XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
用于大规模细胞结构脑映射的卷积神经网络
人类大脑图谱为来自不同大脑、在不同层次上表征大脑组织的数据提供了空间参考系统。细胞结构是大脑微观结构组织的基本原理，因为神经元细胞排列和组成的区域差异是连接和功能变化的指标。自动扫描程序和独立于观察者的方法是可靠识别细胞结构区域和实现可重复的大脑分离模型的先决条件。当从分析单个感兴趣区域转向对大量全脑切片进行高通量扫描时，时间成为一个关键因素。在这里，我们提出了一种新的工作流程，用于映射人类死后大脑大量细胞体染色组织切片中的细胞结构区域。它基于深度卷积神经网络 (CNN)，该网络在带有注释的切片图像对上进行训练，中间有大量未注释的切片。该模型学会了以高精度创建所有缺失的注释，并且比我们之前基于独立于观察者的映射的工作流程更快。新的工作流程不需要预先对切片进行 3D 重建，并且对组织学伪影具有很强的鲁棒性。它可以高效地处理大小为数 TB 的大型数据集。该工作流程集成到 Web 界面中，无需深度学习和批量计算方面的专业知识即可访问。将深度神经网络应用于细胞结构映射开辟了新的视角，以实现高分辨率的大脑区域模型，引入 CNN 来识别大脑区域的边界。
用于高光谱图像分类的多尺度动态图卷积网络
摘要 —卷积神经网络（CNN）在高光谱图像表示方面表现出色，并在高光谱图像分类中取得了良好的效果。然而，传统的 CNN 模型只能对具有固定大小和权重的规则方形图像区域进行卷积，因此，它们不能普遍适应具有各种对象分布和几何外观的不同局部区域。因此，它们的分类性能还有待提高，特别是在类边界方面。为了弥补这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里得数据进行卷积，适用于由图拓扑信息表示的不规则图像区域。与常用的在固定图上工作的 GCN 模型不同，我们使图能够动态更新
利用卷积神经网络进行快速对称微分同胚图像配准
微分同胚可变形图像配准在许多医学图像研究中至关重要，因为它提供了独特的属性，包括拓扑保存和变换的可逆性。最近基于深度学习的可变形图像配准方法利用卷积神经网络（CNN）从合成基本事实或相似性度量中学习空间变换，从而实现快速图像配准。然而，这些方法往往忽略了变换的拓扑保存和变换的平滑性，而平滑性仅由全局平滑能量函数来强制执行。此外，基于深度学习的方法通常直接估计位移场，这不能保证逆变换的存在。在本文中，我们提出了一种新颖的、有效的无监督对称图像配准方法，该方法最大化微分同胚图空间内图像之间的相似性，并同时估计正向和逆变换。我们使用大规模脑图像数据集在 3D 图像配准上评估了我们的方法。我们的方法实现了最先进的配准精度和运行时间，同时保持了理想的微分同胚特性。
通过图卷积聚集对发育和脑部疾病的分类
基于图卷积的方法已成为图表表示学习的标准，但它们对疾病预测任务的应用仍然非常有限，这特别是在神经发育和神经发育生成脑疾病的分类中。在本文中，我们通过在图形采样中掌握聚合以及跳过连接和身份映射来引入Ag-Gregator归一化卷积网络。提出的模型通过将成像和非成像特征同时纳入图节点和边缘来学习歧视图形节点表示形式，以增强预测能力，并为基础的脑疾病的基础机械抗体提供整体观点。跳过连接使信息从输入功能直接流到网络的后期层，而身份映射有助于在功能学习过程中维护图的结构信息。我们根据两个大型数据集，自闭症脑成像数据交换（ABIDE）和阿尔茨海默氏病神经影像学计划（ADNI）进行了替补，以预测自闭症谱系障碍和阿尔茨海默氏症的异常。实验结果表明，与最近的基线相比，我们的方法的效率是几个评估指标的表现，分别在Abide和ADNI上的图形卷积网络上，分类的分类卷积网络分别获得了50％和13.56％的相关性改善。
使用卷积神经网络模型增强图像分类
近年来，随着当前分类系统在数字内容识别中的快速发展，图像的自动分类已成为计算机视觉领域中最具挑战性的任务。可以看出，与人类的愿景相比，系统对于系统自动理解和分析图像的视力非常具有挑战性。已经完成了一些研究论文来解决低级当前分类系统中的问题，但输出仅限于基本图像特征。类似地，这些方法无法准确对图像进行分类。对于此领域的预期结果，例如计算机视觉，本研究提出了一种使用深度学习算法的深度学习方法。在这项研究中，一个基于卷积神经网络（CNN）的建议模型，该模型是一种机器学习工具，可用于图像的自动分类。该模型与图像的分类有关，为此，它采用Corel Image Dataset（Corel Gallery Image DataSet）作为参考。用于培训的数据集中的图像要比图像的分类更难，因为它们需要更多的计算资源。在实验部件中，使用CNN网络训练图像的精度为98.52％，证明该模型在图像的分类中具有很高的精度。
探索用于脑电图特征提取的卷积神经网络架构
摘要：本文的主要目的是提供有关如何创建卷积神经网络 (CNN) 以从 EEG 信号中提取特征的信息。我们的任务是了解为各种应用场景创建和微调 CNN 的主要方面。我们考虑了 EEG 信号的特征，并探索了各种信号处理和数据准备技术。这些技术包括降噪、滤波、编码、解码和降维等。此外，我们对众所周知的 CNN 架构进行了深入分析，将它们分为四个不同的组：标准实现、循环卷积、解码器架构和组合架构。本文还对这些架构进行了全面评估，涵盖了准确度指标、超参数和附录，其中包含一个表格，概述了用于从 EEG 信号中提取特征的常用 CNN 架构的参数。
使用 INCEPTION RESNET V2 卷积神经网络进行脑肿瘤分类
摘要：脑肿瘤是最致命的疾病之一，因为脑内异常细胞不受控制地发展。磁共振成像（MRI）是一种医疗设备，可提供数字图像并帮助放射科医生和神经科医生识别脑肿瘤的种类和存在。为了对脑肿瘤的 MRI 图像进行分类，需要一种客观、自动且更可靠的方法，因为人为和主观的分类过程费力且容易出错。为了超越传统测试方法的局限性，人工智能被认为是从磁共振成像中识别脑肿瘤类型的合适工具。卷积神经网络是增强自动分类（CNN）的一种工具。本文展示了如何使用 CNN 中的 Inception ResNet v2 架构通过迁移学习将 MRI 脑癌分为四类：神经胶质瘤肿瘤、脑膜瘤肿瘤、垂体肿瘤和无肿瘤。
PGCN：用于脑电图识别的金字塔图卷积网络
摘要 - 情感识别对于各种精神疾病的诊断和康复至关重要。在过去的十年中，由于其突出的准确性和可靠性，对基于脑电图（EEG）的情绪识别进行了深入研究，并且图形卷积网络（GCN）已成为解释EEG信号的主流模型。然而，尽管已证明这种关系在情感识别中很重要，但电极关系，尤其是整个头皮的远距离触发依赖性。小型接受领域仅使较浅的GCN仅聚集局部淋巴结。另一方面，堆叠太多的层会导致过度光滑。为了解决这些问题，我们提出了锥体图卷积网络（PGCN），该网络汇总了三个级别的特征：局部，中镜和全局。首先，我们基于电极的3D拓扑关系构建一个香草GCN，该拓扑关系用于整合两阶局部特征。其次，我们基于先验知识构建了几个介观脑区域，并采用介观的关注来依次计算虚拟的介观中心，以关注介观脑区域的功能连接；最后，我们融合了节点特征及其3D位置，以构建数值关系邻接矩阵，以从全局的角度整合结构和功能连接。在三个公共数据集上的实验结果表明，PGCN在头皮上增强了关系模式，并在受试者独立的场景和主题独立的方案中实现了最先进的性能。同时，PGCN在增强网络深度和接受领域之间做出了有效的权衡，同时抑制了随之而来的过度光滑。我们的代码可在https://github.com/jinminbox/pgcn上公开访问。
使用带有卷积神经网络的量子电路进行肺炎检测⋆
摘要。图像分类已成为机器学习方法中最重要的领域之一。人脸识别、物体检测、无人驾驶汽车或机器人以及疾病识别都是已经产生影响的领域。将卷积神经网络 (CNN) 层引入图像分类和物体检测也带来了实质性的改进。使用低维滑动核，CNN 能够毫不费力地从图像中提取特征。当将量子电路（量子计算的基本元素）添加到此内核时，它会变得非常复杂，经典上难以处理的内核。量子电路和 CNN 的这种混合组合可用于早期检测肺炎，这是在疾病损害感染者肺部之前治愈疾病的重要步骤。在本文中，我们提出了一种混合 CNN 模型，该模型基于 CNN 模型架构，并在胸部 X 光片图像上实施量子电路以诊断肺炎疾病。我们使用来自公共存储库的数据，其中包含超过 5K 张图像，在分类环境中应用了经典和量子算法。我们的结果表明，将量子电路与经典 CNN 结合使用后，其性能显著提高，准确率更高。该模型在检测肺炎方面的表现表明，所提出的基于量子卷积神经网络的模型在实践中可以有效地对规则和不规则的 X 射线图像进行分类。
SoC 上卷积神经网络加速器的高效 HLS 实现
摘要 —卷积神经网络 (CNN) 在图像识别和分类等许多应用中都取得了很高的准确率。然而，由于其参数量大且所需运算密集，通用处理器无法达到所需的推理性能水平。最近，人们开发了各种用于深度 CNN 的硬件加速器来提高 CNN 的吞吐量。在这些加速器中，基于现场可编程门阵列 (FPGA) 的加速器因其高性能、低功耗、高可重构性和快速开发周期而引起了广泛关注。此外，高级综合 (HLS) 工具的可用性减轻了编程负担并提高了基于 FPGA 的加速器设计人员的工作效率。本文提出了一种用于 CNN 卷积层的基于 FPGA 的加速器的 C++ HLS 实现。作为案例研究，我们使用 SDSoC 开发环境在 Xilinx Zynq UltraScale+ MPSoC ZCU104 评估板上使用 Resnet50 CNN 评估所提出的加速器，实现了高达 339 倍的推理加速。