到所提出的 Seg 网络，在该网络中对实际感染区域进行分割以分析肿瘤严重程度。已在三个基准数据集（例如 Kaggle、2020-BRATS 和本地收集的图像）上评估了所报告研究的结果。该模型实现了超过 90% 的检测分数，证明了所提出模型的有效性。
与计算机视觉的深度学习
深度学习和神经网络：多层感知器：多层感知器体系结构，什么是隐藏的层？每一层中有多少层和多少个节点？激活函数：线性传输函数，重型阶跃功能（二进制分类器），sigmoid/logistic函数，软马克斯函数，双曲线切线函数（TANH），整流的线性单元，泄漏的relu。前馈过程：前馈计算，特征学习。错误函数：错误函数是什么？，为什么我们需要一个错误函数？错误总是正面的，均为正方形错误。跨凝性，关于错误和权重优化算法的最终说明：什么是优化？，批处理梯度下降，随机梯度下降，微型批次梯度下降，梯度下降点击。反向传播：什么是反向传播？，反向传播外卖。
抑制剂：有效变压器（学生摘要）
为了提高量化的传输器的计算效率，我们仅用涉及添加和relu激活的替代机制代替了点产生和基于软max的提示。此侧位于矩阵乘法通常需要的双重精度上的扩展，并避免了昂贵的软效果评估，但保持了传统点产物关注的大部分核心功能。它可以在资源约束的硬件或算法算术系统（例如同态加密）上获得更有效的执行并支持更大的量化变压器模型。在四个常见基准任务上进行的训练实验显示了测试集的预测分数，与传统变压器的观点相媲美。我们的缩放体验还表明，无论是在宣传和加密之外，都表明了大量的计算节省。本文中引起的基于RELU和基于加法的注意机制可以通过避免加密变量的昂贵乘法来实现在同态加密下运行的隐私AI应用。
用于解码人脑EEG信号的门控变压器
摘要 - 在这项工作中，我们建议使用一个深入的学习框架来解码人脑活动的脑电图（EEG）信号。更具体地，我们学习了一个端到端模型，该模型通过从人类神经活动中收集的脑电图数据识别自然图像或运动图像。为了捕获长脑电图序列中编码的时间信息，我们首先在脑电图信号上采用增强版本的变压器，即门控变压器，以学习沿一系列嵌入式的特征代表。然后，使用完全连接的软磁层来预测解码表示的分类结果。为了证明封闭式变压器方法的有效性，我们针对人脑视觉数据集的图像分类任务进行了实验，以及针对运动图像数据集的分类任务。实验结果表明，与广泛用于脑电图分类的多种现有方法相比，我们的方法实现了新的状态性能。
基于深度第二代小波自动编码器的曲波池化脑病理分类
神经系统疾病代表与人类神经系统相关的异常。它们还包含中枢神经系统、脊髓或大脑的生化、解剖或电改变。这些疾病会引发不同的症状。及早诊断此类变化对于治疗是必要的，目的是限制疾病进展。本文介绍了一种精确的 CAD 系统来对脑 MRI 进行分类，该系统克服了模式分类中的关键问题，例如在训练阶段提取某些特征。我们的贡献是融合第二代小波 (SGW) 网络和深度学习架构，从而提出了用于模式分类的新型监督特征提取方法。我们的新型架构允许通过重建深度堆叠的第二代小波自动编码器来对数据集类别进行分类。将曲波池化 (CP) 与 Adam 梯度计算方法相结合可以提高自动编码器的准确性。在本研究中，我们利用 Haar 曲线波 (CurvPool-AH) 和 Shannon 曲线波 (CurvPool-AS) 构建了 Adam CP。该网络可以通过多个 SGW 自动编码器实现，最终在最后一层使用一个 Softmax 分类器。我们还发现 CurvPool 表现相当不错
使用卷积神经网络（CNN）和转移学习技术的原始研究论文遥感图像分类
摘要：本研究研究了描绘变速箱，森林，农田和山脉的航空图像的分类。要完成分类工作，使用卷积神经网络（CNN）体系结构从输入照片中提取功能。然后，使用SoftMax对图像进行分类。要测试模型，我们使用90批量的ADAM优化器和0.001的学习率将其运行了十个时期。培训和评估都是使用数据集进行的，该数据集将Google卫星图像与MLRNET数据集融合在一起的图片。综合数据集包含10,400张图像。我们的研究表明，转移学习模型和MobilenetV2，对于景观分类非常有效。这些模型是实际使用的好选择，因为它们在精度和效率之间很好地结合在一起。我们的方法在内置的CNN模型上以87％的总体准确度获得了结果。此外，我们通过利用验证的VGG16和MobilenEtV2模型作为传输学习的起点，达到更高的精度。具体来说，VGG16的精度为90％，测试损失为0.298，而MobileNetV2的精度优于两个模型，其精度为96％，测试损失为0.119；结果表明，使用Mobilenetv2进行转移学习的有效性来对传输塔，森林，农田和山脉进行分类。关键字：航空图像，图像分类，卷积神经网络（CNN），转移学习
使用量子卷积的多类分类...
多类分类对于各种应用程序非常感兴趣，例如，它是计算机视觉中的常见任务，其中一个需要将图像分为三个或更多类。在这里，我们提出了一种基于量子卷积神经网络来解决多类分类问题的量子机学习方法。相应的学习过程是通过TensorFlowquantum作为混合量子 - 古典（变化）模型实现的，其中量子输出结果通过优化量子电路的参数优化跨熵损失的随后最小化量符号。我们在这里的构思改进包括量子感知器的新模型和量子电路的优化结构。我们使用建议的方法来解决MNIST数据集的4类分类问题，使用八个量子位用于数据编码和四个Ancilla Qubits；三级分类问题已经获得了先前的结果。我们的结果表明，解决方案的准确性类似于具有相当数量的可训练参数的经典卷积神经网络。我们期望我们的发现将为使用量子神经网络朝着解决NISQ时代及其他地区的相关问题提供新的一步。
使用深卷积神经网络进行面部识别
这项研究旨在使用深卷积神经网络（CNN）开发实时戴面膜检测系统。这在2019年冠状病毒病（Covid-19）中至关重要，这是对那些不早些时候不戴口罩的人提醒的，从而减少了病毒的传播。由于Covid-19通过呼吸液滴和戴面膜涂抹的杂志扩散，我们提出的研究利用计算机视觉技术，特别是图像过程来检测掩盖和未掩盖的面孔。我们采用定制的CNN体系结构，该体系结构由五个卷积层组成，其次是最大层和完全连接的（FC）层。最终输出层利用SoftMax激活进行分类。该模型使用优化的图层组合和参数值进行更新。我们正在开发使用数码相机作为输入设备的应用程序。该应用程序利用一个包含11,792个图像样本的数据集，该数据集用于80:20的比例训练和测试目的。实时测试是使用相机捕获的人类受试者进行的。实验结果表明，在实时视频测试中，CNN方法在培训数据上达到了99％的分类精度，而98.83％的分类精度为98.83％。这些发现表明，使用CNN的实时面膜检测系统有效地性能。
原创研究论文：使用 CNN 改进分类模型以检测阿尔茨海默病
摘要：阿尔茨海默病 (AD) 通常被称为神经退行性疾病，是一种常见的痴呆症。这种脑部疾病没有永久的治愈方法，因此使用医学成像系统对此类疾病进行早期诊断非常重要。机器学习模型在 AD 的检测中起着至关重要的作用。由于大多数传统的机器学习模型难以检测到对疾病进行分类的基本特征，因此本研究使用了一种称为卷积神经网络 (CNN) 的先进深度学习框架来自动检测基本特征并对疾病进行分类。所提出的基于 CNN 的分类方法的构建组件包括卷积层、批量归一化过程、ReLU 和最大池化操作。这种基于 CNN 的分类方法的主要目的是通过分析脑部 MRI 来预测患者是否患有阿尔茨海默病。所实施的所提出的方法与经过训练、评估和测试过程的基于分类的系统相同。最后采用softmax层进行分类，并采用Adam优化技术降低loss，应用Adam可以实现更快的收敛，提出的改进CNN分类方法准确率达到97.8%。关键词：阿尔茨海默病检测，磁共振成像，卷积神经网络，深度学习
冷却还是不冷却？温度网络通过DRO
温度参数在训练和/或推理大型基本模型（LFM）（例如大语言模型（LLMS）和剪辑模型）中起着重要作用。，它调整了LLMS中的软马克斯函数的逻辑，这对于接下来的令牌生成至关重要，并且可以扩展训练夹模型的对比损失中的相似性。一个重要的问题仍然存在：“学习一个新网络以预测任何输入数据以增强LFM的个性化温度是否可行？”在本文中，我们提出了一个原则上的框架，用于学习一个小型但可推广的预测网络（TEMPNET），以改善LFM。我们的解决方案由一个新颖的学习框架组成，其强大的损失受到约束的分布强劲优化（DRO）和具有理论灵感的正确设计的fempnet。tempnet可以通过大型基础模型从头开始训练，也可以单独学到了审议的基础模型。它不仅用于预测个性化温度以促进LFM的训练，而且可以推广到新任务。我们在LLM和夹子模型上进行的实验表明，Tempnet极大地改善了现有解决方案或模型的性能，例如表1。可以在https://github.com/zhqiu/tempnet上找到重现本文实验结果的代码。