XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
QuCNN：基于纠缠反向传播的量子卷积神经网络
摘要 — 量子机器学习仍然是量子计算领域中一个非常活跃的领域。其中许多方法已经将经典方法应用于量子设置，例如 QuantumFlow 等。我们推动这一趋势，并展示了经典卷积神经网络对量子系统的适应性——即 QuCNN。QuCNN 是一个基于参数化的多量子态的神经网络层，计算每个量子滤波状态和每个量子数据状态之间的相似性。使用 QuCNN，可以通过单辅助量子比特量子例程实现反向传播。通过在一小部分 MNIST 图像上应用具有数据状态和滤波状态的卷积层、比较反向传播的梯度并针对理想目标状态训练滤波状态来验证 QuCNN。索引术语 — 量子计算、量子机器学习、卷积神经网络
变刚度索驱动机械手阻抗控制的卷积动态跳跃规划算法
摘要：缆索驱动机械手具有手臂细长、运动灵活、刚度可控等特点，在捕获在轨卫星方面有着很大的应用前景，但由于缆索长度、关节角度和反作用力之间的耦合关系，难以实现缆索驱动机械手的有效运动规划和刚度控制。该算法还可以通过动态设置加加速度使加速度更加平滑，减小加速度冲击，保证缆驱动机械手的稳定运动。再次，通过采用基于位置的阻抗控制来补偿驱动缆的位置和速度，进一步优化缆驱动机械手的刚度。最后，开发并测试了变刚度缆驱动机械手样机，利用卷积动态加加速度规划算法规划出所需的速度曲线，进行了缆驱动机械手的速度控制实验，结果验证了该算法可以提高加速度的平滑度，从而使运动更加平滑，减小振动。此外，刚度控制实验验证了缆驱动机械手具有理想的变刚度能力。
使用实时卷积神经网络的面部识别
近年来，面部识别的兴起是一种重要的技术进步，在该领域中有多种应用，包括安全，监视，身份验证系统和人类计算机界面。许多部门由于能够根据面部特征自动识别和验证人们的能力而进行了根本性的变化，从而为创新开辟了新的创新大门。面部识别的主要目的是创建可以正确识别和从图片或视频中验证人员的自动化系统。传统方法捕获复杂和歧视性面部模式的局限性包括对手工特征和浅学习技术的依赖。然而，自引入深度学习以来，面部识别取得了长足的进步，尤其是卷积神经网络（CNNS）。cnns是捕获精细面部特征的理想工具，因为它们为层次表示的出色能力显示出了惊人的能力，可以直接从未经处理的图像数据中学到。在本文中，作者专注于使用CNN模型的面部识别，旨在提高这种关键技术的准确性和韧性。作者已经采用了完善的CNN模型来应对面部识别的挑战。我们利用深度学习自动从面部图像中识别和提取高级特征，从而实现了更准确和可靠的识别。CNN模型的体系结构是为了利用面部数据中可见的基本空间链接和区域模式的创建。通过利用大量的卷积和合并层，该模型可以成功捕获低级品质，例如边缘和纹理以及高级面部特质，例如面部标志和表达式。
使用深
Skögen等人9对95例患者进行了分析，使其与高级神经胶质瘤不同。这项研究报告了曲线下的重点操作特征区域。在另一项分类II级 - IV的研究中，Tian等人10使用支持载体机（SVM）模型进行了153例患者进行了TEXTURE分析，报告的准确性为98％。这项研究还表明，对比增强的T1加权（TICE）方法可为等级预测提供最佳序列。Xie等人11能够使用熵和无模型和动态对比增强的MR成像的熵以及III和III级胶质瘤分化III和IV级和III级。这些先前的MR成像 - 基于胶质瘤分级研究使用了直接提取的硬编码特征。我们假设这种方法限制了在多对抗MR图像中嵌入丰富信息的使用。这项工作的前提是，在图像对比度/强度的简单变化之外，丰富的成像信息如下； 1）深层嵌入在抗比例和后对比后增强的MR成像中，2）使用深度学习技术从标记的培训数据中学到了有价值的胶质瘤分级和3）。近年来，卷积神经网络（CNN）在众多视觉对象识别和图像分类研究中表现出了出色的表现。12他们还加速了医学图像分析的发展，其中13个包括肿瘤诊断的应用。14带有CNN，可以以逐层的方式从低到高水平学习特征的层次结构。15
基于脑电图的情绪识别的多域自适应图卷积网络
在所有情感识别任务的解决方案中，脑电图（EEG）是一种非常有效的工具，并受到了研究人员的广泛关注。此外，脑电图中多媒体的信息通常提供了更完整的情感图片。，很少有现有研究同时合并来自时间域，频域和功能性脑连接性的脑电图信息。在本文中，我们提出了一个多域自适应图卷积网络（MD-AGCN），融合了频域和时间域的知识，以充分利用EEG信号的互补信息。md-agCN还通过将通道间相关性与通道内信息相结合，从而考虑了脑电图通道的拓扑，从中可以以自适应方式学习功能性大脑的连接。广泛的实验结果表明，在大多数实验环境中，我们的模型超过了最先进的方法。同时，结果表明，MD-AGCN可以有效地提取互补的域信息，并利用基于EEG的情绪识别的信道关系。
探测：用于更好脑电图源成像的卷积神经网络
脑电图（EEG）是神经科学研究和临床诊断方面的良好的非侵入性方法。它提供了较高的时间空间分辨率的脑活动。为了了解脑电图的空间动力学，必须解决反问题，即发现引起记录的脑电图活性的神经来源。逆问题是错误的，这意味着多种神经来源的配置可以唤起脑电图在头皮上的相同分布。人工神经网络先前已成功地用于发现一个或两个偶极子源。但是，这些方法从未解决过具有两个以上偶极子源的分布式偶极子模型中的反问题。我们提出了一种新型的卷积神经网络（CNN）体系结构Convdip，该架构在基于模拟的EEG数据的分布式偶极模型中解决了EEG逆问题。我们表明，（1）回合学会了从脑电图数据的单个时间点产生反方案，并且（2）在所有集中绩效指标上都优于最先进的方法。（3）在处理不同数量的来源时，它的灵感更大，幽灵来源较少，而错过的实际来源少于比较方法。它为人类参与者的真实脑电图记录产生了合理的反解。（4）训练有素的网络需要<40 ms才能进行单个预测。我们的结果符合汇聚的资格，是一种有效且易于应用的新颖方法，用于在脑电图数据中源定位，与临床应用相关，例如在癫痫学和实时应用中。
利用脑电图信号检测困倦的卷积神经网络
1 多媒体信息系统和高级计算实验室（MIRACL），斯法克斯大学，斯法克斯 3021，突尼斯；siwarchaabene@gmail.com（SC）；Bassem.Bouaziz@isims.usf.tn（BB）；amalboudaya71@gmail.com（AB）2 斯法克斯数字研究中心，BP 275，Sakiet Ezzit，斯法克斯 3021，突尼斯 3 马格德堡奥托冯格里克大学体育科学研究所，39104 马格德堡，德国； anita.hoekelmann@ovgu.de 4 神经科学、生理学和心理学跨学科实验室：身体活动、健康和学习 (LINP2)，UFR STAPS，UPL，巴黎楠泰尔大学，92000 楠泰尔，法国 5 IRIT-ENSEEIHT，图卢兹大学，31013 图卢兹，法国；lotfi.chaari@toulouse-inp.fr * 通信地址：achraf1.ammar@ovgu.de † 这些作者作为第一作者对本文的贡献相同。 ‡ 这些作者作为最后一位作者对本文的贡献相同。
使用卷积神经网络通过脚步声识别
摘要：人体步态非常个性化，可以用作摄像机录音中的人的生物识别。使用人类脚步声的声学标志时，可以实现可比的结果。与视觉系统相比，这种声学解决方案提供了更少的安装空间和使用成本偏僻的麦克风的机会。在本文中，提出了一种基于脚步声的人识别方法。首先，从麦克风记录中隔离台阶声音，并分成500 ms的样品。将样品用滑动窗口转换为MEL频率的Cepstral系数（MFCC）。该结果表示为作为卷积神经网络（CNN）输入的图像。在DLR的声学实验室中，记录了用于训练和验证CNN的数据集。这些实验确定了1125个步骤的总数。CNN的验证显示所有五个类别的最小f 1秒为0.94，精度为0.98。Grad-CAM方法用于可视化其决策背景，以验证所提出的CNN的功能。随后，使用实验数据讨论了实施实际实现，噪声和不同鞋类的两个挑战。
用于脑肿瘤分类的超参数调节卷积神经网络
脑瘤已被各行各业公认为最危险的疾病。及早发现肿瘤疾病对于确定脑瘤扩散以便实施适当治疗至关重要。本研究提出了一种卷积神经网络 (CNN) 方法来检测 MRI 图像上的脑瘤。本研究收集了 3264 个数据集，其中包含胶质瘤（926 张图像）、脑膜瘤（937 张图像）、垂体瘤（901 张图像）和其他无肿瘤（500 张图像）的详细图像。研究提出将 CNN 方法与超参数调整相结合，以在脑瘤类型分类中获得最佳结果。超参数调整充当导航器，以在所提出的 CNN 模型中实现最佳参数。在本研究中，模型测试采用了三种不同的场景。在第三 (3rd) 模型测试场景中，脑瘤分类的准确率为 96%。
基于主题匹配的子图级注意力卷积网络用于图分类
图分类对于许多与图数据相关的实际应用（例如化学药物分析和社交网络挖掘）至关重要。传统方法通常需要特征工程来提取有助于区分不同类别的图的图特征。尽管最近提出了基于深度学习的图嵌入方法来自动学习图特征，但它们大多使用从图中提取的一些顶点排列进行特征学习，这可能会丢失一些结构信息。在这项工作中，我们提出了一种新的基于模体注意力图卷积神经网络用于图分类，它可以学习更有辨别力和更丰富的图特征。具体而言，我们开发了一种模体匹配引导的子图规范化方法来更好地保留空间信息。我们还提出了一种新的子图级自注意网络来捕捉不同子图的不同影响或权重。在生物信息学和社交网络数据集上的实验结果表明，与传统图核方法和最近的深度学习方法相比，所提出的模型显著提高了图分类性能。