XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
spikeatConv：用于节能神经形态视觉处理
尖峰神经网络（SNNS）代表了向更有能力和生物学上合理的计算模型转变的范式的最前沿。作为第三代神经网络技术，通过模拟生物神经加工的事件驱动的特征，SNN是传统机器智能系统的有前途的替代方案（Maass，1997）。SNN的吸引力是多方面的，它们的能力不仅可以在较低的功耗下运行，还可以以紧密反映大脑时空动态的方式进行计算（Roy等，2019）。SNN的基于尖峰的通信协议特别适合稀疏和异步计算，使其非常适合在神经形态芯片上部署。这些芯片旨在模仿大脑的神经结构，利用SNN的固有稀疏激活模式实现了显着的能量效率改善（Li等，2024; Frenkel等，2023; Merolla et al。; Merolla et al。，2014; Davies et al。，2018; davies et al。，2018; pei; pei et al an al et al et al。
基于卷积神经网络的胸部X射线图像动态肺场的三阶段注册管道
1 1，深圳Lanmage医疗技术公司，有限公司，深圳市，广东，中国广东，2 Neusoft Medical System Co.，2.中国申阳大学的生命与健康管理学院，第6次放射学系，广州医科大学第二附属医院，中国广州，7七国卫生科学与环境工程学院，宁岑技术大学，宁岑，宁津，中国，8工程学研究中心，医学成像研究中心，<1，深圳Lanmage医疗技术公司，有限公司，深圳市，广东，中国广东，2 Neusoft Medical System Co.，2.中国申阳大学的生命与健康管理学院，第6次放射学系，广州医科大学第二附属医院，中国广州，7七国卫生科学与环境工程学院，宁岑技术大学，宁岑，宁津，中国，8工程学研究中心，医学成像研究中心，<
实时3D对象检测的轻量级卷积神经网络在道路和铁路环境中
抽象的智能移动性和自动驾驶汽车（AV），必须非常精确地了解环境，以保证可靠的决策，并能够将公路部门获得的结果扩展到铁路等其他领域。为此，我们基于Yolov5引入了一个新的单阶段单眼3D对象检测卷积神经网络（CNN），该卷积神经网络（CNN）致力于公路和铁路环境的智能移动性应用。要执行3D参数回归，我们用混合锚盒替换了Yolov5的锚点。我们的方法有不同的模型大小，例如yolov5：小，中和大。我们提出的新模型已针对实时嵌入DED约束（轻巧，速度和准确性）进行了优化，该模型利用了被分裂注意的改进（SA）卷积所带来的改进（称为小型分裂注意模型（SMALL-SA）。为了验证我们的CNN模型，我们还通过利用视频游戏Grand Theft Auto V（GTAV）来引入一个新的虚拟数据集，以针对道路和铁路环境。我们在Kitti和我们自己的GTAV数据集上提供了不同模型的广泛结果。通过我们的结果，我们证明了我们的方法是最快的3D对象检测，其准确性结果接近Kitti Road数据集上的最新方法。我们进一步证明，GTAV虚拟数据集上的预训练过程提高了实际数据集（例如Kitti）的准确性，从而使我们的方法比最先进的方法获得了更高的准确性，该方法具有16.16％的3D平均均衡性精度，而硬CAR检测的推理时间为11.1 MS/rtx 3080 gpu的推理时间为11.1 s/simage。
将卷积层和Biforter网络与前向和反向传播培训
准确的分子特性预测对于药物发现和计算化学至关重要，促进了有希望的化合物并加速治疗性发育的鉴定。传统的机器学习以高维数据和手动特征工程的速度失败，而现有的深度学习方法可能不会捕获复杂的分子结构，而留下了研究差距。我们引入了深CBN，这是一个新型框架，旨在通过直接从原始数据中捕获复杂的分子表示来增强分子性质预测，从而提高了准确性和效率。我们的方法论结合了卷积神经网络（CNN）和biforter注意机制，同时采用了前向算法和反向传播。该模型分为三个阶段：（1）功能学习，使用CNN从微笑字符串中提取本地特征； （2）注意力完善，通过向前前锋算法增强的Biforter模块捕获全球环境； （3）预测子网调整，通过反向传播进行微调。对基准数据集的评估 - 包括TOX21，BBBP，SIDE，Clintox，Clintox，Bace，HIV和MUV，表明深-CBN达到了近乎完美的ROC-AUC分数，显着超过了最好的State-Art-Art方法。这些发现证明了其在捕获复杂分子模式的有效性，提供了一种强大的工具来加速药物发现过程。
模拟飞行任务中的认知负载识别
量子卷积神经网络（QCNN）代表量子机学习中的一种有希望的方法，为量子和经典数据分析铺平了新方向。由于缺乏贫瘠的高原问题，训练量子神经网络（QNN）及其可行性，这种方法特别有吸引力。但是，将QCNN应用于经典数据时会产生一个限制。当输入量子数的数量为两个功率时，网络体系结构是最自然的，因为每个池层中的数量减少了两个倍。输入量子位的数量确定可以处理的输入数据的尺寸（即功能数量），从而限制了QCNN算法对现实世界数据的适用性。为了解决此问题，我们提出了一个QCNN体系结构，能够处理任意输入数据尺寸，同时优化量子资源（例如辅助量子器和量子门）的分配。这种优化不仅对于最大程度地减少计算资源很重要，而且在嘈杂的中间量子量子（NISQ）计算中至关重要，因为可以可靠地执行的量子电路的大小是有限的。通过数值模拟，我们基准了具有任意输入数据维度的多个数据集的各种QCNN体系结构的分类性能，包括MNIST，Landsat卫星，时尚 - 纳斯特和电离层。结果验证了提出的QCNN体系结构在利用最小资源开销的同时实现了出色的分类性能，当可靠的量子计算受噪声和缺陷限制时，提供了最佳解决方案。
基于EEG
摘要 - 近年来，神经科学家与脑部计算机界面（BCI）设备的开发有关。运动障碍患者可能会受益于BCIS作为通信手段和恢复运动功能的手段。脑电图（EEG）是评估神经元活性的最常用之一。在许多计算机视觉应用中，深度神经网络（DNN）显示出显着的优势。倾向于最终使用DNN，我们在这里提出了一个浅神经网络，该网络主要使用两个卷积神经网络（CNN）层，其参数相对较少，并且快速学习了脑电图的光谱时暂时特征。我们将该模型与其他三个神经网络模型进行了比较，该模型具有不同的深度，该模型使用了针对患有运动障碍的患者和视觉功能下降的患者的眼神闭合状态应用于精神算术任务。实验结果表明，浅CNN模型的表现优于所有其他模型，并达到了90的最高分类精度。68％。处理跨主题分类问题也更加健壮：仅3％的准确性偏差而不是15。传统方法的6％。
通过完全卷积网络基于Imaged-EEG信号的自动癫痫发作检测
癫痫发作检测是需要手动干预训练有素的专家的癫痫病中的常规过程。此过程可能广泛，效率低下且耗时，尤其是对于长期记录。我们提出了一种自动方法，使用IMAING-EEG表示脑信号来检测癫痫发作。为了实现这一目标，我们分析了来自两个不同数据集的EEG信号：CHB-MIT头皮EEG数据库和包括头皮和颅内记录的癫痫项目。我们使用完全卷积神经网络自动检测癫痫发作。对于我们的最佳模型，对于CHB-MIT数据集，我们的平均准确性和特异性值分别为99.3％和99.6％，癫痫患者的相应值为98.0％和98.3％。对于这些患者，颅内电极和头皮含量分别提高了平均准确性和特异性值，分别为99.6％和58.3％。关于其他指标，我们的最佳模型达到62.7％的平均精度，召回58.3％，CHB-MIT记录的F量为59.0％，AP为54.5％，相对较低的epilepsiae数据表的性能较低。对于两个数据库，对于92％的CHB-MIT患者，每小时的误报次数达到的值小于0.5/h，而80％的癫痫患者的误报量小于1.0/h。与最近的研究相比，我们的轻量级方法不需要对预选特征的任何估计，并且表现出高表现，并且在临床实践中引入这种自动方法的可能性很有可能。
使用卷积神经网络基于EEG的低位检测
摘要。缺陷率检测已成为生物医学信号处理场中重要的活跃研究领域。为此，脑电图（EEG）是嗜睡和觉醒检测中最常见的方式之一。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用A和觉醒的检测。在这种情况下，我们提出了一种用于检测疲劳状态的新EEG分类方法。我们的方法利用了卷积神经网络（CNN）体系结构。我们使用Emotiv Epoc+耳机定义了实验方案。之后，我们在记录和注释的数据集上评估了我们提出的方法。报告的结果表明检测准确性很高（93％），并表明所提出的方法是与其他方法相比，该方法是缺陷检测的有效替代方案。
开发和验证两阶段卷积神经网络算法，用于分割MRI白质超强度，用于纵向研究
背景：卡达西尔（Cadasil）的白质超强度（WMH）的分割是最严重的遗传起源小脑小血管之一，具有挑战性。方法：我们根据卷积神经网络（CNN）al-gorithm进行了自动方法，并使用了132名患者获得的2D和/或3D FLAIR和T1加权图像的大数据集，以在这种情况下测量WMH的进展。结果：使用此方法测量的WMH的体积与专家验证的参考数据密切相关。WMH分割也明显改善。结合了两个连续的学习模型特别感兴趣，从而减少了假阳性体素的数量以及单级过程后检测到的分割不足的程度。使用两阶段方法，WMH进展与从参考掩模中得出的病变的度量随着年龄的增长而增加，以及与单个级别的可变WMH进展轨迹相关。我们还确认了WMH初始负载的预期影响以及MRI获取类型对此进展的测量的影响。结论：总的来说，我们的发现表明，可以通过CNN分割算法自动测量卡达西尔的WMH进展。