XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
带射频的卷积神经网络，带有射频旋转纳米驱动器
摘要卷积神经网络（Lecun and Bengio 1998脑理论与神经网络手册255-58； Lecun，Bengio和Hinton 2015 Nature 521 436-44）在现代信号处理和机器视觉中是最先进的，无处不在。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。 这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。 SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。 然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。 在这里，我们提出了一个建筑，其中突触通信基于共振效果。 这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。 我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。 我们表明，具有多个自旋谐振器的多个链可以实现并行实现。 我们为这些链条提出了两种不同的空间布置。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。在这里，我们提出了一个建筑，其中突触通信基于共振效果。这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。我们表明，具有多个自旋谐振器的多个链可以实现并行实现。我们为这些链条提出了两种不同的空间布置。对于每个人，我们解释了如何同时调整许多人工突触，从而利用了突触重量共享特定的卷积。我们通过使用自旋振荡器作为人工微波神经元来展示如何通过使用自旋振荡器在卷积层之间传输信息。最后，我们模拟了这些射频谐振器和自旋振荡器的网络，以求解MNIST手写数字数据集，并获得与软件卷积神经网络相当的结果。由于它可以与纳米设备的单一步骤完全平行运行卷积神经网络，因此本文提出的架构对于需要机器视觉的嵌入式应用程序（例如自主驾驶）很有希望。
使用卷积中性网络检测脑肿瘤
＃顾问摘要对脑肿瘤的早期和准确诊断是由大脑中细胞异常生长引起的致命疾病，这对于提高存活率至关重要。一种流行的检测，诊断和治疗方法是磁性推理成像（MRI），因为它是无创的，并且提供了高质量的视觉效果。不幸的是，手动分析它们通常很耗时，需要医疗专业知识。图像分类是计算机视觉的子集，是计算机在图像中对对象进行分类和解释对象的能力。它可以支持医生的诊断，并作为脑肿瘤的入门级筛查系统。本研究旨在建立一个准确的机器学习模型，以预测磁共振图像中脑肿瘤的存在。我们使用BR35H数据集构建了两个不同的卷积神经网络（CNN）模型：KERAS顺序模型（KSM）和图像增强模型（IAM）。首先，我们数据集中的图像进行了预处理，进行了预处理和标准化，以提高效率并减少不准确性。然后，将数据归一化，我们的模型进行了培训。最后，除了在训练过程中观察到的验证精度和损失外，我们还使用准确性验证数据集互为模型的准确性。在我们的两个模型中，IAM超过了KSM。IAM的验证精度为97.99％，BR35H数据集的验证损失为4.94％，从准确性验证数据集对MRIS进行分类时，精度为100％。引入由于其生存率低，脑肿瘤是一种致命的疾病。他们可以是良性（非癌性）或恶性（癌）。良性脑肿瘤逐渐生长，通常包含在大脑的一个区域中，而恶性脑肿瘤迅速生长并侵入健康的脑组织。这些恶性肿瘤的5年生存率仅为36％，尽管它可以根据年龄和肿瘤的位置而变化。
阿尔茨海默氏症通过3D卷积神经的检测...
为了使对阿尔茨海默氏病（AD）的适当诊断和理解，深度学习已成为检测磁共振成像（MRI）中物理大脑变化的另一种方法。生物医学成像中深度学习的进步，尤其是在MRI扫描中，已被证明是异常检测的有效资源，同时利用卷积神经网络（CNN）在多层perceptron中执行特征映射。在这项研究中，我们旨在测试使用三维卷积神经网络在整个大脑扫描中鉴定与AD患者和对照组之间有区别的神经生理变性的可行性。特别是，我们建议并培训3D-CNN模型，以对认知健康的个体和AD患者进行MRI扫描进行分类。我们在由超过700次MRI扫描（一半AD）组成的大型数据集上验证了我们提出的模型。我们的结果显示验证精度为79％，与当前的最新技术相当。我们提出的3D网络的好处是，它可以通过映射大脑的复杂异质性，尤其是在边缘系统和颞叶中的复杂异质性来帮助探索和检测AD。这项研究的目的是衡量3D卷积网络在HC和AD患者MRI脑扫描中检测神经变性的进展方面的功效和可预测性。
使用卷积神经网络检测脑肿瘤
胶质瘤是成人中死亡率最高的危险脑肿瘤 [1]。这些肿瘤始于人脑的内部。这使得它们与转移性肿瘤非常不同。低级别胶质瘤 (LGG) 与转移性肿瘤不同。低级别胶质瘤 (LGG) 胶质瘤 [1]，[2]。计算机辅助在医疗机构中得到了高度发展，因为它可以改善诊断结果，而错误阴性病例的发生率必须很低。MRI 的双重读取非常昂贵，因此，如今，一个帮助医疗机构人员的优秀软件具有极大的吸引力。在传统方法中，人类观察者识别肿瘤的特征。为了提高现有系统的准确性，实现了具有一些解剖特征的自动化症状系统。创建了机器人症状系统以提高准确性。精确分割是准备进一步评估和手术的治疗中的一个重要部分。手动分割需要花费大量时间，精度较低，并且会导致埋点和评分者内部错误。出于这个原因，需要自动分割 [1]，[3]。
使用卷积神经网络进行人工智能朝圣者检测
朝圣是世界上最重要的伊斯兰宗教集会，数百万朝圣者前往麦加和麦地那圣地举行仪式。朝圣者的安全是当局的首要任务。在麦加，圣地周围分布着 5000 个摄像头来监控朝圣者，但考虑到每秒收集的图像数量巨大，人类几乎不可能跟踪所有事件。为了解决这个问题，我们建议使用基于深度学习和卷积神经网络的人工智能技术来检测和识别朝圣者及其特征。为此，我们建立了一个全面的数据集来检测朝圣者及其性别。然后，我们开发了两个基于 YOLOv3 和 Faster-RCNN 的卷积神经网络来检测朝圣者。实验结果表明，带有 Inception v2 特征提取器的 Faster RCNN 在所有类别中提供了 51% 的最佳平均精度。
使用卷积神经网络检测脑肿瘤
脑瘤是脑细胞的异常生长。与正常细胞不同，脑瘤细胞会不受控制地生长和分裂，形成一团组织。脑瘤可能是良性的（非癌性的），也可能是恶性的（癌性的）。脑瘤是全世界范围内的重大健康问题，影响着各个年龄段的人。脑内细胞的这些异常生长会导致严重的健康并发症，如果不及时治疗，可能会危及生命。脑瘤的确切病因尚不清楚，但存在许多风险因素，包括年龄、家族史、辐射暴露、某些遗传性疾病。脑瘤检测项目的目标是使手动检测和分类脑瘤的过程自动化，以获得更好、更快的结果。传统上，脑瘤是使用 MRI 扫描检测的。肿瘤类型的多变性可能导致误解，从而产生假阳性或假阴性。早期诊断脑瘤对于改善患者预后至关重要。 CNN 能够从复杂数据（例如脑部 MRI 扫描）中学习复杂的模式和特征，这彻底改变了肿瘤检测过程。脑肿瘤在早期阶段可能难以检测，但 CNN 有可能提高脑肿瘤检测的准确性和效率。基于 CNN 的系统可实现检测过程的自动化，从而减少对 2 个人工解释的依赖。
用于脑机接口手势识别的卷积脉冲网络
摘要 — 脑机接口正被广泛用于各种治疗应用。通常，这涉及通过皮层脑电图 (ECoG) 或脑电图 (EEG) 等技术测量和分析连续时间脑电活动以驱动外部设备。然而，由于测量中固有的噪声和可变性，这些信号的分析具有挑战性，需要离线处理和大量计算资源。在本文中，我们提出了一种简单而有效的基于机器学习的方法，用于基于脑信号的手势分类示例问题。我们使用一种混合机器学习方法，该方法使用卷积脉冲神经网络，采用生物启发的事件驱动突触可塑性规则对脉冲域中编码的测量模拟信号进行无监督特征学习。我们证明这种方法可以推广到具有 EEG 和 ECoG 数据的不同受试者，并且在识别不同手势类别和运动想象任务方面实现了 92.74-97.07% 范围内的卓越准确率。索引词——脉冲神经网络、脑机接口、事件驱动可塑性、K 均值聚类
SnCQA：一种硬件高效的等变量子卷积电路架构
摘要 —我们提出了 SnCQA，这是一组硬件高效的等变分电路，分别针对置换对称性和空间格子对称性，量子比特数为 n。通过利用系统的置换对称性（例如许多量子多体和量子化学问题中常见的格子哈密顿量），我们的量子神经网络适用于解决存在置换对称性的机器学习问题，这可以大大节省计算成本。除了理论上的新颖性之外，我们发现我们的模拟在量子计算化学中学习基态的实际实例中表现良好，我们可以通过几十个参数实现与传统方法相当的性能。与其他传统变分量子电路（如纯硬件高效假设（pHEA））相比，我们表明 SnCQA 更具可扩展性、准确性和抗噪声能力（在 3 × 4 方格上的性能提高了 20 倍，在我们的案例中，在各种格子尺寸和关键标准（例如层数、参数和收敛时间）下节省了 200% - 1000% 的资源），这表明在近时间量子设备上进行实验可能是有利的。
使用卷积神经网络伪造检测
2,3,4 MCA，SCAT，Galgotias University，Uttar Pradesh摘要：为了识别深层假货和其他形式的更改的面部信息，此工作详细介绍了面部伪造探测系统的开发和实施。我们提出了一个系统，该系统使用最新的机器学习技术识别面部图像和视频的细微变化。接受公开可用数据集的培训后，使用关键性能指标（例如精度，精度和召回）评估系统。用于构建系统，使用卷积神经网络或CNN。测试是使用公开可用数据集进行的。为了使其成为强大的模型，还可以构建自定义数据集。我们还研究了如何使用该技术来确保数字身份并打击错误信息，为将来与全球网络安全和数字安全计划的合作打开了大门。关键字：图像处理，生物识别技术，安全性，面部伪造和深层假货。在诸如体育场，火车站和机场码头等地方的公共安全领域以及公司和组织安全的地方，面部识别是身份识别最著名的生物识别方法之一[2，3]。在转向深度学习技术之前，该领域的研究始于1990年代的传统机器学习方法（公制模型，贝叶斯分类和主要成分分析），识别本地特征（LBP，Gabor过滤器）的方法以及识别通用特征的方法。本文提出了一种新颖的面部伪造技术来克服这些挑战。高级技术来操纵媒体（例如Deepfakes）的出现引起了许多关于数字内容真实性的询问。由人工智能创建的深击可以创建真实的图像，从而使区分实际和假信息的挑战。尽管最初是出于艺术和娱乐目的开发了这项技术，但它越来越多地用于恶意将诸如盗用，诽谤和误导信息的传播之类的事物[5]。鉴于社会造成的潜在危险，迫切需要值得信赖和有效的检测方法。由于当前技术有时无法跟上新的锻造方法的复杂性，因此实时检测功能存在差距。尽管在该领域进行了广泛的研究，但开发了可以处理大量数据，使用不同伪造策略并在低计算成本下产生准确结果的系统仍然具有挑战性。