XiaoMi-AI文件搜索系统
World File Search SystemVGG19
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
干眼症中的人工智能
Deng X 等人。( 2021 ) [ 29 ] 估计泪液弯月高度 217 Oculus Keratograph 泪液弯月图像 CNN (U-net) 准确度 = 82 。5 %，灵敏度 = 0 。899 ，精度 = 0 。911 ，F1 分数 = 0 。901 Elsawy A 等人。( 2021 ) [ 30 ] 诊断 DED 547 AS-OCT 眼表图像预训练 CNN (VGG19) AUCROC = 0 。99（模型 1）和 0 。98（模型 2），AUCPRC = 0。96（模型 1）和 0。94（模型 2），F1 得分 = 0。90（模型 1）和 0。86（模型 2）* Khan ZK 等人。（2021）[ 31 ] 检测 MGD 112 睑板腺 3D IR 图像、下眼睑和上眼睑睑板腺图像 GAN F1 得分 = 0。825，P-HD = 4。611，聚合 JI = 0。664 ，r = 0 。962 (clincian1) 和 0 。968 (clinician2)，p 值 < 0 。001 ，平均差异 = 0 。96 (clincian1) 和 0 。95 (clincian2) Xiao P 等人。( 2021 ) [ 32 ] 检测 MGD 15 (图像) Oculus Keratograph IR 眼底摄影图像 Prewitt 算子、Graham 扫描算法、碎片算法和 SA（按顺序使用）
通过深度学习来推进手写签名验证：全面的研究和高精度方法
摘要 - 本文介绍了一项有关使用深度学习技术的手写签名验证的全面研究。本研究旨在应对离线签名验证的挑战，在此任务是自动区分真正的签名与伪造的挑战。所提出的方法利用了最新的深度学习模型，包括Mobilenet，Resnet50，InceptionV3和VGG19与Yolov5结合使用，以实现高精度分类和可靠的伪造检测。在多个基准数据集上评估了该系统，包括Kaggle签名，Cedar，ICDAR和SIGCOMP，在各种现实世界中展示了其有效性和鲁棒性。所提出的方法包括数据预处理技术，以增强输入手写签名图像的质量，从而使模型能够捕获基本功能和模式以进行准确的分类。结果表明，与现有的最新方法相比，提出的方法的优越性在识别真正的特征并准确检测伪造方面达到了出色的准确率（89.8％）。此外，该模型对变化数据集大小和配置的适应性进一步支持其在签名验证任务中实际部署的潜力。这项研究有助于脱机签名验证技术的发展，为确保各种应用程序中手写签名的安全性和真实性提供了可靠，有效的解决方案。
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。
基于深度学习的肿瘤检测和语义分割框架
摘要。对于脑肿瘤治疗计划，医生和放射科医生的诊断和预测取决于医学成像。从各种成像方式（例如计算机断层扫描 (CT)、正电子发射断层扫描 (PET) 和磁共振 (MR) 扫描）获取具有临床意义的信息是放射科医生使用的软件和高级筛查的核心方法。在本文中，介绍了一个通用而复杂的框架，用于剂量控制过程的两个部分：从医学图像中检测肿瘤和分割肿瘤区域。该框架形成了从 CT 和 PET 扫描中检测神经胶质瘤的方法的实现。研究了两个深度学习预训练模型：VGG19 和 VGG19-BN，并将其用于融合 CT 和 PET 检查结果。Mask R-CNN（基于区域的卷积神经网络）用于肿瘤检测——该模型的输出是图像中每个对象（肿瘤）的边界框坐标。 U-Net 用于执行语义分割：分割恶性细胞和肿瘤区域。迁移学习技术用于在数据集有限的情况下提高模型的准确性。应用数据增强方法来生成和增加训练样本的数量。实施的框架可用于结合灰度和 RGB 图像中的对象检测和区域分割的其他用例，尤其是塑造医疗保健行业的计算机辅助诊断 (CADx) 和计算机辅助检测 (CADe) 系统，以方便和协助医生和医疗保健提供者。
使用 X 射线手部图像进行基于人工智能的年龄估计
骨龄评估有多种用途。它可以帮助儿科医生预测生长、青春期开始、识别疾病，并评估缺乏适当身份证明的人是否是未成年人。这是一个耗时的过程，也容易出现观察者内差异，从而导致许多问题。本论文尝试通过使用不同的物体检测方法来检测和分割对评估具有解剖学重要性的骨骼，并使用这些分割的骨骼来训练深度学习模型来预测骨龄，从而改善和加快骨龄评估。使用了一个包含 12811 张婴儿至 19 岁人群的 X 射线手部图像的数据集。在第一个研究问题中，我们比较了三种最先进的物体检测模型的性能：Mask R-CNN、Yolo 和 RetinaNet。我们选择了性能最佳的模型 Yolo，以分割数据集中指骨的所有生长板。我们继续使用分割和未分割的数据集训练四种不同的预训练模型：Xception、InceptionV3、VGG19 和 ResNet152，并比较了性能。我们使用未分割和分割的数据集都取得了良好的结果，尽管使用未分割的数据集的性能略好。分析表明，通过增加腕骨、骨骺和骨干的生长板检测，我们可能能够使用分割数据集实现更高的准确率。性能最佳的模型是 Xception，使用未分割的数据集实现了 1.007 年的平均误差，使用分割的数据集实现了 1.193 年的平均误差。
基于迁移学习的深度 CNN 范式设计用于脑肿瘤分类 NEHA BHARDWAJ、MEENAKSHI SOOD、SS GILL
摘要：脑瘤是一种致命疾病，导致全球死亡。现有的用于检测脑瘤的神经影像学方法是侵入性的，并且存在观察者偏见。使用复杂人工智能技术的自动 CAD 框架减少了人为干预，可以有效处理大量数据。使用机器学习技术的自动 CAD 框架需要使用耗时且容易出错的手动特征提取程序。深度学习技术涉及自动特征提取；因此，可以快速获得可观的分类结果。然而，从头开始训练 DL 模型需要投入大量的时间、金钱和大量数据集，这在医学领域很难实现。因此，权衡是利用 VGG16、VGG19、AlexNet 等经过充分学习的模型来设计一种用于脑瘤分类的新框架。本文旨在通过迁移学习对预训练的 VGG16 架构进行微调，以开发基于 CNN 的深度学习框架，用于脑瘤检测。采用迁移学习技术的设计框架可以在更短的时间内以更少的数据获得更好的结果。使用迁移学习对脑 MRI 图像进行脑肿瘤二元分类，准确率达到 97%。训练和验证准确率分别为 100% 和 97%，共 30 个时期。分类损失低至 0.0059%，运行时间为 32ms/步，远低于现有模型。关键词：- 卷积神经网络、深度学习、计算机辅助诊断、分类、超参数调整、磁共振成像。
用视觉变压器网络射击板球击球击球射击
在应用于板球分析的计算机视觉领域中，分类击球镜头带来了巨大的挑战，要求细微的理解和分类。板球投篮的分类至关重要，因为它使玩家有效地评估，适应和执行他们的游戏计划，从而塑造比赛的结果。本文介绍了板球击球照片图像数据集（CBSID），这是一个新的基准数据集，其中包含2160个精心注释的板球镜头图像，这些板球拍摄了七个不同的类别。这项研究的核心目标是开发一个能够有效分类图像中板球击球的强大系统。为了解决这个问题，我们提出了一种基于视觉变压器的微调模型，专门适用于板球射击分类，称为板球击球射击视觉变压器（Shot-Vit）。我们提出的方法证明了出色的性能，在CBSID上实现了92.58％的验证精度。shot-Vit在板球射击分类精度中明显胜过建立的模型，例如VGG19，resnet50，i-alexnet和fit_b32，展示了视觉变压器在超过现有的深度学习体系结构方面的显着功能。视觉变压器具有通过自我注意的机制来捕获图像中的全球环境和远程依赖性的能力，从而实现了有效的特征提取和表示，传统模型可能难以实现。板球击球的准确分类对板球教练，球员发展和比赛分析具有深远的影响。它有可能改变培训方法，为球员和教练提供对击球技巧和策略的精确见解，从而为这项运动的整体进步做出了贡献。
基于学习的深度巷道维护辅助系统...
摘要 - 本文提出了专门为自动驾驶汽车设计的高级车道保管援助系统。提出的模型将强大的Xeption网络与转移学习和微调技术相结合，以准确预测转向角度。通过分析摄像机捕获的图像，该模型有效地从人类驾驶知识中学习，并提供了对安全车道保持所需的转向角度的精确估计。转移学习技术允许模型利用从Imagenet数据集获得的广泛知识，而微型调整技术则用于根据输入图像来指导角度预测的特定任务来定制预训练的模型，从而实现最佳性能。微调是通过最初冷冻预训练的模型并仅训练前10个时期的完全连接（FC）层来开始的。随后，整个模型涵盖了主链和FC层，以进行进一步的训练。为了评估系统的有效性，对包括NVIDIA，MOBILENETV2，VGG19和InceptionV3在内的流行现有模型进行了全面的比较分析。评估包括基于损耗函数的操作准确性的评估，特别是利用了平方误差（MSE）方程。所提出的模型实现了训练和验证的最低损耗函数值，证明了其出色的预测性能。这种实际评估提供了对模式的可靠性及其有效协助行驶任务的潜力的宝贵见解。此外，通过对预设计的轨迹和地图进行广泛的现实世界测试进一步评估了该模型的性能，从而导致转向角度远离所需轨迹的最小偏差。关键字 - 行长辅助，自动驾驶汽车，X CEPTION，转移学习，微调，转向角度预测
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。