XiaoMi-AI文件搜索系统
World File Search System判别区域
一种用于诊断类别不平衡 MRI 阿尔茨海默病的新型分类网络 一种用于诊断类别不平衡 MRI 阿尔茨海默病的新型分类网络
通过磁共振成像 (MRI) 数据自动识别阿尔茨海默病 (AD) 可以有效协助医生诊断和治疗阿尔茨海默病。当前的方法提高了 AD 识别的准确性，但它们不足以解决类间差异小、类内差异大的挑战。一些研究尝试在神经网络中嵌入块级结构以增强病理细节，但巨大的规模和时间复杂度使这些方法不利。此外，几种自注意机制无法提供上下文信息来表示判别区域，这限制了这些分类器的性能。另外，当前的损失函数受到类别不平衡异常值的不利影响，可能陷入局部最优值。因此，我们提出了一个 3D 残差 RepVGG 注意网络 (ResRepANet)，该网络堆叠了几个轻量级块来识别脑部疾病的 MRI，这也可以权衡准确性和灵活性。具体来说，我们提出了一个非局部上下文空间注意块 (NCSA)，并将其嵌入到我们提出的 ResRepANet 中，该 ResRepANet 聚合了空间特征中的全局上下文信息，以提高判别区域中的语义相关性。此外，为了减少异常值的影响，我们提出了一种梯度密度多重加权机制 (GDMM)，通过标准化梯度范数自动调整每个 MRI 图像的权重。实验是在阿尔茨海默病神经影像学倡议 (ADNI) 和澳大利亚老龄化成像、生物标志物和生活方式旗舰研究 (AIBL) 的数据集上进行的。在这两个数据集上进行的实验表明，准确度、灵敏度、特异性和曲线下面积始终优于最先进的方法。
BI-PATH组合YOLO用于实时的几个射击对象检测
几乎没有射击对象检测（FSOD）近年来随着模型训练期间实例的定量限制而受到更多关注。以前的作品基于元学习和转移学习的重点关注检测精度，但忽略了推断速度，这很难适用于应用量。在这封信中，为了保持高的下环速度和可比的检测精度，我们提出了一个标题为“双路径组合”的实时检测器，您只能看一次（BC-Yolo）FSOD。bc-yolo可以通过两阶段训练方案归类为基于转移学习的单阶段对象检测器。它特别由双路线并行检测分支组成，分别检测基础和新的类对象，并且通常在推断阶段检测对象。此外，为了提升从几个射击对象训练的模型概括，我们进一步提出了一种细心的Dropblock算法，以使探测器专注于对象的整个细节，而不是局部判别区域。Pascal VOC 2007和MS Coco 2014数据集的广泛实验表明，我们的方法可以比最先进的方法在速度和精确度之间实现更好的交易。