XiaoMi-AI文件搜索系统
World File Search System图像分类
EEG基于过度完整的理性扩张小波转换和自动回归的运动图像分类
基于运动图像（MI）的大脑计算机界面（BCI）应用旨在分析大脑如何与脑电图（EEG）信号与外部环境相互作用。尽管当前的模型取得了令人鼓舞的结果，但从EEG信号中开发了MI的准确分类仍然是一个重大挑战。在本文中，我们设计了一个名为（ORDWT_AR）的MI分类模型，该模型利用过度完整的理性扩张小波变换（ORDWT）以及自动回归（AR）模型。首先，使用滑动窗口方法将脑电图分割为间隔。然后，每个脑电图通过ORDWT传递以分析EEG信号。因此，从每个段获得了一系列停止频段。然后，将AR与ORDWT集成，以从每个EEG间隔中提取代表性特征。选定的功能被发送到多种分类模型中，包括加权K-Nearest邻居（WKNN），决策树（DTREE）和Boosted树（BST）。使用四个基准EEG数据库评估所提出的模型，其中三个是从脑部计算机界面（BCI）竞争III中收集的，一个是从CHB-MIT中收集的。结果表明，提出的模型ORDWT_AR与WKNN分类器相结合的三个BCI竞赛III数据集的平均分类精度为99.8％，CHB-MIT数据集的平均分类精度为99.7％。获得的结果表明，所提出的方案是对脑电图信号进行分类并具有出色结果的有前途的工具。提议的模型可以支持专家帮助残疾人与环境互动并提高生活质量。
图像分类的营养分析仪-IJRPR
开发营养分析仪的主要挑战包括缺乏营养含量的认识，因为许多人不知道每日食品的营养成分，例如水果，蔬菜，谷物和包装商品，导致不平衡的餐食和较高的慢性病风险。有限获取个性化饮食指南的机会进一步使事情变得复杂，因为通用准则无法解决年龄，体重，活动水平和特定健康目标（例如疾病管理）等独特的个人需求。此外，专业饮食建议通常需要大量的时间和金融投资，从而限制了偏远或服务不足地区的个人的访问。诸如糖尿病和高血压之类的慢性疾病需要特定的饮食干预措施，但许多人缺乏设计适当的进餐计划的知识或资源，从而导致疾病管理无效。实时营养分析的现有工具通常是不切实际，复杂或不准确的，令人沮丧的更健康的习惯。缺乏可访问的，用户友好的饮食工具会导致饮食习惯不佳，生活方式疾病增加以及错过的机会利用技术来改善健康。
使用无需编程的人工智能辅助图像分类对男性不育进行评分
“自 50 年前首次报道以来，Johnsen 评分已广泛应用于泌尿科。然而，睾丸的组织病理学评估并非易事，需要花费大量时间，因为睾丸组织非常复杂，精子发生过程中涉及多个高度专业化的步骤。我们的目标是利用人工智能技术简化这一耗时的诊断步骤。为此，我们选择了 Google 的自动机器学习 (AutoML) Vision，它不需要编程，可以为单个患者数据集创建人工智能模型。借助 AutoML Vision，没有编程技能的临床医生可以使用深度学习构建自己的模型，而无需数据科学家的帮助，”东邦大学医学院泌尿外科副教授 Hideyuki Kobayashi 博士说道（图 1）。
使用卷积神经网络模型增强图像分类
近年来，随着当前分类系统在数字内容识别中的快速发展，图像的自动分类已成为计算机视觉领域中最具挑战性的任务。可以看出，与人类的愿景相比，系统对于系统自动理解和分析图像的视力非常具有挑战性。已经完成了一些研究论文来解决低级当前分类系统中的问题，但输出仅限于基本图像特征。类似地，这些方法无法准确对图像进行分类。对于此领域的预期结果，例如计算机视觉，本研究提出了一种使用深度学习算法的深度学习方法。在这项研究中，一个基于卷积神经网络（CNN）的建议模型，该模型是一种机器学习工具，可用于图像的自动分类。该模型与图像的分类有关，为此，它采用Corel Image Dataset（Corel Gallery Image DataSet）作为参考。用于培训的数据集中的图像要比图像的分类更难，因为它们需要更多的计算资源。在实验部件中，使用CNN网络训练图像的精度为98.52％，证明该模型在图像的分类中具有很高的精度。
增强大脑MRI图像分类
收到：2024年10月1日，手稿号IJCMI-24-156541;编辑分配：2024年10月3日，PREQC No.p-156541;审查：2024年10月17日，QC号Q-156541;修订：2024年10月23日，手稿号R-156541;发布：2024年10月30日，doi：10.4172/ 2376-0249.1000982 *通讯作者：澳大利亚托伦斯大学托伦斯大学电气工程系安吉丽娜·卡拉马扎（Angelina Caramazza），澳大利亚阿德莱德（Adelaide）电子邮件：Angelinaaramazza@ osm.edu引用：Caramazza A.（2024）增强大脑MRI图像分类：将VGG16和RESNET50与多重优化方法组合在一起。int J Clin Med Imaging 11：982。版权所有：©2024 Caramazza A.这是根据Creative Commons归因许可条款分发的开放访问文章，只要原始作者和来源被记住，它允许在任何媒介中进行无限制的使用，分发和复制。
用于脑肿瘤 MRI 图像分类的混合量子图神经网络
脑瘤是成人和儿童第十大致死原因。及早发现和治疗可显著提高存活率。深度学习的最新进展已显示出使用磁共振成像 (MRI) 扫描识别和分类脑瘤的前景。本文介绍了一种集成经典和混合量子启发式图神经网络进行肿瘤分类的新方法。经典图卷积神经网络 (GCNN) 分析医学成像数据中的复杂关系，而混合量子图神经网络 (QGNN) 利用量子计算原理来提高性能。先前的研究强调了脑成像数据的多样性所带来的挑战。本研究比较了各种分类方法，强调架构、训练技术和性能指标。目的是训练和评估从 MRI 扫描中识别脑瘤的模型。混合 QGNN 表现出与先进的经典 GCNN 相当的准确度和损失指标，训练期间准确度从 0.41（41%）提高到 0.64（64%），验证数据集中的准确度从 0.31（31%）提高到 0.52（52%），从而展示了其在区分正常和肿瘤图像方面的有效性。
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
收到：2024年6月21日修订：2024年8月3日接受：2024年8月26日发布：2024年9月30日摘要 - 去年在几个领域中使用了图像处理技术，包括教育，研究，铁路和其他部门。CNN（卷积神经网络）通常被视为图片分类的最有效方法。这项研究包括使用CNN体系结构：Restnet50V2，Restnet152v2，Xception，IntectionV3和MobilenetV2的五种著名的图像处理算法。我们评估了Dehradun DataSet北阿兰奇大学的分类，该数据集有20个不同的部门照片进行分类。在一定的迭代之后，我们的主要目标是使用可用的硬件实现最佳的模型精度。为了评估绩效，我们使用了其他措施，例如准确性，召回和F1得分。调查证明了所有五种算法的特殊精度：Restnet50V2（98.88），Restnet152v2（99.10），Xpection（99.17），InceptionV3（99.2）（99.2）和MobiLENETV2（93.71）。由于其卓越的准确性，选择了X Ception方法进行数据培训，测试和验证。硬件资源，内存能力和数据多样性。这项研究阐明了CNN模型的性能，并帮助公司和大学选择更好的照片分类算法。这项研究还提高了机器学习和深度学习算法，以及它们在现实情况下的实际应用。
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。
基于深度学习的图像分类
摘要：图像分类技术是计算机视觉领域的核心研究方向，随着深度学习技术的发展，研究人员广泛关注的重点。尽管卷积神经网络（CNN）在图像处理方面取得了革命性的进步，但仍然存在诸如过度拟合和处理多种数据集的复杂性之类的问题。本文提出了由卷积神经网络（CNN）模块和时频复合加权模块组成的混合模型。CNN模块有效地执行了深层提取，而时频复合权重模块能够实现更好的性能。通过CIFAR 10的实验验证，本文证明了混合模型在图像分类任务上的出色性能，精度为90％。本文的结果不仅证明了将不同的深度学习体系结构相结合以提高图像分类精度的有效性，而且还为开发未来图像处理技术的开发提供了新的想法和方法。