XiaoMi-AI文件搜索系统
World File Search System卷积
朝着自主驾驶的鸟眼观察空间中有效的3D对象检测：仅卷积的方法
摘要 - 鸟眼视图中的3D对象检测（BEV）空间最近已成为自主驾驶领域的一种普遍方法。与透视图方法相比，尽管准确性和速度估计的改善有所提高，但现实世界自动驾驶汽车中基于BEV的技术的部署仍然具有挑战性。这主要是由于它们依赖基于视觉转化器（VIT）的架构，该体系结构引入了相对于输入分辨率的二次复杂性。为了解决这个问题，我们提出了一个有效的基于BEV的3D检测框架，称为Bevenet，该框架利用了仅卷积的架构建筑设计来规避VIT模型的局限性，同时保持基于BEV的方法的有效性。我们的例子表明，在Nuscenes挑战中，Bevenet比现代的最新方法（SOTA）快速（SOTA）方法，达到0.456的平均平均精度（MAP）为0.456，NUSCENES检测分数（NDS）的平均精度（MAP）为0.555在Nuscenes验证验证数据上，均为0.555，并使用persenter firames perference Speets perspersy Specters perspersy perspersy perspersy prement perspersy prement per per per 47。据我们所知，这项研究是第一个实现基于BEV的方法的重大效率提高的研究，强调了它们对现实世界自动驾驶应用程序的可行性的增强。
基于光学相干断层扫描与卷积神经网络相结合的体内皮肤表面粗糙度的估计
人类皮肤的质地受外部和内部因素的影响，皱纹的变化最直接反映了皮肤的状态。皮肤粗糙度主要用于量化皮肤的皱纹特征。因此，对皮肤粗糙度的有效定量在护肤，医疗和产品开发中至关重要。本研究提出了一种使用光学相干断层扫描（OCT）与卷积神经网络（CNN）结合的方法来估计皮肤表面粗糙度的方法。通过粗糙度标准板验证了所提出的算法。然后，实验结果表明，包括算术平均粗糙度和粗糙度在内的皮肤表面粗糙度取决于年龄和性别。基于OCT的建议方法的优点是，它可以降低皮肤表面自然曲率对粗糙度的影响。此外，该方法与表皮厚度和皮肤衰减系数结合在一起，用于皮肤特征的多参数表征。它可以看作是理解老化过程并制定维护和增强皮肤健康和外观的策略的潜在工具。
通过 3D 卷积神经网络和静息状态 fMRI 跨样本熵分析自动诊断晚年抑郁症
摘要 静息态 fMRI 已广泛应用于研究晚年抑郁症 (LLD) 的病理生理。与传统的线性方法不同，跨样本熵 (CSE) 分析显示了大脑区域之间 fMRI 信号的非线性特性。此外，深度学习的最新进展，例如卷积神经网络 (CNN)，为理解 LLD 提供了及时的应用。准确和及时的诊断对于 LLD 至关重要；因此，本研究旨在结合 CNN 和 CSE 分析，根据大脑静息态 fMRI 信号区分 LLD 患者和非抑郁症对照老年人。77 名老年人（包括 49 名患者和 28 名对照老年人）接受了 fMRI 扫描。开发了体积对应于每个参与者的 90 个种子感兴趣区域的三维 CSE，并将其输入到疾病分类和抑郁严重程度预测模型中。我们在额上回（左背外侧和右眶部）、左岛叶和右枕中回的诊断准确率 > 85%。平均均方根误差 (RMSE) 为 2.41，需要三个独立模型来预测重度、中度和轻度抑郁组的抑郁症状。左顶下小叶、左海马旁回和左中央后回的 CSE 体积在各自的模型中表现最佳。结合复杂性分析和深度学习算法可以将 LLD 患者与对照老年人进行分类，并根据 fMRI 数据预测症状严重程度。此类应用可用于精准医疗，用于 LLD 的疾病检测和症状监测。
效率网络B7卷积神经网络基于基于社会物联网环境的安全和隐私方法
收到：2024年6月26日修订：2024年8月6日接受：2024年8月29日发布：2024年9月30日摘要 - 太阳能构成宇宙中的主要能源。可以采用各种方法来有效利用这种能量。太阳能电池板的部署被区别为一种广泛采用的创新方法，用于积累这种能量。与固定面板相比，旋转面板已经证明了在某些情况下（例如部分阴影条件）产生更大能量输出的能力。太阳能跟踪系统（STS）是跟踪太阳运动的主要方法之一。STS的目的是通过将载荷（通常是太阳能电池板）定向到太阳来优化能源产生。这是通过最大程度地减少传入的阳光与光伏（PV）面板之间的发射角来实现的，从而增强了产生的能量的量。现有的系统，具有最大功率点跟踪（MPPT）方法的灰狼优化（GWO），会产生大量的能量，从而导致重大跟踪误差。为了减少跟踪误差并提高能源效率，已经实施了使用粒子群优化（PSO）的最初提出的方法，该方法已实施。该神经网络（NN）主要由自适应神经模糊推理系统（ANFIS）组成，其中包括从数据收集到部署的工作流程。由于适当的培训，测试和数据实施，此方法比现有的结果更好。关键字 - ANN，PSO，太阳能系统，太阳能，部分阴影条件，光伏，优化。
增强医疗保健推荐：深度卷积神经网络中的迁移学习用于阿尔茨海默病检测
阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 等神经退行性疾病会严重影响大脑功能和认知。先进的神经成像技术，尤其是磁共振成像 (MRI)，通过检测结构异常在诊断这些疾病方面发挥着至关重要的作用。这项研究利用以大量 MRI 数据而闻名的 ADNI 和 OASIS 数据集来开发用于检测 AD 和 MCI 的有效模型。该研究进行了三组测试，比较了多个组：多类分类（AD vs. 认知正常 (CN) vs. MCI）、二元分类（AD vs. CN 和 MCI vs. CN），以评估在 ADNI 和 OASIS 数据集上训练的模型的性能。对这两个数据集都应用了高斯滤波、对比度增强和调整大小等关键预处理技术。此外，还利用 U-Net 进行颅骨剥离，通过去除颅骨来提取特征。研究了几种著名的深度学习架构，包括 DenseNet-201、EfficientNet-B0、ResNet-50、ResNet-101 和 ResNet-152，以识别与 AD 和 MCI 相关的细微模式。采用迁移学习技术来提高模型性能，利用预训练数据集来改进阿尔茨海默氏症 MCI 检测。ResNet-101 与其他模型相比表现出色，在涵盖 AD、CN 和 MCI 的多类分类任务中，在 ADNI 数据集上实现了 98.21% 的准确率，在 OASIS 数据集上实现了 97.45% 的准确率。它在区分 AD 和 CN 的二元分类任务中也表现良好。ResNet-152 在 OASIS 数据集上 MCI 和 CN 之间的二元分类方面表现尤为出色。这些发现强调了深度学习模型在准确识别和区分神经退行性疾病方面的实用性，展示了它们在增强临床诊断和治疗监测方面的潜力。
使用卷积神经网络
对数字通信网络的日益依赖使信息安全成为全球个人，组织和政府的关键问题（Chen等，2011）。但是，这种提高的连通性也导致了各种网络威胁，中间人（MITM）的攻击是网络攻击的破坏形式（Disha＆Waheed，2022; Zahara et al。，2020）。在MITM攻击中，攻击者拦截并改变了两方之间的通信，通常是在不知情的情况下。检测MITM攻击是由于其隐形性和攻击者采用的复杂方法而复杂的。传统的MITM攻击检测方法通常难以准确识别复杂的攻击，并将其与合法的网络行为区分开。现有的检测MITM攻击的技术主要依赖于分析网络流量模式和检测异常（Ahmad等，2020）。但是，这些方法通常在准确识别微妙而复杂的攻击模式中面临局限性，从而导致假阳性或假否定性增加。
检测卷积神经网络...
摘要 - 花园环境中物体的检测和分类是应考虑的必要支持，这不仅是因为它促进了花朵的分类，还因为它减少了所需的时间，因为它不再需要专家进行。卷积神经网络的使用在所有领域都在上升，无论是在汽车行业，牲畜，航空等。这是由于它们的特征，它利用人工智能培训来实现对物体的精确检测和分类，但是所有这些方法的成本都很高，并且任何人都无法操纵。该资源的实施，与Yolov8算法并肩作用，代表了花型检测和分类领域的显着进步。关键字：分类，花卉农场，卷积神经网络，Yolo，Python，Roboflow，人工智能。
研究深度卷积神经网络中的格式塔原理
神经网络的设计受人脑的工作机制的启发，此后在各个领域取得了巨大的成功。心理学仍然旨在更好地了解人脑，但计算机科学努力增强对神经网络的理解。神经网络研究的主要目标是开发能够执行与人脑相似的任务，而不是重新创建它的模型。有趣的是，尽管没有明确设计为此目的，但神经网络倾向于表现出比预期的更像人类的行为。特别是，最近的发现表明，CNN可能表现出感知组织的格式塔定律的某些方面[1]，这些方面解释了人脑如何解释复杂的视觉刺激，尽管可能会受到某些阈值和局限性的影响。先前探索的神经网络体系结构的狭窄范围，其数据集有限和实验不足，因此需要进行更详细的研究。我们关注的是闭合原理，该原理指出，当零件被遮挡或碎片时，人的大脑自然填补了将数字视为完整批发的空白。我们提出了一个专门设计的数据集，该数据集旨在检查各种基于心理的透视仪的关闭，并在广泛的CNN中进行实验，以研究其与该原则的一致性。我们的工作提供了有关CNN有关关闭的全面分析，确定了限制和阈值，这些限制和阈值定义了其在逐渐操纵的刺激类别上执行闭合时的可用性。
多模式深卷积神经网络管道，用于AI辅助口腔癌的早期检测
摘要口服鳞状细胞癌（OSCC）提出了重大的健康挑战，早期检测对于有效治疗和提高的存活率至关重要。先前的研究检查了标准照片的使用，例如智能手机中的照片，但它们通常仅依靠图像，忽略了合并多种方式的潜在好处。这项研究通过提出一条包含多种数据源的多模式深度学习管道来解决这一差距，其中包括患者元数据，该数据源模仿了临床医生在早期发现口腔癌中的诊断方法。该研究利用最新的图像编码将口腔病变分类为良性且潜在的恶性类别。提出了六个预训练的深度学习模型（Mobilenetv3-Large，MixNet-S，Resnet-50，Hrnet-W18-C，Densenet-121和Inception_V3）的性能比较。使用MobileNetV3-Large-large-large图像Encoder，提议的管道的性能达到了81％的总体精度，精度为79％，召回79％，F1得分为78％，MATTHEWS相关系数（MCC）为0.57。与仅使用图像数据相比，研究结果突出了整合多种数据模式的功效，以更准确地检测潜在的恶性肿瘤。结果可能为改善临床决策和患者预后铺平道路。
基于CO2的瓷砖固化 效率网络B7卷积神经网络基于基于社会物联网环境的安全和隐私方法 ANN在部分阴影条件下优化了DA-ST 3D打印香蕉纤维增强PLA生物复合材料的机械表征 图像分类的CNN体系结构
摘要 - 这项研究评估了CO 2固定的瓷砖作为环保的建筑材料的性能，重点是3天和7天的早期固化阶段。该研究旨在减少瓷砖生产过程中的用水量，并在受控的CO 2固化后评估CO 2隔离量，从而量化CO 2吸收。进行了全面的实验，以分析3天和7天在3天和7天时CO 2固定的瓷砖的机械和物理性质。该研究检查了抗压强度，吸水和尺寸稳定性。在生产过程中优化了用水量，并将高级技术用于CO 2固定的定性分析。CO 2固定的瓷砖在两个早期固化阶段都表现出有利的抗压强度发展，表现出耐用性。吸水显着降低，与最大程度地减少用水量的目的对齐。定性分析证实了瓷砖中成功的CO 2固相，BET分析量化了其CO 2吸收能力。CO 2固定的瓷砖显示出可持续结构的希望，具有强大的早期性能，用水量减少和有效的CO 2隔离。这些发现支持使用CO 2固化的瓷砖作为减少碳排放和促进可持续建筑实践的解决方案。