XiaoMi-AI文件搜索系统
World File Search SystemVGG16
在CT图像中具有缺血和出血检测，具有分类模型的超参数优化和改进的UNET分割模型
抽象深度学习是一种强大的技术，已应用于使用医学成像进行中风检测。中风是一种医疗状况，当大脑的血液供应中断时，会导致脑部损伤和其他严重的并发症。中风检测对于最大程度地减少损害并改善患者预后很重要。中风检测最常见的成像方式之一是CT（计算机断层扫描）。ct可以提供大脑的详细图像，可用于识别中风的存在和位置。深度学习模型，尤其是卷积神经网络（CNN），已经显示出使用CT图像检测中风的希望。这些模型可以学会自动识别图像中指示中风的模式，例如梗塞或出血的存在。在CT图像中用于中风检测的深度学习模型的一些示例是U-NET，通常用于医疗图像分割任务，而CNN已经过训练，这些CNN已经过训练，可以将脑CT图像分类为正常或异常。这项研究的目的是确定在没有造影剂的情况下拍摄的脑CT图像的中风类型，即闭塞（缺血）或出血（出血）。中风图像，并由医学专家构建数据集。深度学习分类模型通过超参数优化技术评估。并使用改进的UNET模型进行了分割，以可视化CT图像中的中风。分类模型，VGG16获得了％94成功。UNET模型达到了％60 iou，并检测到缺血和出血差异。
预测和消除加速稀疏训练中的冗余计算
深度神经网络 (DNN) 是图像、语音和文本处理的最新技术。为了解决训练时间长和能耗高的问题，自定义加速器可以利用稀疏性，即零值权重、激活和梯度。提出的稀疏卷积神经网络 (CNN) 加速器支持使用不超过一个动态稀疏卷积输入进行训练。在现有的加速器类别中，唯一支持双面动态稀疏性的是基于外积的加速器。然而，当将卷积映射到外积时，会发生与任何有效输出都不对应的乘法。这些冗余笛卡尔积 (RCP) 降低了能源效率和性能。我们观察到在稀疏训练中，高达 90% 的计算都是 RCP，它们是由 CNN 训练后向传递期间大矩阵的卷积产生的，用于更新权重。在本文中，我们设计了一种机制 ANT 来预测和消除 RCP，与外积加速器结合使用时可以实现更高效的稀疏训练。通过预测超过 90% 的 RCP，在使用 DenseNet- 121 [ 38 ]、ResNet18 [ 35 ]、VGG16 [ 73 ]、Wide ResNet (WRN) [ 85 ] 和 ResNet-50 [ 35 ] 的 90% 稀疏训练中，ANT 比类 SCNN 加速器 [67] 实现了 3.71 倍的几何平均速度提升，能耗降低了 4.40 倍，面积增加了 0.0017 平方毫米。我们将 ANT 扩展到稀疏矩阵乘法，以便同一个加速器可以预测稀疏全连接层、Transformer 和 RNN 中的 RCP。
图像完成的自我监视的深神经网络类似于早期的视觉皮层fMRI活动模式
人工智能在理解生物学视觉方面的承诺依赖于将计算模型与大脑数据的比较，以捕获视觉信息处理的功能原理。卷积神经网络（CNN）成功地匹配了沿着大脑前馈视途径延伸到腹侧颞叶皮质中的层次处理中的转换。但是，我们仍然要了解CNN是否可以成功地描述早期视觉皮层中的反馈过程。在这里，我们研究了人类早期视觉皮层和具有编码器/解码器体系结构的CNN之间的相似性，并接受了自我监督的学习训练以填充闭塞并重建了看不见的图像。使用代表性相似性分析（RSA），我们比较了人类参与者中未刺激的早期视觉皮层贴片的3T fMRI数据，这些数据是查看部分遮挡图像的人，以及来自同一图像的CNN层激活不同。结果表明，我们的自我监督图像完成网络在与fMRI数据的相似性方面优于经典的对象识别网络（VGG16）。这提供了其他证据，表明视觉系统的最佳模型可能来自较少的监督训练的饲养架构。我们还发现，与编码器激活相比，CNN解码器途径激活与大脑处理更相似，这表明早期视觉皮层中的中和低/中级特征的整合。挑战AI模型和人脑解决相同的任务提供了一种将CNN与大脑数据进行比较的宝贵方法，并有助于限制我们对信息处理的理解，例如神经元预测性编码。
用于图像修复的无监督深度神经网络类似于遮挡场景的早期视觉皮层 fMRI 活动模式
人工智能在理解生物视觉方面的前景依赖于将计算模型与大脑数据进行比较，从而捕捉视觉信息处理的功能原理。深度神经网络 (DNN) 已成功匹配大脑前馈视觉通路延伸至腹侧颞叶皮层过程中发生的分层处理转换。然而，我们仍有待了解 DNN 是否能够成功描述早期视觉皮层中的反馈过程。在这里，我们研究了人类早期视觉皮层与具有编码器/解码器架构的 DNN 之间的相似性，以无监督方式训练以填充遮挡并重建未见过的图像。使用表征相似性分析 (RSA)，我们比较了人类参与者在观看部分遮挡图像时未受刺激的早期视觉皮层斑块的 3T fMRI 数据与来自相同图像的不同 DNN 层激活。结果表明，我们的网络在与 fMRI 数据的相似性方面优于经典监督网络 (VGG16)，这意味着改进的视觉神经网络模型需要结合捕捉皮层反馈处理的架构。我们还发现，与编码器激活相比，DNN 解码器通路激活与大脑处理更相似，这表明早期视觉皮层中存在中级和低级/中级特征的整合。挑战 AI 模型和人脑解决同一项任务提供了一种将 DNN 与大脑数据进行比较的宝贵方法，并有助于限制我们对信息处理的理解，例如神经元预测编码。
标题转移学习基于小儿EEGS多个渠道的癫痫发作检测
摘要 - 癫痫是一种常见的神经系统疾病，其特征是在全球范围内影响多达7,000万人的癫痫发作。在生命的头十年中，每150名儿童中大约有一个被诊断出患有癫痫病。脑电图是诊断癫痫发作和其他脑部疾病的重要工具。但是，脑电图的专家视觉分析很耗时。除了减少专家注释时间外，自动癫痫发作检测方法是帮助专家分析脑电图的强大工具。对小儿脑电图中癫痫发作的自动检测的研究已被提出。深度学习算法通常用于小儿癫痫发作检测方法；但是，它们在计算上很昂贵，并且需要很长时间才能开发。可以使用转移学习来解决此问题。在这项研究中，我们在小儿EEG的多个通道上开发了一种基于转移学习的癫痫发作检测方法。公开可用的CHB-MIT EEG数据集用于构建我们的方法。数据集分为训练（n = 14），验证（n = 4）和测试（n = 6）。从10 s EEG信号产生的具有5 s重叠的频谱图用作三个预训练的传输学习模型（RESNET50，VGG16和InceptionV3）的输入。我们小心翼翼地将孩子分成培训或测试集中，以确保测试集是独立的。基于脑电图测试集，该方法具有85.41％的精度，85.94％的召回率和85.49％的精度。此方法有可能协助研究人员和临床医生对小儿脑电图中癫痫发作的自动分析。
使用基于图像的机器学习方法在纺织行业中的缺陷检测：简短评论
摘要。传统上，用于检测感兴趣要素的计算机视觉解决方案（例如，缺陷）是基于严格的上下文敏感的实现，以解决包含一组明确条件的问题。另一方面，几种机器学习方法证明了它们的概括能力，不仅是为了不断地改善分类，而且还基于基本方面从新示例中学习：从算法设置中分离数据。有关向后传播的发现以及基于图形卡技术建立的进步，可以提高机器学习的进步，这是一个被称为深度学习的子领域的进步，由于人类通常由人类处理的地图和交易知识，它在许多工业领域都变得非常流行，并具有令人难以置信的可伸缩性。织物缺陷检测是已逐渐自动化的手动过程之一，它是上述方法，因为它是质量控制的重要过程。目标是多种多样的：减少人体错误，疲劳，人体工程学问题和相关成本，同时改善所涉及任务的迅速性和准确性，并直接影响利润。遵循纺织行业的特定重点之后，这项工作旨在简要审查缺陷类型和自动化光学检查（AOI）（AOI），主要基于机器学习技术，这些技术已经证明了它们在识别纺织品材料分析中识别异常方面的有效性。基于已知体系结构（例如Alexnet或视觉几何组）（VGG16）等卷积神经网络（CNN），允许在98％以上的精确度上达到准确性。还提供了简短的讨论，并分析了当前表征这一干预领域的状态以及一些未来的挑战。
基于深度CNN的性能比较分析...
脑瘤是最危险和最具破坏性的疾病之一。晚期脑癌的死亡率更高。此外，脑瘤的误诊会产生危险并降低患者的生存机会。脑瘤的早期诊断有助于通过提供正确的治疗来挽救患者的生命。磁共振成像 (MRI) 和计算机断层扫描 (CT) 等计算机辅助医学成像技术有助于诊断疾病。因此，近年来，脑 MRI 分类成为一个活跃的研究领域。早期已经提出了许多用于 MRI 分类的方法，从经典方法到先进的深度学习 (DL) 算法，例如卷积神经网络 (CNN)。传统的机器学习 (ML) 技术需要手工制作的特征，而 CNN 通过卷积和池化层的参数调整直接从未处理的图像中提取特征来进行分类。使用 CNN 算法的特征提取主要受训练过程图像大小的影响。如果训练数据集大小较小，CNN 模型在某个时期后会过度拟合。因此，迁移学习技术得到了发展。在所提出的系统中，使用五种迁移学习架构（例如 AlexNet、Vgg16、ResNet18、ResNet50 和 GoogLeNet）进行五项研究，将脑 MRI 的临床数据集分类为良性和恶性。在脑 MRI 上应用数据增强技术来推广结果并减少过度拟合的可能性。在这个提出的系统中，经过微调的 AlexNet 架构分别实现了最高的精度、召回率和 f 测量值 0.937、1 和 0.96774。
图像完成的自我监视的深神经网络类似于早期的视觉皮层fMRI活动模式
人工智能在理解生物学视觉方面的承诺依赖于将计算模型与大脑数据的比较，以捕获视觉信息处理的功能原理。卷积神经网络（CNN）成功地匹配了沿着大脑前馈视途径发生的层次处理的转换，并延伸到腹侧颞叶皮层。但是，我们仍然要了解CNN是否可以成功地描述早期视觉皮层中的反馈过程。在这里，我们研究了人类早期视觉皮层和具有编码器/解码器体系结构的CNN之间的相似性，并接受了自我监督的学习训练以填充闭塞并重建了看不见的图像。使用代表性相似性分析（RSA），我们比较了来自人类参与者中未刺激的早期视觉皮层贴片的3T功能磁共振成像（fMRI）数据，这些数据是查看部分遮障图像的人类参与者中的，与同一图像中的CNN层激活不同。结果表明，我们的自我监督图像完成网络在与fMRI数据的相似性方面优于经典的对象识别网络（VGG16）。这项工作提供了其他证据，表明视觉系统的最佳模型可能来自较少受到监督训练的饲养场体系结构。我们还发现，与编码器激活相比，CNN解码器途径激活与大脑处理更相似，这表明早期视觉皮层中的中和低/中级特征的整合。挑战人工智能模型，通过自学学习学习自然图像表示，并将其与大脑数据进行比较可以帮助我们限制我们对
基于深度学习的分类，使用 MRI 图像检测阿尔茨海默病
阿尔茨海默病是一种常见的痴呆症，可导致认知功能和日常生活活动出现严重问题。尽管目前还没有阿尔茨海默病的明确治疗方法，但早期诊断对于减缓可能出现的不利状况和改善生活质量非常重要。由于人工智能技术的发展及其在不同领域的持续应用，机器学习技术有可能在阿尔茨海默病的检测中发挥重要作用。特别是基于深度学习的方法，它们能够自动从复杂模式中提取模式，在这一领域很有前景。最近的研究表明，使用深度学习模型对图像进行阿尔茨海默病检测正变得越来越普遍。除了有助于疾病的早期诊断外，这些模型还显示出通过分析磁共振图像中的症状来检测疾病的不同阶段的潜力。这些发展使得为患者开发更有效的治疗方法成为可能。然而，还需要更多的研究来评估这些技术在临床应用中的有效性和安全性。本研究使用 MobileNetV2、InceptionV3、Xception、Vgg16 和 Vgg19 模型对公开共享的阿尔茨海默病数据集进行了疾病诊断分类研究，该数据集包含 6400 个不同的样本和 4 个不同的类别。MobileNetV2 模型的准确率计算为 99.92%。将本研究中使用的模型的性能与文献中的类似研究进行了比较，并根据不同的指标报告了它们的性能。在使用的五种不同模型中，MobileNetV2 的准确率最高，为 99.92%。结论是，实验研究中使用的架构通常比文献中的类似研究产生更好的结果。
基于转移学习技术的端到端轮胎缺陷检测模型
抽象的视觉检查有缺陷的轮胎后期生产对于人体安全至关重要，因为故障轮胎会导致爆炸，事故和生命损失。随着技术的进步，转移学习（TL）在许多计算机视觉应用中起着影响的作用，包括轮胎缺陷检测问题。但是，自动轮胎缺陷检测很难有两个原因。首先是复杂的各向异性多纹理橡胶层的存在。第二，没有用于缺陷检测的标准轮胎X射线图像数据集。在这项研究中，使用来自全球轮胎公司的新数据集提出了基于TL的轮胎缺陷检测模型。首先，我们收集并标记了数据集，该数据集由3366个X射线图像和20,000张合格轮胎的图像组成。尽管数据集涵盖了15种由不同的设计模式引起的缺陷，但我们的主要重点是二进制分类以检测缺陷的存在或不存在。该具有挑战性的数据集分别分别为70％，15％和15％的培训，验证和测试。然后，对提出的数据集进行了调整，训练和测试的九个常见的预训练模型。这些模型是Xception，InceptionV3，VGG16，VGG19，Resnet50，resnet152v2，densenet121，InceptionResnetv2和MobilenetV2。结果表明，精细的VGG19，Densenet21和InceptionNet模型获得了与文献的兼容结果。此外，在召回，精度，准确性和F1分数方面，Xception模型优于比较的TL模型和文献方法。此外，它在测试数据集73.7、88、80.2和94.75％的召回，精度，F1分数和准确性的94.75％以及验证数据集73.3、90.24、80.9和95％的召回召回，精度，F1分数和精度分别实现。