XiaoMi-AI文件搜索系统
World File Search System卷积
使用卷积神经网络检测脑肿瘤
1，2 ece系，Bannari Amman理工学院，Sathyamangalam文章历史：收到：2021年1月11日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年5月10日摘要 - 脑肿瘤是人们的主要威胁。 ，但目前，由于许多机器学习技术，它变得更加先进。 磁共振成像是所有图像处理技术中扫描人体并在改善质量图像中清楚地分辨出肿瘤的所有图像处理技术中的最大技术。 MRI的基本原理是根据磁场和人体解剖学的无线电波开发图像。 图像分割的主要区域是医疗图像处理。 MRI图像比CT扫描，X射线等更好的结果。 如今，在大空间和结构变异性中自动肿瘤检测。 最近卷积神经网络在医疗领域和计算机视野中起着重要作用。 其应用之一是识别脑肿瘤。 在这里，预处理技术用于将正常图像转换为灰度值，因为它包含相等的强度，但在MRI中，包括RGB含量。 然后，使用中位数和高通滤波器来消除不需要的噪音，以提高图像质量。 使用小内核进行CNN中更深层次的建筑设计。 最后，评估使用该网络从MRI图像中分割肿瘤的效果，以更好的结果进行评估。 I. 简介1，2 ece系，Bannari Amman理工学院，Sathyamangalam文章历史：收到：2021年1月11日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年5月10日摘要 - 脑肿瘤是人们的主要威胁。，但目前，由于许多机器学习技术，它变得更加先进。磁共振成像是所有图像处理技术中扫描人体并在改善质量图像中清楚地分辨出肿瘤的所有图像处理技术中的最大技术。MRI的基本原理是根据磁场和人体解剖学的无线电波开发图像。图像分割的主要区域是医疗图像处理。MRI图像比CT扫描，X射线等更好的结果。如今，在大空间和结构变异性中自动肿瘤检测。 最近卷积神经网络在医疗领域和计算机视野中起着重要作用。 其应用之一是识别脑肿瘤。 在这里，预处理技术用于将正常图像转换为灰度值，因为它包含相等的强度，但在MRI中，包括RGB含量。 然后，使用中位数和高通滤波器来消除不需要的噪音，以提高图像质量。 使用小内核进行CNN中更深层次的建筑设计。 最后，评估使用该网络从MRI图像中分割肿瘤的效果，以更好的结果进行评估。 I. 简介如今，在大空间和结构变异性中自动肿瘤检测。最近卷积神经网络在医疗领域和计算机视野中起着重要作用。其应用之一是识别脑肿瘤。在这里，预处理技术用于将正常图像转换为灰度值，因为它包含相等的强度，但在MRI中，包括RGB含量。然后，使用中位数和高通滤波器来消除不需要的噪音，以提高图像质量。使用小内核进行CNN中更深层次的建筑设计。最后，评估使用该网络从MRI图像中分割肿瘤的效果，以更好的结果进行评估。I.简介
计算机的完全双曲线卷积神经网络...
现实世界的视觉数据具有固有的层次结构，可以在双曲线空间中有效地代表。双曲神经网络（HNN）是在此类空间中学习特征表示的有前途的方法。然而，计算机视觉中的当前HNN依赖于欧几里得主链，并且仅在任务头中的双曲线空间唯一的项目功能，从而限制了它们充分利用双曲线几何的好处的能力。为了解决这个问题，我们提出了HCNN，这是一种全均匀的卷积神经网络（CNN），专为计算机视觉任务而设计。基于Lorentz模型，我们概括了CNN的基本组合，并提出了卷积层，批准归一化和多项式逻辑回归的新型公式。对标准视频任务的实验证明了在混合和完全双曲的设置中我们的HCNN框架的有希望的性能。总体而言，我们认为我们的贡献为开发更强大的HNN提供了基础，这些HNN可以更好地代表图像数据中发现的复杂结构。我们的代码可在https://github.com/kschwethelm/hyperboliccv上公开获取。
bcinet：脑电图的优化卷积神经网络...
摘要 - 基于EEG的大脑计算机界面（BCI）允许人们使用大脑信号进行交流和控制外部设备。通过从EEG信号中检测用户意图，BCI的应用范围从协助不稳定到在虚拟现实环境中的交互。主要问题在于正确地对EEG信号进行分类以发出命令，并以最少的预处理和资源要求。为了克服这些问题，我们提出了一种新型的优化连接神经网络模型BCInet。我们已经评估了在移动大脑/身体成像（MOBI）设置中收集的两个基于EEG的BCI数据集上的BCINET。BCInet显着优于两个数据集的分类，其准确性提高了20％，而少于75％的可训练参数。这样的模型具有提高的性能，而对计算资源的要求较少为开发具有高性能的几种现实世界中的BCI应用程序开辟了可能性。索引术语 - 跨学神经网络，深度学习，脑电图，脑部计算机界面，MOBI，认知冲突，BCINET。
轻量级图像的完全1×1卷积网络...
摘要：深层卷积神经网络，尤其是具有较大内核的大型模型（3 3或更多），已经在单像超分辨率（SISR）任务中取得了重大进展。但是，此类模型的大量计算足迹阻止了它们在实时，资源约束的环境中的影响。相反，1 1卷积具有实质性的计算效率，但在汇总局部空间表示方面挣扎，这是SISR模型的重要能力。响应这种二分法，我们建议统一3 3和1 1个内核的优点，并利用其轻巧的SISR任务的巨大潜力。具体，我们提出了一个简单而有效的1 1 1卷积网络，称为基于Shift-Conv的网络（SCNET）。通过合并无参数的空间移动操作，完全1 1卷积网络配备了强大的表示能力和令人印象深刻的计算效率。广泛的实验表明，尽管SCNET完全1 1 1卷积结构，但始终匹配甚至超过了采用常规卷积的现有轻质SR模型的性能。可以在https://github.com/aitical/scnet上找到代码和验证的模型。
使用基于感知损失的卷积神经网络
目的：这项研究旨在开发一种新的卷积神经网络深度学习（DL）技术，用于从计算机上进行自动化的脑组织分割（CT）扫描，并与磁共振成像（MRI）分割相比评估其性能。材料和方法：这项多中心回顾性研究收集了来自两个机构的199个健康个体的配对CT和MRI数据。将数据分为一个训练集（n = 100）和一个机构的内部测试集（n = 50），其中第二个机构的附加数据集（n = 49）用于外部验证。灰质（GM），白质（WM）和脑脊液（CSF）的地面真相面膜是从T1加权MR图像中赋予的。为三个大脑区域中的每个区域中的每个区域训练了基于U-NET的DL模型，并根据VGG19计算了感知损失。通过计算连续骰子系数（CDICE），联合会（IOU）和第95个百分位数Hausdorff距离（HD95）来评估模型性能。使用定位系数（R 2），类内相关系数（ICC）和Bland-Altman分析，将基于CT的分割的体积估计与MRI衍生体积进行了比较。结果：接受感知损失的DL网络与未经感知损失的训练相比，表现出色。体积分析表明，在内部/外部测试中，GM和WM分别为r 2 = 0.83/0.90和0.85/0.87之间的MRI衍生地面真相与基于CT的分割之间的一致性是r 2 = 0.83/0.90和0.85/0.87，而ICC = 0.91/0.94和0.92/0.93。在内部测试中，评估得分（没有感知损失与感知损失）为：CDICE = 0.717 vs. 0.765，HD95 = 6.641 mm，gm中的6.641 mm vs. 6.314 mm； CDICE = 0.730 vs. 0.767和HD95 = 5.841毫米，而Wm为5.644 mm； CDICE = 0.600 vs. 0.630和HD95 = 5.641毫米，而CSF中的5.362 mm，分别是分数。结论：提出的DL方法随着感知损失而增强，可改善CT图像的脑部分割。这种方法显示了有望作为基于MRI的分割的一种替代方法。
联合量子卷积神经网络 - 普渡大学化学系
摘要 近年来，科学家积极推动联邦机器学习的概念，以缓解数据所有者的隐私担忧。目前，机器学习和量子计算技术的结合是一个热门的行业话题，并有望成为重大颠覆者。它已成为重塑从医疗保健到金融等多个行业的有效新工具。数据共享对众多行业的大规模机器学习构成了重大障碍。研究由异构联邦资源组成的先进量子计算生态系统是一个自然的目标。在这项工作中，数据治理和隐私问题通过开发量子联邦学习方法来处理，该方法可以在嘈杂的中型量子时代在量子硬件上有效执行。我们提出了一种联邦混合量子-经典算法，称为量子卷积神经网络，它在不同的站点进行分布式训练而无需交换数据。混合算法需要小型量子电路来为图像分类任务产生有意义的特征，这使其成为近期量子计算的理想选择。这项工作的主要目标是评估混合量子-经典和经典-量子卷积神经网络在多个医疗机构/客户之间的非独立和非相同分区 (Non-IID) 和真实世界数据分区数据集上的潜在优势。我们研究了协作量子卷积神经网络在两个医学机器学习数据集 COVID-19 和 MedNIST 上的性能。进行了大量实验来验证所提出的量子联邦学习框架的稳健性和可行性。我们的研究结果表明，与联邦随机梯度下降方法相比，必要的通信轮次减少了 2%–39%。即使在医疗数据在客户端之间分布不均匀的情况下，混合联邦框架也能保持较高的分类测试准确性和通用性。
使用卷积中性网络检测脑肿瘤
＃顾问摘要对脑肿瘤的早期和准确诊断是由大脑中细胞异常生长引起的致命疾病，这对于提高存活率至关重要。一种流行的检测，诊断和治疗方法是磁性推理成像（MRI），因为它是无创的，并且提供了高质量的视觉效果。不幸的是，手动分析它们通常很耗时，需要医疗专业知识。图像分类是计算机视觉的子集，是计算机在图像中对对象进行分类和解释对象的能力。它可以支持医生的诊断，并作为脑肿瘤的入门级筛查系统。本研究旨在建立一个准确的机器学习模型，以预测磁共振图像中脑肿瘤的存在。我们使用BR35H数据集构建了两个不同的卷积神经网络（CNN）模型：KERAS顺序模型（KSM）和图像增强模型（IAM）。首先，我们数据集中的图像进行了预处理，进行了预处理和标准化，以提高效率并减少不准确性。然后，将数据归一化，我们的模型进行了培训。最后，除了在训练过程中观察到的验证精度和损失外，我们还使用准确性验证数据集互为模型的准确性。在我们的两个模型中，IAM超过了KSM。IAM的验证精度为97.99％，BR35H数据集的验证损失为4.94％，从准确性验证数据集对MRIS进行分类时，精度为100％。引入由于其生存率低，脑肿瘤是一种致命的疾病。他们可以是良性（非癌性）或恶性（癌）。良性脑肿瘤逐渐生长，通常包含在大脑的一个区域中，而恶性脑肿瘤迅速生长并侵入健康的脑组织。这些恶性肿瘤的5年生存率仅为36％，尽管它可以根据年龄和肿瘤的位置而变化。
用于 EEG 的多核时间和空间卷积 - ...
摘要：使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务，以提取特征图并对目标输出进行分类。然而，EEG 分析仍然具有挑战性，因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型，称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率，并应用可分离卷积来查找相关的空间模式。此外，我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性，我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比，MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外，所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征，涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型，其能力有望提高模型的学习能力。
用于较低分辨率的多域卷积神经网络...
摘要：运动想象 (MI) 脑机接口 (BCI) 因其在用户意图和任务执行之间直观匹配的特点而被广泛应用于各种应用。将干脑电图 (EEG) 电极应用于 MI BCI 应用可以解决许多限制并实现实用性。在本研究中，我们提出了一种多域卷积神经网络 (MD-CNN) 模型，该模型使用多域结构学习特定于主体和依赖于电极的 EEG 特征，以提高干电极 MI BCI 的分类准确率。所提出的 MD-CNN 模型由三个域表示（时间、空间和相位）的学习层组成。我们首先使用公共数据集评估了所提出的 MD-CNN 模型，以确认多类分类的分类准确率为 78.96%（机会水平准确率：30%）。之后，10 名健康受试者参与并在两个阶段（干电极和湿电极）执行了三类与下肢运动（步态、坐下和休息）相关的 MI 任务。因此，与仅使用单个域的传统分类器（FBCSP、EEGNet、ShallowConvNet 和 DeepConvNet）相比，所提出的 MD-CNN 模型使用三类分类器实现了最高的分类准确度（干电极：58.44%；湿电极：58.66%；偶然水平准确度：43.33%），并且两种电极类型之间的准确度差异最小（0.22%，d = 0.0292）。我们期望所提出的 MD-CNN 模型可用于开发具有干电极的稳健 MI BCI 系统。
视觉变换器看起来是否像卷积神经网络？
到目前为止，卷积神经网络 (CNN) 一直是视觉数据的实际模型。最近的研究表明，(Vision) Transformer 模型 (ViT) 可以在图像分类任务上实现相当甚至更优异的性能。这就提出了一个核心问题：Vision Transformer 如何解决这些任务？它们是像卷积网络一样工作，还是学习完全不同的视觉表示？通过分析图像分类基准测试中 ViT 和 CNN 的内部表示结构，我们发现这两种架构之间存在显著差异，例如 ViT 在所有层上都有更统一的表示。我们探索了这些差异是如何产生的，发现了自注意力机制发挥的关键作用，它可以实现全局信息的早期聚合，而 ViT 残差连接则可以将特征从较低层强烈传播到较高层。我们研究了对空间定位的影响，证明 ViT 成功地保留了输入的空间信息，并且不同分类方法的效果显著。最后，我们研究（预训练）数据集规模对中间特征和迁移学习的影响，并最后讨论与 MLP-Mixer 等新架构的连接。