XiaoMi-AI文件搜索系统
World File Search Systemclassification
研究论文 使用反向传播神经网络对高光谱遥感数据中的岩性信息进行提取和分类
为了解决高光谱遥感数据处理中遇到的同构问题,提高高光谱遥感数据在岩性信息提取与分类的精度,以岩石为研究对象,引入反向传播神经网络(BPNN),对高光谱图像数据进行归一化处理后,以岩性光谱与空间信息为特征提取目标,构建基于深度学习的岩性信息提取模型,并使用具体实例数据分析模型的性能。结果表明:基于深度学习的岩性信息提取与分类模型总体精度为90.58%,Kappa系数为0.8676,能够准确区分岩体性质,与其他分析模型相比具有较好的性能。引入深度学习后,提出的BPNN模型与传统BPNN相比,识别精度提高了8.5%,Kappa系数提高了0.12。所提出的提取及分类模型可为高光谱岩矿分类提供一定的研究价值和实际意义。
![[JC_presentation] 深度学习在心电图心律失常检测和分类中的应用：2017 年至 2023 年进展概览](/simg/5/5d1e51c4e2f0f20ac0160753f5ff4020dbe9ce1b.webp)
[JC_presentation] 深度学习在心电图心律失常检测和分类中的应用：2017 年至 2023 年进展概览
- “心律失常检测” - “心电图心律失常” - “室性心律失常” - “室上性心律失常” - “早搏” - “心脏传导阻滞” - “心动过缓” - “心动过速” - “12 导联心电图” - “心脏信号处理” - “心电图中的深度学习” - “CNN” - “DNN” - “LSTM” - “Transformers” - “混合模型”
糖尿病对肌腱病理学的影响绿豆种子的快速准确分类...
mung豆种子在农业生产和食品加工中非常重要，但是由于它们的多样性和相似的外观，传统的分类方法都具有挑战性，以解决这一问题，这项研究提出了一种基于学习的方法。在这项研究中，基于深度学习模型MobilenetV2，提出了DMS块，并通过引入ECA块和Mish激活函数，即提出了高度优势网络模型，即HPMobileNet，提出，该模型被提出，该模型是在eLBIND中探索的，可用于分类和精确的图像识别。在这项研究中，收集了八种不同的绿豆种子，并通过阈值分割和图像增强技术获得了总共34,890张图像。hpmobilenet被用作主要网络模型，并通过在大规模的绿豆种子图像数据集上进行训练和精细调整，实现了有效的特征提取分类和识别能力。实验结果表明，HPMobileNet在Mung Bean Seed Grain Grain分类任务中表现出色，其准确性从87.40％提高到测试集的94.01％，并且与其他经典网络模型相比，结果表明，HPMobileNet可以达到最佳结果。此外，本研究还分析了学习率动态调整策略对模型的影响，并探讨了将来进一步优化和应用的潜力。因此，这项研究为开发绿豆种子分类和智能农业技术提供了有用的参考和经验基础。
海军士兵人力和人员分类
2000 海军五角大楼 华盛顿特区 20350-2000 1221 Ser 00/363 2023 年 6 月 16 日 来自：军事人事计划和政策司司长（N13） 致：所有舰船和站点（不包括没有海军人员的海军陆战队战地收件人） 主题：2023 年 7 月颁布海军士兵人力和人员分类和职业标准手册（NAVPERS 18068F）第一卷和第二卷 编号：(a) OPNAVINST 1223.1D (b) NAVPERS 18068F 1. 与参考文献 (a) 一致，参考文献 (b) 的第一卷是海军职业标准的官方手册，参考文献 (b) 的第二卷是海军士兵的官方手册分类。本版本包括修订时可用的最新信息。2. 本手册的目的是定义士兵所执行的工作，并根据所有指挥梯队的互动支持，及时、准确地识别技术人员和要求。鼓励指挥部根据参考 (b)（附录 A）转发建立、修订或取消的建议。3. 海军人事局 CD-ROM 将每半年分发一次。将活动添加到 CD-ROM 自动分发列表中的请求应发送至：海军部海军人事司令部收件人：PERS-532D 5720 Integrity Drive Millington, TN 38055-0532 并包含以下相关信息：标准海军分发列表编号 (SNDL) 活动名称、缩写和 UIC 地址注意代码联系人及电话号码请求的 CD 数量及理由电子邮件地址更正至：BUPERSWEB/CD@navy.mil
海军入伍人力和人员分类
海军部 海军作战部长办公室 2000 海军五角大楼 华盛顿特区 20350-2000 1221 Ser 00/436 16 十月 23 来自：军事人员计划和政策司 (N13) 主任 致：所有舰船和站点（不包括没有海军人员的海军陆战队实地收件人） 主题：2023 年 10 月颁布海军士兵人力和人员分类及职业标准手册 (NAVPERS 18068F) 第一卷和第二卷 参考：(a) OPNAVINST 1223.1D (b) NAVPERS 18068F 1.根据参考 (a)，第卷参考文献 (b) 中的 I 卷是海军职业标准的官方手册，参考文献 (b) 中的第 II 卷是海军士兵分类的官方手册。此版本包含修订时可用的最新信息。2.该手册的目标是定义士兵所执行的工作，并根据所有指挥梯队的交互支持，正确及时地识别技术人员和要求。鼓励各指挥部根据参考文献 (b)（附录 A）提出建立、修订或撤销的建议。3.海军人事局 CD-ROM 将每半年分发一次。将活动添加到 CD-ROM 自动分发列表的请求应发送至：海军部海军人事司令部收件人：PERS-532D 5720 Integrity Drive Millington, TN 38055-0532，并包含以下相关信息：标准海军分发列表编号 (SNDL) 活动名称、缩写和 UIC 地址注意代码联系人及电话号码请求的 CD 数量及理由电子邮件地址更正至：BUPERSWEB/CD@navy.mil
通过量子假设测试的量子分类的最佳可证明的鲁棒性
量子机学习模型与其经典同行相比，有可能提供加速和更好的预测精度。然而，这些量子算法与它们的经典算法一样，也已被证明也很容易受到输入扰动的影响，尤其是对于分类问题。这些可能是由于嘈杂的实现而引起的，也可以作为最坏的噪声类型的对抗性攻击。为了开发防御机制并更好地理解这些算法的可靠性，在存在自然噪声源或对抗性操纵的情况下了解其稳健性至关重要。从量子分类算法涉及的测量值是自然概率的，我们发现并形式化了二进制量子假设测试与可证明可证明可靠的量子分类之间的基本联系。此链接导致紧密的鲁棒性条件，该条件对分类器可以忍受的噪声量构成约束，而与噪声源是自然的还是对抗性的。基于此结果，我们开发了实用协议以最佳证明鲁棒性。最后，由于这是针对最坏情况类型的噪声类型的鲁棒条件，因此我们的结果自然扩展到已知噪声源的场景。因此，我们还提供了一个框架来研究量子分类方案的可靠性，超出了对抗性，最坏情况的噪声场景。
与EEG和眼睛跟踪数据的跨主题阅读任务分类的Zuco基准
我们提出了一个新的机器学习基准，用于阅读任务分类，目的是在计算语言处理与认知神经科学之间的相交中推进脑电图和眼睛追踪研究。基准任务由一个跨主体分类组成，以区分两个阅读范式：正常阅读和特定于任务的读数。基准的数据基于苏黎世的认知语言处理语料库（ZUCO 2.0），该语料库提供了同时引人注目的视线和来自英语句子的自然阅读的EEG信号。培训数据集已公开可用，我们提出了新记录的隐藏测试集。我们为此任务提供多种可靠的基线方法，并讨论未来的改进。我们发布代码，并提供易于使用的界面，以使用随附的公共排行榜：www.zuco-benchmark.com评估新方法。
将物理世界和虚拟世界结合起来进行运动认知训练干预：关于运动技术分类的指导意见书
有效的运动需要完整的运动和认知功能。越来越多的文献研究了运动认知干预措施，以提高健康或患病老年人的整体生活质量。对于此类干预，新的技术进步不仅在动机方面至关重要，而且对于改善多刺激世界中的用户体验也至关重要，这些世界通常以真实和虚拟环境的混合形式提供。本文为与运动相关的研究提供了一个分类系统，涉及在不同程度的虚拟环境中执行的运动认知干预。分类分为三类：（a）数字设备的类型及其提供的沉浸度；（b）人机交互的存在与否；（c）训练期间的活动参与，定义为活动>任务的1.5代谢当量。由于虚拟现实（VR）通常将不同的技术归类在同一术语下，我们提出了从计算机显示器和投影仪到头戴式VR技术的数字设备分类法。近年来发展迅速的所有沉浸式技术都归类在扩展现实（XR）这一总称下。这些包括增强现实 (AR)、混合现实 (MR) 和虚拟现实，以及所有尚未开发的技术。这项技术不仅在游戏和娱乐方面具有潜力，而且在研究、运动认知训练计划、康复、远程医疗等方面也具有潜力。本立场文件为基于数字设备、人机交互和身体参与的未来运动相关干预措施提供了定义、建议和指南，以便更一致地使用术语并有助于更清楚地理解其含义。
自动疾病阶段阶段分类的glioblastoma- ...
摘要在计算组织病理学领域，计算机辅助诊断系统对于获得各种疾病的患者诊断和有助于精确医学很重要。因此，已经报道了许多关于数字病理图像的自动分析方法的研究。在这项工作中，我们讨论了一种自动提取和疾病阶段分类方法多形胶质母细胞瘤（GBM）组织病理学图像。在本文中，我们使用深层卷发神经网络（深CNN）同时获取功能描述符和分类方案。此外，在这个充满挑战的分类问题中，与其他流行的CNN进行了客观和定量的比较。使用癌症基因组图像的胶质瘤图像的实验表明，我们的网络平均分类准确性为96：5％，而对于更高的交叉验证，其他网络的性能相似，较高的精度为98：0％。深CNN可以以高精度从GBM组织病理学图像中提取显着特征。总的来说，具有深CNN的组织病理学图像的GBM疾病阶段分类非常有前途，并且在大规模组织病理学图像数据的可用性中，深CNN非常适合解决这个挑战性问题。
基于AI的CNS肿瘤的组织病理学分类 n-基因分类与数据的机器学习模型... Bach2调节T细胞谱系状态以克服由补品汽车信号驱动的功能障碍Tien-Ching Chang 1,2，Amanda听到了1,2，John Lattin 2， 扩展数据图1。与rfdiffusion的β链配对支架的设计。利用rfdiffusion的各种生成潜力，而 太阳能：用于黑辅助限制基准测试的太阳能热电厂模拟器 小农户的侵害性和风险行为对Nyando盆地CSV的气候诱发压力：设计家庭和乡村级别方法的影响
Artem Shmatko 1,3，*，Patel 1：4,5,6，*，Ramin Rahmanzade 4.5，红色4.5，Luke Friedrich Schrimmpf 4.5.7，Big 4.5，Henri Bogumil 4.5，Sybren L.N.5月8日，马丁·西尔·詹妮克（Martin Sill Jannik）11,13，大卫·鲁斯（David Reuss），克里斯蒂安·埃罗德·孟德（Christian Herold-Mende）9，技能M琼斯6:14，Stefan M. Pfister，Arnault Esparia-Sack 31,32，Pascal Varlet 31,32，Brandner 33，Xiangzhi Bai 2，Andreas von Deimling 4.5，