XiaoMi-AI文件搜索系统
World File Search System图像分类
通过开发自动图像分类a
生物学入侵正在影响全球生物多样性，生态系统和社会经济。海洋非土著物种（MNIS）可以通过人类活动（例如海上运输和粗心丢弃水族馆物种）引入。尽管为防止引入MNI的努力做出了重大努力，但仍会出现事件，包括紫s，甲壳类动物，沿海，anthozoans，bryozoans，bryozoans，sponges，acraalgae，acroalgae，seagrasses and Mangroves（Alidoost Salimi Salimi等，2021）。一旦MNI在接收者地区建立，控制和消除它们就成为一项艰巨的任务。早期对MNIS的认识可以提高早期反应的有效性，特别是在引入阶段，这对于减少MNIS的影响至关重要。因此，必须在成功建立新栖息地并对当地生物多样性构成威胁之前，制定可靠且具有成本效益的策略来对MNI的早期发现进行早期检测。公众在海洋保护中扮演着重要角色（EARP和LICONTI，2020年），例如检测和监视Acanthaster SPP的爆发和监测。（Dumas等，2020），以及管理侵入性狮子弯曲势力（Clements等，2021）。为了监视MNIS的存在，已采取行动来帮助公众熟悉并有效地认识这些物种，例如使用手表清单和指南。然而，由于海洋物种的生物多样性，准确识别标本
用于高光谱图像分类的量子启发光谱空间金字塔网络
高光谱图像 (HSI) 分类旨在为每个像素分配一个唯一标签，以识别不同土地覆盖的类别。现有的 HSI 深度学习模型通常采用传统学习范式。作为新兴机器，量子计算机在嘈杂的中尺度量子 (NISQ) 时代受到限制。量子理论为设计深度学习模型提供了一种新的范式。受量子电路 (QC) 模型的启发，我们提出了一种受量子启发的光谱空间网络 (QSSN) 用于 HSI 特征提取。所提出的 QSSN 由相位预测模块 (PPM) 和受量子理论启发的类测量融合模块 (MFM) 组成，以动态融合光谱和空间信息。具体而言，QSSN 使用量子表示来表示 HSI 长方体，并使用 MFM 提取联合光谱空间特征。量子表示中使用了 HSI 长方体及其由 PPM 预测的相位。使用 QSSN 作为构建块，我们进一步提出了一种端到端的量子启发式光谱空间金字塔网络 (QSSPN)，用于 HSI 特征提取和分类。在这个金字塔框架中，QSSPN 通过级联 QSSN 块逐步学习特征表示，并使用 softmax 分类器进行分类。这是首次尝试将量子理论引入 HSI 处理模型设计。在三个 HSI 数据集上进行了大量实验，以验证所提出的 QSSPN 框架相对于最新方法的优越性。
通过扩散模型通过类间图像混合增强图像分类
文本对图像（T2I）生成模型最近成为一种强大的工具，可以创建照片现实的图像并引起多种应用。然而，将T2i模型的有效整合到基本图像分类任务中仍然是一个悬而未决的问题。促进图像锁骨表现的一种普遍的策略是通过使用T2I模型生成的合成图像来增强训练集。在这项研究中，我们仔细检查了当前发电和常规数据增强技术的缺点。我们的分析表明，这些方法努力产生既忠实的（就前景对象）而且针对领域概念的多样化（在背景上下文中）。为了应对这一挑战，我们引入了一种创新的类数据增强方法，称为diff-mix 1，该方法通过在类之间执行图像翻译来丰富数据集。我们的经验结果是，DIFF-MIX在信仰和多样性之间取得了更好的平衡，从而导致各种图像分类场景之间的性能显着提高，包括域名数据集的少量，常规和长尾分类。
具有多面原型的几个图像分类
游戏化是一个新兴的概念，通常以其已知的动机和参与品质而被使用和引用。尽管在运输和流动性领域中研究了游戏化并应用了各个领域，但在各个领域中都没有概述。因此，需要全面了解所进行的研究，其产生的经验证据以及仍然可能缺乏的研究类型。这些发现可能有助于更有效，更受欢迎的运输干预措施，无论是旨在提高安全性，流动性还是生态友善。我们的评论概述了有关流动性和运输的游戏化文献，并为将来的研究和干预提供了建议。对Scopus，Web of Science和PubMed进行了统一的系统文献综述，导致了49篇合格的论文。对这些论文的分析结果表明多个领域的异质性：干预的目标（例如安全或生态友好驾驶），方法论（即不同的样本大小，不同的实验设计），实验类型（例如，问卷，模拟或仿真研究）和更多重要的过程（例如观察到的经验证据。似乎在游戏化的影响或运输领域的基本机制上似乎没有达成共识。缺乏有关在流动性和运输领域提出游戏干预的最有效方法的知识，无论是旨在改变行为还是态度。进一步的研究应更多地依靠特定的理论框架来证明其方法合理，并在方法论和经验上更加依据地评估游戏化的效果，以建立适用可靠的知识。获得的知识可以提高道路安全性或帮助人们采取更环保的运输方式。
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
在图像分类中研究协作互动机教学
虽然以人为本的机器学习方法探索了互动循环中的各种人类角色，但出现了主动机器教学（IMT）的概念，重点是利用人类作为老师的教学技能来构建机器学习系统。但是，大多数系统和研究都专门用于单个用户。在本文中，我们在图像分类的背景下研究了协作互动式教学，以分析人们如何共同构建教学过程并理解他们的经验。我们的贡献是三倍。首先，我们开发了一个名为Teachtok的Web应用程序，该应用程序使用户组能够策划数据并逐步训练模型。第二，我们进行了一项研究，其中有十名参与者分为三个团队，这些团队在九天内竞争建立一个图像分类器。参与者在Focus小组中讨论的定性结果揭示了机器教学任务中协作模式的出现，协作如何帮助修改教学策略以及参与者对他们与Teachtok应用程序的互动的思考。从这些发现中，我们对基于互动，协作和参与机器学习的系统的设计产生了影响。
使用卷积神经网络（CNN）和转移学习技术的原始研究论文遥感图像分类
摘要：本研究研究了描绘变速箱，森林，农田和山脉的航空图像的分类。要完成分类工作，使用卷积神经网络（CNN）体系结构从输入照片中提取功能。然后，使用SoftMax对图像进行分类。要测试模型，我们使用90批量的ADAM优化器和0.001的学习率将其运行了十个时期。培训和评估都是使用数据集进行的，该数据集将Google卫星图像与MLRNET数据集融合在一起的图片。综合数据集包含10,400张图像。我们的研究表明，转移学习模型和MobilenetV2，对于景观分类非常有效。这些模型是实际使用的好选择，因为它们在精度和效率之间很好地结合在一起。我们的方法在内置的CNN模型上以87％的总体准确度获得了结果。此外，我们通过利用验证的VGG16和MobilenEtV2模型作为传输学习的起点，达到更高的精度。具体来说，VGG16的精度为90％，测试损失为0.298，而MobileNetV2的精度优于两个模型，其精度为96％，测试损失为0.119；结果表明，使用Mobilenetv2进行转移学习的有效性来对传输塔，森林，农田和山脉进行分类。关键字：航空图像，图像分类，卷积神经网络（CNN），转移学习
视觉与深层神经网络中的内部注意机制用于图像分类和对象检测
深神经网络（DNN）中所谓的“注意机制”表示DNN的自动适应，以捕获具有特定分类任务和相关数据的代表性特征。这种注意机制通过加强特征通道和本地强调每个特征图中的特征来在全球范围内发挥作用。渠道和特征重要性是在全球端到端DNS培训过程中学习的。在本文中，我们提出了一项研究，并提出了一种具有不同方法的方法，并在训练图像旁边添加了补充视觉数据。我们使用人类的视觉注意图在任务驱动或自由观看条件下独立于心理视觉实验获得的人类视觉注意图，或者在自由观看条件下或预测视觉注意图的强大模型。我们在图像旁边添加了视觉注意图作为新数据，从而将人类的视觉注意力引入DNNS培训中，并将其与全球和局部自动注意机制进行比较。实验结果表明，DNN中的已知注意力机制几乎与人类的视觉关注在一起，但提出的方法仍然可以更快地收敛和在图像分类任务中更好地表现。
CNN和视觉模型的比较研究图表图像分类
摘要：图表图像分类是自动化数据提取和从可视化的解释的关键任务，这些任务被广泛用于业务，研究和教育等领域。在本文中，我们评估了卷积神经网络（CNN）和视觉模型（VLM）的性能，鉴于它们在各种图像分类和理解任务中的使用越来越多。，我们构建了25种图表类型的不同数据集，每个数据集包含1,000张图像，并培训了多个CNN体系结构，同时还评估了预训练的VLM的零拍概括能力。我们的结果表明，在经过专门用于图表分类的培训时，CNN胜过VLM，尽管如此，它仍显示出有希望的潜力，而无需特定于任务的培训。这些发现强调了CNN在图表分类中的重要性，同时突出了VLM的进一步微调的未开发潜力，这对于推进自动数据可视化分析至关重要。