XiaoMi-AI文件搜索系统
World File Search System交叉熵
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
shanlax 国际艺术、科学与人文杂志
基于属性、空间和局部的方法。在基于直方图的方法中，峰值、谷值和曲线被纳入图像分析。在聚类方法中，灰度级样本按前景和背景聚类。在熵方法中，它导致前景和背景的无序性，并且通过原始图像和二值化图像之间的区域来测量交叉熵。灰度级之间的相似性通过对象属性方法测量。以下部分揭示了一些用于图像融合应用的阈值技术。
基于DenseNet的多模态脑肿瘤图像分割
脑肿瘤磁共振图像处理算法可以帮助医生对患者病情进行诊断和治疗，在临床医学中有着重要的应用意义。针对传统U-net网络中多模态脑肿瘤图像分割中类别不平衡以及特征融合导致有效信息特征丢失的问题，本文提出一种基于U-net与DenseNet结合的网络模型。将原网络上编码路径和解码路径的标准卷积块改进为dense块，增强特征的传递；采用二元交叉熵损失函数与Tversky系数组成的混合损失函数取代原来的单一交叉熵损失，抑制了不相关特征对分割精度的影响。与U-Net、U-Net++、PA-Net相比，本文算法的分割精度有明显提升，在WT、TC、ET的Dice系数指标上分别达到0.846、0.861、0.782。 PPV系数指标分别达到了0.849、0.883、0.786；与传统U-net网络相比，所提算法的Dice系数指标分别提高了0.8%、4.0%、1.4%，且在肿瘤核心区域和肿瘤增强区域的PPV系数指标分别提高了3%、1.2%；所提算法在肿瘤核心区域分割性能最优，其Sensitivity指标达到了0.924，具有很好的研究意义和应用价值。
使用表型、结构和功能 MRI 数据增强自闭症谱系障碍的诊断
模型 3 分类器使用深度学习方法来预测目标类别。图像的目标大小为 190 x 190。每幅图像乘以因子 1/255，因此像素值在 [0, 1] 范围内。该模型的架构由 2D-CNN 模型的所有层组成，除了密集层。在训练之前，所有来自卷积的层都不可训练。它有两个密集层，每个层有 120 个单元，后面跟着一个 S 形层。采用 Adam 优化器，损失函数为二元交叉熵。模型 3 的架构如图 3 所示。
基于能量的场景图生成学习
传统的场景图生成方法是使用交叉熵损失来训练的，该损失将对象和关系视为独立实体。然而，在本质上结构化的预测问题中，这种公式忽略了输出空间中的结构。在这项工作中，我们引入了一种用于生成场景图的新型基于能量的学习框架。所提出的公式可以有效地将场景图的结构合并到输出空间中。学习框架中的这种额外约束充当了归纳偏差，使模型能够从少量标签中有效地学习。我们使用所提出的基于能量的框架 1 来训练现有的最先进模型，并在 Visual Genome [ 9 ] 和 GQA [ 5 ] 基准数据集上分别获得了高达 21% 和 27% 的显着性能提升。此外，我们通过在数据稀缺的零样本和小样本设置中展示卓越性能来展示所提出框架的学习效率。
使用混合分布的 MCET 实现精确并行分割模型 (PPSM)
摘要目的——图像分割是图像处理应用中最重要的任务之一。它是许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监视系统等。然而，准确的分割是一项关键任务，因为找到适合不同类型图像处理应用的正确模型是一个长期存在的问题。本文开发了一种新颖的分割模型，旨在成为使用任何类型图像处理应用的统一模型。所提出的精确并行分割模型 (PPSM) 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。此外，提出了一种并行增强算法来提高所开发的分割算法的性能并最大限度地降低其计算成本。为了评估所提出的 PPSM 的有效性，使用了不同的图像分割基准数据集，例如 Planet Hunters 2 (PH2)、国际皮肤成像合作组织 (ISIC)、微软剑桥研究院 (MSRC)、伯克利分割基准数据集 (BSDS) 和 COntext 中的通用对象 (COCO)。获得的结果表明，与其他分割模型相比，使用不同类型和领域的基准数据集，所提出的模型能够显著缩短处理时间，实现高精度。设计/方法/方法——所提出的 PPSM 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。结果——根据所获得的结果，可以观察到，所提出的基于 PPSM——最小交叉熵阈值 (PPSM - MCET) 的分割模型是一种具有高性能的稳健、准确、高度一致的方法。原创性/价值——使用 MCET 构建了一种利用高斯、伽马和对数正态分布组合的新型混合分割模型。此外，为了以最小的计算成本提供准确、高性能的阈值，所提出的 PPSM 使用并行处理方法来最大限度地减少 MCET 计算中的计算工作量。所提出的模型可用作许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监控系统等。关键词最小交叉熵阈值、混合分布、精确分割、并行计算论文类型研究论文
最小化频率偏差的存储放置策略
随着可再生能源的份额不断增加，需要适当大小和位置的多个存储单元来实现更好的惯性响应。这项工作主要研究“如何在瞬态事件下在电网中分配恒定数量的存储单元，以使最大频率偏差的惯性响应最小化？”的问题。为了回答这个问题，我们提供了一个全面的建模框架，用于在空间效应下确定储能单元的位置和大小以实现频率稳定性。分布式存储单元被建模为电网支持逆变器，电网中的总存储容量基于扰动后允许的稳态频率偏差而受限制。寻找最优分布的问题可以看作是由高维解组成的组合问题。有鉴于此，我们开发了两种基于强力搜索和改进交叉熵法的数值方法来寻找最佳分布，并在未来以色列电网的案例研究中对其进行了检验。案例研究的结果提供了一个新的见解——存储单元应放置在干扰区域周围，包括根据网络拓扑放置在具有高惯性的站点。
基于联邦学习的 EfficientNet 在脑肿瘤分类中的应用
摘要：在医学诊断领域实施机器学习算法的趋势是必要且有意义的。然而，数据隐私已成为应用中的一大问题。本文使用联邦学习（FL）架构来处理隐私问题，并找到提高模型性能的方法。该研究结合 FedAvg FL 算法和 CNN 模型 EfficientNet 在脑肿瘤分类（MRI）数据集上训练模型。在实施算法之前，该研究对数据进行了一些预处理。然后，该研究使用 EfficientNet 进一步处理和识别图像，并使用 FedAvg 对客户端训练的模型进行加权平均。此外，该研究探索了优化器和损失函数，选择了更适合此任务的 AdamW 和交叉熵损失。最后，该研究深入了参数调整工作，绘制了一些曲线和表格来可视化结果。经过参数调整后，本文发现测试准确率高达 81.218%，所有客户端的平均训练准确率高达近 99%。另外，本文还讨论了不同CNN模型的实现条件，分析了它们在医学诊断领域的优缺点，为网络模型和算法的结合提供了一些思路。
填补空白：探索生成式人工智能以增强异构移动边缘设备的联邦学习
摘要 — 由于边缘设备的数据和资源异构性，在移动边缘网络上进行分布式人工智能 (AI) 模型训练面临重大挑战。前者阻碍了全局模型的收敛速度，而后者降低了设备的资源利用效率。在本文中，我们提出了一种生成式 AI 赋能的联邦学习来应对这些挑战，它利用了填充本地数据缺失部分 (FIMI) 的思想。具体而言，FIMI 可以被视为一种资源感知的数据增强方法，可在确保高效的 FL 训练的同时有效缓解数据异构性。我们首先量化训练数据量和学习性能之间的关系。然后，我们研究 FIMI 优化问题，目标是在所需学习性能约束下最小化设备端总体能耗。利用基于分解的分析和交叉熵搜索方法得出解决方案，其中为每个设备分配合适的 AI 合成数据和资源利用策略。实验结果表明，与现有方法相比，FIMI 可以节省高达 50% 的设备端能量，以达到目标全局测试精度。同时，FIMI 可以显著提高非独立同分布 (non-IID) 数据下的收敛全局精度。
模拟数字量子模拟器上的热化和临界性
了解相互作用的粒子如何接近热平衡是量子模拟器面临的主要挑战 1,2。要充分释放此类系统以实现这一目标，需要灵活的初始状态准备、精确的时间演化和对最终状态表征的广泛探测。在这里，我们介绍了一个由 69 个超导量子比特组成的量子模拟器，它支持通用量子门和高保真模拟演化，其性能在交叉熵基准实验中超出了经典模拟的范围。与纯模拟模拟器相比，这个混合平台具有更多功能的测量功能，我们利用这些功能揭示了 XY 模型中由粗化引起的 Kibble-Zurek 缩放预测 3 的崩溃，以及经典的 Kosterlitz-Thouless 相变的特征 4。此外，数字门可以实现精确的能量控制，使我们能够研究本征态热化假设 5-7 对本征谱目标部分的影响。我们还展示了成对纠缠二聚体状态的数字制备，并对模拟演化中随后的热化过程中能量和涡度的传输进行了成像。这些结果确立了超导模拟数字量子处理器在多体光谱中制备状态和揭示其热化动力学方面的有效性。