XiaoMi-AI文件搜索系统
World File Search Systemvgg
基于多层 RRAM 的深度学习推理引擎的读取扰动和双极读取方案研究
摘要——基于多层电阻式随机存取存储器 (RRAM) 的突触阵列可以实现矢量矩阵乘法的并行计算，从而加速机器学习推理；然而，由于模拟电流沿列相加，因此单元的任何电导漂移都可能导致推理精度下降。在本文中，在基于 2 位 HfO 2 RRAM 阵列的测试车辆上统计测量了读取干扰引起的电导漂移特性。通过垂直和横向细丝生长机制对四种状态的漂移行为进行了经验建模。此外，提出并测试了一种双极读取方案，以增强对读取干扰的恢复能力。建模的读取干扰和提出的补偿方案被纳入类似 VGG 的卷积神经网络中，用于 CIFAR-10 数据集推理。
Brain2Pix：根据大脑活动进行完全卷积自然视频重建
摘要 从大脑活动重建复杂而动态的视觉感知仍然是机器学习应用于神经科学的一大挑战。在这里，我们介绍了一种从非常大的单参与者功能性磁共振数据重建自然图像和视频的新方法，该方法利用了图像到图像转换网络的最新成功。这是通过利用从整个视觉系统的视网膜主题映射中获得的空间信息来实现的。更具体地说，我们首先根据其对应的感受野位置确定特定感兴趣区域中的每个体素在视野中代表什么位置。然后，将视野上大脑活动的 2D 图像表示传递给完全卷积的图像到图像网络，该网络经过训练以使用带有对抗性正则化的 VGG 特征损失恢复原始刺激。在我们的实验中，我们表明我们的方法比现有的视频重建技术有了显着的改进。
Brain2Pix：根据大脑活动进行完全卷积自然视频帧重建
从大脑活动中重建复杂而动态的视觉感知仍然是机器学习应用于神经科学的一大挑战。在这里，我们提出了一种新方法，用于从非常大的单参与者功能性磁共振成像数据中重建自然图像和视频，该方法利用了图像到图像转换网络的最新成功。这是通过利用从整个视觉系统的视网膜主题映射中获得的空间信息来实现的。更具体地说，我们首先根据其对应的感受野位置确定特定感兴趣区域中的每个体素在视野中代表什么位置。然后，将视野上大脑活动的 2D 图像表示传递给完全卷积的图像到图像网络，该网络经过训练以使用带有对抗性正则化的 VGG 特征损失恢复原始刺激。在我们的实验中，我们表明我们的方法比现有的视频重建技术有了显着的改进。
Sasidhar B等。使用指纹图像创新的非侵入性血型检测。 J Crim Forensic研究2025，7（1）：180087。
血型的确定是卫生部门输血和诊断的关键步骤。在本文中，采用了与深度学习算法相结合的成像技术来自动识别血型。结缔组织与规模不变特征变换（SIFT），方向短暂和旋转的barf（Orb）以及使用Gabor滤波器的指纹的空间相关性用于识别血型的区别特征以及指纹图像。然后，提取的特征通过卷积神经网络（CNN）进行分类。此外，指纹特征还具有脊频率和空间特征，以进一步改善血型的测定。该框架包括对比度增强和降解技术，可改善图像质量，从而使图像质量波动稳定。采用了使用VGG，Resnet和Densenet作为基本模型来提高模型有效性和概括性，请进行转移学习。对不同数据集进行了测试，该方法在识别血型和歧视性标记方面表现出良好的准确性，一致性和成功率。这种新颖的技术是完全自动化的。它可以通过快速，准确地治疗输血和患者来彻底改变血型和输血的过程。
通过与网格搜索超级参数使用深CNN的脑肿瘤MR图像分类的多类分类框架
活检标本的摘要组织病理学分析仍用于诊断和对当今脑肿瘤进行分类。可用的程序是侵入性的，耗时的，并且倾向于人为错误。要克服这些缺点，需要实施完全自动化的深度学习模型，以将脑肿瘤分为多个类别。将肿瘤分为五个类别，例如正常肿瘤，神经胶质瘤肿瘤，脑膜瘤肿瘤，垂体肿瘤和转移性肿瘤等五个类别，其精度为92.98％。使用网格搜索优化方法，立即分配了建议的CNN框架的所有关键超级参数。Alex Net，Inception V3，Res Net -50，VGG -16和Google -Net都是最先进的CNN模型的示例，这些示例与建议的CNN模型进行了比较。使用庞大的公开临床数据集，产生了令人满意的分类结果。医师和放射科医生可以使用建议的CNN模型来确认其首次筛查脑肿瘤多分类。关键词：多分类，CNN模型，网格搜索技术，超级参数优化
使用深度学习的皮肤癌检测
印度卡纳塔克邦的技术大学卡拉布拉吉。摘要：癌症是一种致命的疾病，由于无法控制的身体细胞的生长而引起。每年，很多人都屈服于癌症，并被标记为最严重的公共卫生障碍。癌症都可以在人类解剖学的任何部分中发展，其中可能包括数万亿个蜂窝镜。最常见的癌症之一是皮肤癌，在皮肤上层发展。以前，使用蛋白质序列和不同类型的成像方式用于皮肤癌检测机器学习技术。机器学习方法的缺点是它们需要人类工程的功能，这是一项非常艰巨且耗时的活动。深度学习通过提供自动特征提取的设施在某种程度上解决了这个问题。在这项研究中，基于卷积的深神经网络已使用ISIC公共数据集用于皮肤癌检测。癌症检测是一个敏感的问题，如果不及时，准确地检测到，它很容易出现错误。单个机器学习模型检测癌症的性能是有限的。个人学习者的综合决定预计将比单个学习者更准确。合奏学习技术利用了学习者的多样性来做出更好的决定。因此，可以通过将学习者的决策（例如癌症检测）梳理来提高预测准确性。1。技术与人工的整合在本文中，使用VGG，CNN和Resnet的学习者进行皮肤癌检测的学习者开发了深度学习者的合奏。结果表明，深度学习者的综合决策优于在敏感性，准确性，特异性，F得分和精确度方面的学习者发现。这项研究的实验结果提供了一个令人信服的理由，以用于其他疾病检测。关键字：VGG，CNN，Resnet，暴力识别，深度学习，OpenCV，Firebase，JSON。引言皮肤癌检测项目致力于创建一种尖端技术，以早期发现和确定癌症的皮肤状况。皮肤癌经常发生并且可能致命的疾病，并且早期鉴定对于有效治疗和改善患者预后至关重要。这项研究打算使用诸如计算机视觉和机器学习之类的尖端技术来开发可靠的系统，可以帮助医生识别和分类与皮肤癌相关的皮肤病变。皮肤癌是全球健康问题，多年来其发病率稳步上升。及时发现和确定皮肤疾病癌症对于防止其进展并确保迅速干预至关重要。传统上，皮肤科医生依靠视觉检查和对皮肤病变的手动分析来确定其恶性潜力。但是，此过程可能具有挑战性和主观，从而导致准确性和潜在诊断错误的差异。
将增强和缺失的像素归合组合
遥感图像分类在各种领域至关重要，包括农业，城市规划和环境监测。但是，有限的标记数据和缺失的像素对实现准确的分类构成了挑战。在这项研究中，我们提出了一个综合框架，该框架使用潜在扩散模型和基于强化学习的基于基于学习的缺失像素插补来整合数据，以增强深度学习模型的分类性能。该框架由三层组成：数据增强，缺少像素的插补以及使用修改后的VGG16体系结构进行分类。基准数据集上的广泛实验证明了我们的框架的重大影响，通过显着提高分类准确性和鲁棒性，超过了最新技术。结果突出了我们的增强和归纳技术的有效性，分别达到97.56％，97.34％和97.34％的骰子得分，准确性和召回指标。我们提出的框架为准确的遥感图像分类提供了一个宝贵的解决方案，解决了有限数据和缺失像素的挑战，并且在各个域中具有广泛的应用程序。关键字：VGG 16，卷积神经网络，扩散模型，遥感，卫星图像。
使用深度学习算法对激光超声波传播数据进行基于人工智能的螺栓松动诊断
摘要：深度学习 (DL) 算法在无损评估 (NDE) 中的应用正成为该领域最有吸引力的主题之一。作为对此类研究的贡献，本研究旨在研究 DL 算法在使用激光超声技术检测和评估螺栓接头松动度方面的应用。本研究基于关于螺栓头板真实接触面积与超声波穿过时损失的导波能量之间关系的假设进行。首先，分别使用 Q 开关 Nd：YAG 脉冲激光器和声发射传感器作为激励和感应超声信号。然后，使用超声波传播成像 (UWPI) 过程创建 3D 全场超声数据集，之后应用多种信号处理技术来生成处理后的数据。通过使用基于 VGG 类架构的回归模型的深度卷积神经网络 (DCNN)，计算估计误差以比较 DCNN 在不同处理数据集上的性能。还将所提出的方法与 K 最近邻、支持向量回归和深度人工神经网络进行了比较，以证明其稳健性。因此，发现所提出的方法显示出结合激光生成的超声波和 DL 算法的潜力。此外，信号处理技术已被证明对自动松动估计的 DL 性能具有重要影响。
一种CNN方法来自动检测和分类脑肿瘤
摘要 - 脑肿瘤需要评估以确保及时诊断和有效的患者治疗。形态学因素，例如大小，位置，纹理和可变外观 - 肿瘤检查。医学成像提出了挑战，包括噪声和不完整的图像。本研究文章介绍了一种处理磁共振成像（MRI）数据的方法，包括用于图像分类和DeNoing的技术。有效使用MRI图像使医疗专业人员可以检测包括肿瘤在内的脑部疾病。这项研究旨在通过分析提供的MRI数据来对健康的脑组织和脑肿瘤进行分类。与诸如计算机断层扫描（CT）之类的替代方法不同，MRI技术提供了内部解剖组件的更详细表示，是研究与脑肿瘤相关的数据的合适选择。MRI图片首先使用各向异性扩散滤波器进行脱氧技术。用于模型创建的数据集是公共访问且经过验证的脑肿瘤分类（MRI）数据库，其中包括3,264次大脑MRI扫描。SMOTE用于数据增强和数据集平衡。卷积神经网络（CNN），例如RESNET152V2，VGG，VIT和EFIDENTEN，用于分类程序。有效网络的精度为98％，是记录最高的。索引术语 - MRI，EfficityNet，脑肿瘤，Smote，CNN
使用和比较深度学习方法来检测自动驾驶汽车的夜间道路表面条件
摘要：目前，在这些自动驾驶汽车上的现有传感器无法很好地检测到自动驾驶汽车之前的道路表面状况。但是，应确保白天和黑夜的天气引起的道路状况。对深度学习的调查，以识别当天的道路表面状况，是使用车辆前面嵌入式摄像头收集的数据进行的。深度学习模型仅在当天被证明是成功的，但迄今为止尚未对它们进行评估。这项工作的目的是提出深度学习模型，以检测在夜间在自动驾驶汽车前的天气造成的在线道路表面条件，其精度很高。在这项研究中，使用性能比较，将不同的深度学习模型，即传统的CNN，Squeezenet，VGG，Resnet和Densenet模型。考虑到现有夜间检测的当前局限性，本文研究了不同路面的反射特征。根据功能，夜间数据库是带有或没有环境照明的。这些数据库是从几个公共视频中收集的，以使所选模型更适用于更多场景。此外，根据收集的数据库对选定的模型进行培训。最后，在验证中，这些模型对夜间干燥，潮湿和雪道的表面条件进行分类的准确性可高达94％。