XiaoMi-AI文件搜索系统
World File Search SystemVGG16
贡献报告-Indico Global
This paper presents a comprehensive performance evaluation of various AI architectures for a classification of holes drilled in melamine faced chipboard, including custom Convolutional Neu- ral Network (CNN-designed), five-fold CNN-designed, VGG19, single and five-fold VGG16, an en- semble of CNN-designed, VGG19, and 5xVGG16, and Vision Transformers （VIT）。每个模型的性能都根据其分类精度进行了测量和比较，视觉变压器模型，尤其是对8000个时期训练的B_32模型，以71.14％的精度证明了出色的性能。尽管取得了成就，但该研究强调了平衡模型性能与其他考虑因素（例如计算资源，模型复杂性和培训时间）的必要性。结果强调了仔细的模型选择和微调的重要性，不仅是由性能指标引导的，而且还取决于任务和上下文的特定要求和约束。这项研究为进一步探索其他基于变压器的模型提供了坚实的基础，并鼓励对模型进行微调的更深入研究，以利用这些AI体系结构对图像分类任务的全部潜力。
通过迁移学习和轮廓检测进行手绘逆向材料搜索和合成验证
摘要：各种形貌和化学性质的纳米材料广泛用于光子装置、高级催化剂、水净化吸附剂、农用化学品、药物输送平台以及成像系统等等。然而，寻找满足特定需求、具有所需结构、形状和尺寸的定制纳米材料的合成路线仍然是一个挑战，而且通常通过手动筛选研究文章来实现。在这里，我们首次通过迁移学习 (TL) 开发了扫描和透射电子显微镜 (SEM/TEM) 反向图像搜索和基于手绘的搜索，即 VGG16 卷积神经网络 (CNN) 重新用于图像特征提取和随后的图像相似性确定。此外，我们展示了该平台在碳酸钙系统上的案例使用，其中通过随机高通量多参数合成获得了足够量的数据，以及从文章中提取的金纳米颗粒 (NPs) 数据。该方法不仅可用于先进纳米材料的搜索和合成程序验证，还可以进一步与机器学习（ML）解决方案相结合，提供数据驱动的新型纳米材料发现。
Predify：使用脑机接口增强深度神经网络......
深度神经网络擅长图像分类，但其性能对输入扰动的鲁棒性远不如人类感知。在这项工作中，我们探索是否可以通过在深度卷积网络中结合大脑启发的循环动力学来部分解决这一缺点。我们从神经科学中流行的框架“预测编码”中汲取灵感。在分层模型的每一层，生成反馈“预测”（即重建）前一层的活动模式。重建误差用于在时间步长上迭代更新网络的表示，并优化网络在自然图像数据集上的反馈权重——一种无监督训练的形式。我们表明，在两个流行的网络 VGG16 和 EfficientNetB0 中实施此策略可以提高它们对各种破坏和对抗攻击的鲁棒性。我们假设其他前馈网络也可以从所提出的框架中受益。为了促进这方面的研究，我们提供了一个基于 PyTorch 的开源包 Predify，可用于实现和研究任何卷积神经网络中预测编码动态的影响。
使用机器学习为视障人士检测纸币
在当今充斥着欺骗和其他欺诈行为的世界里，人们发现生活非常困难。对于盲人或视力有障碍的人来说，情况更糟。他们在日常生活中面临着更多的挑战，特别是在处理货币和其他与金钱有关的问题时。为了帮助盲人，我们正在开发一个项目，帮助他们识别货币的面额，因为钞票上没有盲文标记。伪钞或假钞是另一项难以识别的任务，无论是对健康人还是盲人而言。因此，除此之外，我们还加入了假钞检测系统，帮助每个公民避免被骗。关键词：假钞检测、货币识别、VGG16、盲人、CNN、图像处理。介绍机器学习是一种人工智能能力，它奖励编程应用程序在预测结果时更加谨慎，而无需进行明确修改。ML 计算利用明显的信息作为预期新收益的义务。在神经网络中，卷积神经网络 (ConvNets 或 CNN) 是进行图像分类、图像分析和图像处理的主要方法之一。图像识别、面部识别等是 CNN 广泛应用的领域之一。
MRI图像的微调深度学习模型的比较研究
摘要。脑肿瘤是细胞的异常发育，无法控制地繁殖并且没有任何外部刺激。如果未发现肿瘤，脑肿瘤可能对人的健康致命。专家和神经外科医生采用磁共振成像（MRI）扫描来诊断脑肿瘤。已经开发了几种用于检测脑肿瘤存在的深度学习方法，以克服这些约束。准确检测脑肿瘤的大小和位置对于诊断肿瘤至关重要。医学图像处理是一种高度复杂而艰难的学科，其中图像处理及其方法是一个主动的研究主题。有各种技术深度学习和机器学习算法用于检测脑肿瘤。我们在本文中使用了CNN结构，Resnet，VGG16和Inception网络，并进行了比较研究以发现检测脑肿瘤的最大准确性。当将这些算法施加在MRI图像上时，脑肿瘤的预测很快就会进行，并且较高的精度有助于患者的治疗。在本文中，经过四种Di -Erent算法的完整过程和分析后，我们发现CNN体系结构是最适合最高准确性的。
增强 MRI 中的脑肿瘤分类
增强 MRI 中的脑肿瘤分类：利用深度卷积神经网络提高准确性 Shourove Sutradhar Dip 毛拉纳巴沙尼科技大学信息和通信技术系，孟加拉国 Tangail-1902 电子邮件：it16008@mbstu.ac.bd Md. Habibur Rahman 毛拉纳巴沙尼科技大学信息和通信技术系，孟加拉国 Tangail-1902 电子邮件：it16051@mbstu.ac.bd Nazrul Islam* 贾汉吉尔纳加尔大学信息技术学院，孟加拉国 Dhaka-1342 Savar 电子邮件：nazrul.mbstu@gmail.com ORCID iD：https://orcid.org/0000-0002-9276-8388 *通讯作者 Md. Easin Arafat 信息技术学院， Jahangirnagar 大学，Savar，Dhaka-1342，孟加拉国 电子邮件：arafatr.research@gmail.com ORCID iD：https://orcid.org/0000−0003−4014−9144 Pulak Kanti Bhowmick Mawlana Bhashani 科技大学信息与通信技术系，Tangail-1902，孟加拉国 电子邮件： pulak.ict.mbstu@gmail.com Mohammad Abu Yousuf 信息技术研究所，Jahangirnagar 大学，Savar, Dhaka-1342, 孟加拉国 电子邮件：yousuf@univ.edu ORCID iD：https://orcid.org/0000-0001-8065-7173 收稿日期：2023 年 10 月 25 日；修订日期：2023 年 12 月 7 日；接受日期：2024 年 1 月 12 日；发布日期：2024 年 6 月 8 日 摘要：脑肿瘤是最致命的癌症之一，患者的死亡率很高。识别和分类脑肿瘤是了解其功能的关键步骤。治疗脑肿瘤的最佳方法取决于其类型、大小和位置。在现代，放射科医生利用可以通过磁共振成像 (MRI) 确定的脑肿瘤位置。然而，手动测试和 MRI 检查既费时又需要技能。此外，肿瘤的误诊可能导致不适当的药物治疗，这可能会降低他们的生存机会。随着深度学习 (DL) 技术的进步，计算机辅助诊断 (CAD) 以及机器学习 (ML) 技术已经发展到帮助检测脑肿瘤的程度，放射科医生现在可以更准确地识别脑肿瘤。本文提出了一种使用 VGG16 模型进行 MRI 图像分类以构建深度卷积神经网络 (DCNN) 架构。使用来自 Kaggle 的两组脑部 MRI 数据对所提出的模型进行了评估。在 Google Colab 训练期间，考虑到这两个数据集，所提出的方法取得了显著的性能，最高总体准确率分别为 96.67% 和 97.67%。据报道，所提出的模型在训练期间运行良好，准确率很高。所提出的模型的性能标准超越了现有技术。索引词：CNN、脑肿瘤、ML、MRI 图像、VGG16。
将增强和缺失的像素归合组合
遥感图像分类在各种领域至关重要，包括农业，城市规划和环境监测。但是，有限的标记数据和缺失的像素对实现准确的分类构成了挑战。在这项研究中，我们提出了一个综合框架，该框架使用潜在扩散模型和基于强化学习的基于基于学习的缺失像素插补来整合数据，以增强深度学习模型的分类性能。该框架由三层组成：数据增强，缺少像素的插补以及使用修改后的VGG16体系结构进行分类。基准数据集上的广泛实验证明了我们的框架的重大影响，通过显着提高分类准确性和鲁棒性，超过了最新技术。结果突出了我们的增强和归纳技术的有效性，分别达到97.56％，97.34％和97.34％的骰子得分，准确性和召回指标。我们提出的框架为准确的遥感图像分类提供了一个宝贵的解决方案，解决了有限数据和缺失像素的挑战，并且在各个域中具有广泛的应用程序。关键字：VGG 16，卷积神经网络，扩散模型，遥感，卫星图像。
面向移动恶意软件检测和分类的可解释量子机器学习
摘要：多年来，移动设备市场一直在快速增长，而由于这种趋势，移动恶意软件也变得越来越复杂。研究人员专注于恶意软件检测系统的设计和开发，以加强敏感和私人信息的安全性和完整性。在这种背景下，深度学习得到了利用，也应用于网络安全领域，展示了构建模型以检测应用程序是可信的还是恶意的的能力。最近，随着量子计算的引入，我们见证了量子算法在机器学习中的引入。在本文中，我们比较了五种最先进的卷积神经网络模型（即 AlexNet、MobileNet、EffficientNet、VGG16 和 VGG19）、作者开发的一个网络（称为 Standard-CNN）和两种量子模型（即混合量子模型和全量子神经网络）来对恶意软件进行分类。除了分类之外，我们还通过采用梯度加权类激活映射来突出显示从应用程序获得的图像中具有特定预测症状的区域，以及卷积和量子模型在 Android 恶意软件检测中获得最佳性能，从而提供模型预测背后的可解释性。在由 8446 个 Android 恶意和合法应用程序组成的数据集上进行了真实世界的实验，获得了有趣的结果。
计算机科学杂志
摘要 - 脑肿瘤是颅骨内异常质量生长的一般名称，这是由于大脑中细胞续签期间的误差而导致的。从脑肿瘤中丧生的人数每天都在增加。早期诊断对于减少损失的治疗计划和结果至关重要。MRI（磁共振）成像方法广泛用于脑肿瘤诊断并显示大脑中的组织。通过在传统方法中使用MR图像对脑肿瘤进行分类很困难，因为大脑结构及其中的组织很复杂。脑肿瘤分类已被使用，近年来一直很受欢迎并且在分类方面具有很高的准确率。在这项研究中，它的目的是通过比较VGG16，VGG19和MobïLenet深度学习体系结构来确定具有最高精度比率的体系结构。为了增加这些体系结构的成功，将直方图均衡应用于数据库中的图像。所使用的数据集由3590 MR图像组成，由四个脑肿瘤类（神经胶质瘤，脑膜瘤，无肿瘤，垂体）组成。MobileNet由于测试和训练而获得了最高的精度。实验研究表明，直方图均衡通过提高图像质量有助于深度学习结构的性能。关键词：脑肿瘤，图像分类，深度学习
使用CNN
癌症是不良细胞的进展，可增加头骨内颅内压。在大多数情况下，使用不同的图像技术，例如，CT扫描，MRI和超声检查图像用于评估头脑中的肿瘤，肺，怀抱，肝脏，前列腺等。通常通过磁共振成像（MRI）来完成心灵肿瘤的识别。主要缺点是找到确切的位置/位置。因此，找到基于图像检测，识别和分类疾病的手段和方法变得重要。可靠和自动分类系统对于避免人类死亡率很重要。在周围脑肿瘤区域的广泛空间和结构异质性中，脑肿瘤的自动分类非常困难。自动脑肿瘤发现，我们的主要目标是建立一个深度学习模型，该模型可以成功地识别并将图像分类为脑肿瘤（肿瘤）或不是脑肿瘤（非肿瘤）。在本文中，我们提出了一种基于CNN的转移学习方法，该方法使用VGG16（预训练模型）将大脑MRI扫描分为两类。实验结果表明，CNN归类为96.5％的训练精度和90％的测试精度，其复杂性低的训练精度与最新方法的所有其他方法都有区别。