XiaoMi-AI文件搜索系统
World File Search System图像分类
缓解偏见：通过改进模型解释来增强图像分类
二元优化是指下场景，在该方案中，低级能量功能的最佳解决方案是感兴趣的高级目标的输入功能。这些最佳特征通常取决于低级能量的可调参数，以使整个二合一管道可以端到端训练。尽管通常不这样做，但本文展示了如何将多种图形学习技术重新铸造为特殊的二聚体优化或简化的案例。简而言之，在先前的工作中建立，我们首先得出了一个更弹性的能量功能，当与各种下降步骤配对时（例如，梯度降低，近端方法，动量等。），形式图神经网络（GNN）消息传递层；至关重要的是，我们还仔细地将任何残留近似误差都相对于基本构成消息传播函数而仔细包装。然后，我们探究了该框架的几个简化，以通过基于非GNN的图形学习方法得出密切的连接，包括知识图嵌入，各种形式的标签传播以及有效的图形调查MLP模型。最后，我们提出了经验结果，这些结果证明了所提出的双杆镜头的多功能性，我们称之为bloomgml，表明双光线优化提供了更多的图形机器学习。我们的代码可在https://github.com/amberyzheng/bloomgml上使用。令ML绽放。
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。
DeepTumor：脑 MR 图像分类、分割和肿瘤检测框架
摘要：由于人脑的敏感性，从图像中正确分割脑肿瘤对于患者和医务人员都非常重要。手术干预需要医生非常谨慎和精确地瞄准大脑所需的部位。此外，分割过程对于多类肿瘤分类也很重要。这项工作主要集中在脑磁共振图像处理的三个主要领域进行分类和分割，即：脑磁共振图像分类、肿瘤区域分割和肿瘤分类。提出了一个名为DeepTumor的框架，用于将多阶段多类胶质瘤肿瘤分类为四类；水肿、坏死、增强和非增强。对于脑磁共振图像二元分类（肿瘤和非肿瘤），提出了两个深度卷积神经网络 (CNN) 模型用于脑磁共振图像分类； 9层模型，共有217,954个可训练参数，以及一个改进的10层模型，共有80,243个可训练参数。在第二阶段，提出了一种基于增强模糊C均值（FCM）的技术用于脑MRI图像中的肿瘤分割。在最后阶段，提出了一个增强的CNN模型3，该模型具有11个隐藏层，共有241,624个可训练参数，用于将分割后的肿瘤区域分为四个胶质瘤肿瘤类。实验使用BraTS MRI数据集进行。将提出的CNN模型用于二分类和多类肿瘤分类的实验结果与现有的CNN模型（如LeNet，AlexNet和GoogleNet）以及最新文献进行了比较。
学习视觉刺激诱发的脑电图流形，用于神经图像分类
视觉神经解码，即从大脑活动模式中解释外部视觉刺激的能力，是神经科学研究中的一项具有挑战性的任务。最近的研究集中于表征可以用群体级特征描述的多个神经元的活动模式。在本研究中，我们结合空间、光谱和时间特征来实现神经流形分类，该分类能够表征视觉感知并模拟人脑中的工作记忆活动。我们通过基于黎曼流形和二维 EEG 频谱图表示的自定义深度学习架构分别处理时空和光谱信息。此外，在查看 11 类（即全黑加 0-9 数字图像）MindBigData Visual MNIST 数据集时，使用基于 CNN 的分类模型对视觉刺激引起的 EEG 信号进行分类。在刺激引起的 EEG 信号分类任务上评估了所提出的集成策略的有效性，总体准确率达到 86%，与最先进的基准相当。
分析瞬时大脑相互作用对运动图像分类任务的贡献
这项研究的目的是分析电极之间的相互作用的贡献，即以相关性或jaccard距离测量，对运动成像范式中两种作用的分类，即左手运动和右手运动。分析是在两个分类模型中进行的，即静态（线性判别分析，LDA）模型和动态（隐藏的条件随机范围，HCRF）模型。还分析了在静态和动态模型中使用滑动窗口技术（SWT）的影响。The study proved that their combination with temporal features provides significant information to improve the classification in a two-class motor imagery task for LDA (average accuracy: 0.7192 no additional features, 0.7617 by adding correlation, 0.7606 by adding Jaccard distance; p < 0.001) and HCRF (average accuracy: 0.7370 no additional features, 0.7764 by adding相关性，通过添加Jaccard距离为0.7793；另外，我们表明，在相互作用度量或分类器本身的性质上，电极之间的相互作用显着提高了每个分类器的性能。
支持向量机（SVM）用于肿瘤医学图像分类
nfadel@fbsu.edu.sa 摘要——癌症已成为全球死亡的主要原因。为了处理医学图像以发现肿瘤及其类型，作者需要具有理解医学图像的独特经验。作者需要机器学习技术来达到高精度和快速分析这些图像，以避免缺乏经验或错误。在本文中，作者将研究用于对脑图像进行分类的机器学习技术（SVM）。本文将使用 SVM 分析脑图像并使用 Matlab 软件发现良性肿瘤和恶性肿瘤。进行的实验结果表明，该系统对医学脑图像中发现的肿瘤类型（良性、恶性）的分类具有准确性。作者将在本研究中坚持认为，要分类的图像仅限于仅存在两种类型的肿瘤。将来，在分类过程之前，将在脑部的医学图像中添加一些预处理程序。关键词——肿瘤、医学图像、机器学习、支持向量机。
对噪声图像分类任务中人工智能辅助依赖的实证研究
摘要。如今，人类在各种高风险和低风险的决策任务中使用人工智能辅助。然而，人类对人工智能辅助的依赖往往不是最理想的——人们对人工智能的依赖程度要么过低，要么过高。我们对嘈杂的图像分类任务中的人机辅助决策进行了实证研究。我们分析了参与者对人工智能辅助的依赖程度以及人机辅助的准确性，并与人类或人工智能独立工作进行了比较。我们证明，参与者没有表现出自动化偏见，这是人类在人工智能辅助下表现出的一种广泛报道的行为。在这种特定的人工智能辅助决策实例中，人们能够在需要时正确地推翻人工智能的决策，并在综合表现上接近理论上限。我们认为，与之前的研究结果存在差异的原因在于：1）人们擅长对日常图像进行分类，并且对自己执行任务的能力有很好的了解；2）当被要求表明对自己的决策的信心时，人们会进行深思熟虑的元认知行为；3）人们能够通过结合每次试验后提供的反馈来建立良好的人工智能心理模型。这些发现应该可以为未来的实验设计提供参考。
平行时空自我发注意CNN基于CNN的运动图像分类
运动图像（MI）脑电图（EEG）分类是脑机构界面（BCI）的重要组成部分，使具有流动性问题的人可以通过辅助设备与外界进行通信。但是，由于其复杂性，动态性质和低信噪比，EEG解码是一项艰巨的任务。设计一个充分提取EEG信号的高级特征的端到端框架仍然是一个挑战。在这项研究中，我们提出了一个平行的空间 - 暂时性自我注意力，用于四级MI EEG信号分类。这项研究是定义原始脑电图信号的新时空表示的第一个研究，该信号使用自我注意力的机制提取可区分的时空特征。特别是，我们使用空间自我注意模块来捕获MI EEG信号通道之间的空间依赖性。此模块通过通过加权求和在所有通道上汇总特征来更新每个通道，从而提高了分类准确性并消除由手动通道选择引起的伪像。此外，时间自我发项模块将全局时间信息编码为每个采样时间步骤的特征，因此可以在时域中提取MI EEG信号的高级时间特征。定量分析表明，我们的方法优于主体内和受试者间分类的最先进方法，证明其稳健性和有效性。最后，采用提出的方法根据脑电图信号实现对无人机的控制，从而验证其在实时应用中的可行性。在定性分析方面，我们对从学到的架构估算的新时空表示形式进行视觉检查。
深度学习的各种预训练的图像分类模型的探索性体系结构分析
摘要 - 图像分类是针对各个部门的深度学习领域（DL）领域的重要应用之一。可用于执行图像分类的不同类型的神经网络体系结构，每种神经网络体系结构都会产生不同的精度。数据集和所使用的功能是影响模型的结果。研究界至少针对特定领域的广义模型致力于广义模型。使用知识信息管理方法确定了对各种深度学习模型的当代调查，以进一步提供最佳的体系结构以及对广义深度学习模型，以将图像缩小到特定于部门的特定于部门。该研究系统地介绍了用于每个深度学习模型的不同类型的体系结构，其变体，层和参数。详细介绍了体系结构类型的特定应用程序和局限性。它可以帮助研究人员为特定部门选择适当的深度学习体系结构。关键字 - 图像分类，深度学习，神经网络
![使用3D卷积神经网络[18F] Florbetaben脑宠物图像分类](/simg/g:\will\search\icon\source\c\c82f9175d25c0bc6ff164861a883d62a00589155.webp)
使用3D卷积神经网络[18F] Florbetaben脑宠物图像分类
在淀粉样蛋白脑扫描的深度学习分类中已经报道了高精度，这是阿尔茨海默氏病诊断的重要因素。但是，应该考虑过度拟合的可能性，因为该模型配备了样本数据。Therefore, we created and evaluated an [ 18 F]Florbetaben amyloid brain positron emission tomography (PET) scan classification model with a Dong-A University Hospital (DAUH) dataset based on a convolu- tional neural network (CNN), and performed external validation with the Alzheimer's Dis- ease Neuroimaging Initiative dataset.在DAUH和外部数据集上进行了空间归一化，计数归一化和头骨剥离预处理。但是，平滑仅在外部数据集上进行。使用了三种类型的模型，具体取决于它们的结构：Inception3d，resnet3d和vgg3d。在使用DAUH数据集的80％训练后，选择了适当的模型，其余的DAUH数据集用于模型评估。然后使用外部数据集验证了所选模型的概括潜力。Inception3d，Resnet3d和VGG3D的模型评估的准确性为95.4％，92.0％和97.7％，外部验证的准确性分别为76.7％，67.1％和85.3％。inception3d和resnet3d用外部数据集重新训练；然后，比较曲线下的面积，以确定二元分类性能的显着性水平小于0.05。进行微调后再次执行外部验证时，Inception3d的性能提高到15.3％P，RESNET3D的性能提高到16.9％P。在[18 F] Florbetaben淀粉样蛋白脑PET扫描使用CNN中，可以通过外部阀门观察到概括势。当模型分类性能与外部验证之间存在显着差异时，更改模型结构或微调模型可以帮助改善分类性能，并且还可以通过通过基于Web的开放平台进行协作来找到最佳模型。