XiaoMi-AI文件搜索系统
World File Search System卷积
使用集成硅光子卷积处理器
光子整合电路是多模式光谱感觉系统的微型化解决方案。多模式光谱感官数据很复杂，具有较大的冗余性数据量，因此需要与高通信功率消耗相关的高通信带宽才能传输感官数据。为了规避这种高通信成本，光子传感器和处理器被带入亲密关系，并使用集成的硅光子卷积处理器提出了光子多模式内传感器计算系统。微区谐振器横梁阵列用作使用5位精度实现卷积操作的光子处理器，并通过图像边缘检测任务验证。证明了多模式光谱感觉数据的原位处理，进一步将处理器与光子光谱传感器整合在一起，从而实现了不同温度下不同类型和浓度的蛋白质种类的分类。在45个不同类别中，分类精度为97.58％。多模式内传感器计算系统展示了整合光子处理器和光子传感器以增强边缘光子设备的数据处理能力的可行性。
脑介导的卷积神经网络的转移学习
人脑可以从少数样本中有效地学习一项新任务，这表明大脑可以将其先验知识转移到不同操作中的任务。此功能类似于机器学习领域中的转移学习（TL）。tl在特定的任务域中使用训练有素的纤维空间，以通过不足的培训数据来提高新任务的性能。tl具有丰富的图表，例如卷积神经网络（CNN）的特征，在不同的任务域中显示出较高的概括能力。但是，这种TL仍然无法使机器学习获得与人脑相关的概括能力。检查是否可以使用大脑的间表示来实现更有效的TL，我们引入了一种由Human Brains介导的TL方法。我们的方法通过使用测量的大脑反应来向前学到的社会，将CNN中视听输入的特征表示为单个大脑的激活模式。然后，为了估计标签反映了视听输入引起的人类认知和行为，转化的表示形式用于TL。我们证明，我们的脑介导的TL（BTL）在标签估计中显示出比标准TL更高的性能。此外，我们说明，大脑介导的估计因大脑之间而异，并且可变性反映了感知的个体变异性。因此，我们的BTL为提高机器学习特征表示的概括能力并使机器学习能够估算人类样的认知和行为，包括个体可变性。
基于注意力驱动的卷积神经网络对物体的视觉识别
摘要 - 感知和识别对象的能力对于与外部环境的互动至关重要。研究它们及其与大脑活动变化的关系由于可能应用到直观的脑机界面（BMI）而增加。另外，已经研究了使数据足够可区分以进行分类的不同视觉刺激时的独特模式。但是，报告的分类精度仍然较低或用于获取脑信号的技术对于在实际环境中使用不切实际。在这项研究中，我们的目标是根据提供的视觉刺激来解码脑电图（EEG）信号。主题呈现了72张属于6种不同语义类别的照片。使用脑电图信号根据视觉刺激进行了6个类别和72个示例。为了达到高分类的准确性，我们提出了一个注意力驱动的卷积神经网络，并将我们的结果与用于对EEG信号进行分类的常规方法进行了比较。我们报告的6级和72级的精度分别为50.37±6.56％和26.75±10.38％。这些结果在统计学上优于其他常规方法。这是可能的，因为使用人类视觉途径应用了注意网络。我们的发现表明，当受试者具有不同语义类别的视觉刺激以及具有高分类精度的示例级别时，可以区分脑电图信号。这表明它可以在现实世界中将其应用于现实的BMI。
DHGCN：动态HOP图形卷积网络...
最近的工作试图将图形卷积网络（GCN）扩展到指向分类和分割任务的云。这些作品倾向于在本地进行采样和小组点，并主要集中于通过GCN提取本地特征，同时忽略了点集之间的关系。在本文中，我们提出了Dy-Namic Hop图卷积网络（DHGCN），以详细学习Vox-opiend点部分之间的上下文关系，这些部分被视为图形节点。通过直觉，即上下文信息之间存在的角度在于成对的邻近关系，可以通过图形的跳跃距离来描绘，我们设计了一个新颖的零件级别的霍普距离距离距离距离距离距离重建任务，并设计出一种新颖的损失损失，以相应地训练训练。此外，我们提出了Hop图（HGA），该图将HOP距离作为产生注意力重量的输入，从而可以在聚集中有明显的贡献。最终，提出的DHGCN是一种与基于点的骨干网络兼容的插件模块。对不同骨干和任务的全面实验表明，我们的自我监管方法实现了状态的表现。我们的源代码可在以下网址提供：https：//github.com/jinec98/dhgcn。
模糊遗传粒子群优化卷积神经...
dharanir.pec@gmail.com, ramesh.revathy@gmail.com, danesh.kn1@gmail.com Received : 31 July 2023, Revised: 14 October 2023, Accepted : 21 October 2023 * Corresponding Author ABSTRACT Oral cancer presents a pressing global health concern, ranking as the eighth most prevalent cancer worldwide and leading to a significant number of deaths, particularly evident in India with an annual toll of大约有130,000人死于口腔癌。早期检测的紧迫性是显而易见的，因为由于临床检查和活检而导致的疾病识别延迟可以阻碍有效的治疗和改善患者的结果。这项研究通过开发能够识别受疾病影响的口腔区域并准确分类各种口腔癌疾病的系统来解决这一关键需求。该研究利用深度学习算法来检测和精确定位口服图像中的受影响区域，并结合了高级特征提取技术，尤其是基于模式的特征。使用创新的蜜蜂脉冲夫妇神经网络（BEEPCNN）算法用于对受影响区域的有效分割。为了进一步提高检测效率，引入了一种新型模糊遗传粒子群卷积神经网络（FGPSOCNN），从而降低了计算复杂性，同时保持了高精度水平。拟议的系统使用从Arthi Scan医院收集的实时MRI图像进行了严格的评估。实验结果令人信服地证明了与现有的口腔癌检测方法相比，FGPSOCNN模型的优越性。1。简介这项综合研究不仅满足了早期口腔癌检测的关键需求，而且还引入了一种创新的方法，可以显着提高效率而不会损害准确性。这项研究对口腔癌诊断的潜在影响是很大的，为全球关键的全球健康挑战提供了有希望的解决方案。关键字：口腔癌，深度学习，蜂鸣声，模糊，粒子群优化，fgpsocnn。
基于本地和全球卷积变压器的机车图像EEG分类
Transformer是一种具有自我注意力机制的深度学习模型，结合了卷积神经网络（CNN），已成功应用于运动成像（MI）脑部计算机界面（BCI）中的解码脑电图（EEG）信号。然而，EEG的极其非线性的非平稳性特征限制了深度学习方法的效果和效率。此外，多种受试者和实验会议都会影响模型适应性。在这项研究中，我们提出了一种基于本地和全球卷积变压器分类的方法。将局部变压器编码器组合在一起，以动态提取时间特征并弥补CNN模型的缺点。获得了所有通道的空间特征和半球的差异以提高模型的鲁棒性。为了获取足够的时间空间特征表示，我们将全局变压器编码器和密集连接的网络结合在一起，以改善信息流和重复使用。为了验证拟议模型的性能，设计了三种包括会议，跨课程和两协议的情况。在实验中，与当前的最新模型相比，在三种情况下，提出的方法在三种情况下分别实现了高达1.46％，7.49％和7.46％的精度。在BCI竞争IV 2A数据集中，拟议的模型还分别为跨课程和两场比赛的情况提高了2.12％和2.21％。结果证实了所提出的方法可以从EEG信号中提取更丰富的MI特征，并改善BCI应用程序中的性能。
scade：特定域细胞的空间反卷积 -
图1。Spade的示意图。Spade是一种用于空间转录组学数据设计的工具，该工具使用参考单细胞RNA测序数据来确定样品中每个位置的单元格类型比例。它首先使用组织学，空间位置和基因表达来识别组织中的空间结构域。随后，Spade通过识别存在的特定细胞类型对每个域进行全面分析。获得细胞类型信息后，Spade会使用SCRNA-SEQ数据进行反卷积。此过程的结果是每个空间位置的细胞类型比例的估计。
卷积神经网络具有VGG-16胶质瘤分类模型
工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。 与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。 检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。 到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。 因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。 VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。 我们还尝试使用增强技术来预测数据限制。 使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。 肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。 用于培训和测试目的的数据将数据划分为68％和32％。 2022。工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。 与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。 检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。 到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。 因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。 VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。 我们还尝试使用增强技术来预测数据限制。 使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。 肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。 用于培训和测试目的的数据将数据划分为68％和32％。 2022。工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。我们还尝试使用增强技术来预测数据限制。使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。用于培训和测试目的的数据将数据划分为68％和32％。2022。我们发现VGG-16对脑肿瘤图像分类更有效，精度高达100％。关键字 - 分类； MRI;脑肿瘤；神经胶质瘤，CNN； VGG-16。手稿于2022年1月11日收到； 3月23日修订2022; 4月19日接受出版日期，2022年9月30日。国际信息学可视化杂志均在创意共享归因 - 归属共享下的许可。
基于卷积神经网络语音识别系统操控机器人轮椅
摘要：许多轮椅使用者依赖他人来控制轮椅的移动，这严重影响了他们的独立性和生活质量。智能轮椅提供了一定程度的自立和驾驶自己车辆的自由。在这项工作中，我们设计并实施了一种低成本的软件和硬件方法来操纵机器人轮椅。此外，从我们的方法中，我们基于 Flutter 软件开发了自己的 Android 移动应用程序。我们还开发并配置了一种基于卷积神经网络 (CNN) 的网络内 (NIN) 结构方法，该方法与语音识别模型相结合，以构建移动应用程序。该技术还使用软件和硬件组件之间的离线 Wi-Fi 网络热点来实施和配置。五个语音命令（是、否、左、右和停止）通过 Raspberry Pi 和直流电机驱动器引导和控制轮椅。整个系统基于阿拉伯语母语人士针对孤立词训练和验证的英语语音语料库进行评估，以评估 Android OS 应用程序的性能。还从准确性方面评估了室内和室外导航的可操作性性能。结果表明，五个语音命令中的一些命令的准确预测准确度约为 87.2%。此外，在实时性能测试中，室内/室外操纵的计划节点和实际节点之间的均方根偏差 (RMSD) 值为 1.721 × 10 − 5
评估量子卷积神经网络的准确性和对抗鲁棒性
摘要 — 机器学习可以推动技术进步，造福不同的应用领域。此外，随着量子计算的兴起，机器学习算法已开始在量子环境中实现；现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而，它们并没有完全成功。然后，发现了一种结合了附加量子卷积层的卷积神经网络 (CNN)，称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此，QNN 可以实现比经典神经网络更好的准确度和损失值，并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络