XiaoMi-AI文件搜索系统
World File Search System深度
与计算机视觉的深度学习
深度学习和神经网络：多层感知器：多层感知器体系结构，什么是隐藏的层？每一层中有多少层和多少个节点？激活函数：线性传输函数，重型阶跃功能（二进制分类器），sigmoid/logistic函数，软马克斯函数，双曲线切线函数（TANH），整流的线性单元，泄漏的relu。前馈过程：前馈计算，特征学习。错误函数：错误函数是什么？，为什么我们需要一个错误函数？错误总是正面的，均为正方形错误。跨凝性，关于错误和权重优化算法的最终说明：什么是优化？，批处理梯度下降，随机梯度下降，微型批次梯度下降，梯度下降点击。反向传播：什么是反向传播？，反向传播外卖。
深度学习：对人类的影响......
深度神经网络是一种复杂的结构化系统，它以并行、分布式和上下文敏感的方式处理信息，而深度学习则是利用这些系统通过依赖经验的学习过程获得与智能相关的能力的努力。在人工智能领域，深度学习的工作通常旨在利用所有可用的工具和资源来创造和理解智能，而不考虑其生物学合理性。然而，深度学习的许多核心思想都从大脑和人类智能的特征中汲取灵感，我们认为这些受大脑启发的系统最能捕捉这些特征（Rumelhart、McClelland 和 PDP 研究小组，1986 年）。此外，深度学习研究中出现的想法可以帮助我们了解人类和动物的记忆和学习。因此，深度学习研究可以看作是研究人员之间相互交流的沃土，这些研究人员研究的相关问题对生物智能和机器智能都有影响。
使用编码器-解码器框架从颅内深度电极合成语音
图 6 示例性注意力矩阵，可视化三位参与者在收敛时的注意力得分（来自随机选择的训练样本）（值越亮表示注意力得分越高）。解码器中的时间步长在 y 轴上表示，编码器的时间步长在 x 轴上表示。对角线结构表明注意力得分在时间域上是很好地对齐的，例如输出中的后续步骤关注输入中的后续步骤。该图还表明，填充输入 sEEG 序列（语音规划和理解）可能是不必要的，因为没有太多注意力放在第一个和最后一个输入步骤上。
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
低级视觉任务的语言指南的鲁棒性：深度估算的发现
通过将自然语言纳入附加指导来实现单眼深度估计的最新进展。尽管产生了令人印象深刻的结果，但语言先验的影响，尤其是在发生和鲁棒性方面，仍未得到探索。在此过程中，我们通过量化此之前的影响来解决这一差距，并引入方法以在各种环境中基准其有效性。我们生成“低级”句子，传达以对象为中心的三维空间关系，将它们纳入其他语言先验，并评估其对深度估计的下游影响。我们的关键发现是，当前语言引导的深度估计仅通过场景级别的描述和违反直觉的效果最佳地发挥作用。尽管利用了其他数据，但这些方法对于对抗性攻击并随着分配变化的增加而对性攻击和绩效下降并不强大。fi-nally，为了为未来的研究提供基础，我们识别出失败点，并提供见解以更好地理解这些缺点。使用语言进行深度估算的越来越多的方法，我们的发现突出了需要仔细考虑在现实世界中有效部署的机会和陷阱。1
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
欧洲深度科技报告
多个方面正在加速取得重大突破 在我们的 2021 年报告中，我们强调了欧洲深度科技的巨大潜力。事实上，欧洲深度科技度过了最好的一年，获得了超过 220 亿美元的融资，并获得了数十亿美元的退出。从那时起，我们还看到量子计算（第一个 100+ 量子比特处理器和硅基设备中近乎无误差的量子计算得到验证）、核聚变（产生的能量几乎是记录的三倍）、空间技术（Starlink 为乌克兰提供互联网覆盖、詹姆斯韦伯太空望远镜、新的登月任务）、生成性人工智能（Dall-E 转向商业用途、稳定扩散文本到图像生成性人工智能发布、ChatGPT 在 5 天内覆盖 100 万用户）等关键领域取得了巨大突破等等。
寻求根据美国州法律定义深度伪造
第一次提到深度伪造是在 2016 年美国总统大选一年多后，那次大选以虚假新闻现象为标志（Gunther 等人，2018 年；Lee，2019 年）。许多人担心接下来的 2020 年总统大选也会充斥着虚假信息，尤其是虚假新闻和深度伪造的结合，但这并没有发生（Meneses，2021 年）。对这次选举影响最大的深度伪造可能是 2019 年 5 月涉及纳西·佩洛西的深度伪造：当时的美国众议院议长看起来喝醉了，说话含糊不清，好像喝醉了一样（Stewart，2019 年）。关键在于，这不是深度伪造，因为它没有使用人工智能；相反，它是一个廉价伪造（或不太常用的浅层伪造），一段使用比深度伪造技术简单得多的手段编辑的视频（Pawelec，2022 年）。正如 Paris & Donovan (2019) 所说，深度伪造和廉价伪造的共存增加了区分两者的难度。这种类型的虚假信息可能对政治话语和未来选举产生的影响（Appel & Prietzel，2022）并非无关紧要，因为它是故意改变的视听内容，并通过社交媒体进行放大。至于佩洛西的视频，由于它是基于编辑软件或只是音频音调的变化，因此更容易做到，也更容易检测，这与今天的假新闻类似。这个例子强调了了解每一种现象的本质的必要性，尽可能正确地定义它，“以协助制定一致且理论上连贯的深度伪造定义”（Whittaker 等人，2023 年）。
![[JC_presentation] 深度学习在心电图心律失常检测和分类中的应用：2017 年至 2023 年进展概览](/simg/5/5d1e51c4e2f0f20ac0160753f5ff4020dbe9ce1b.webp)
[JC_presentation] 深度学习在心电图心律失常检测和分类中的应用：2017 年至 2023 年进展概览
- “心律失常检测” - “心电图心律失常” - “室性心律失常” - “室上性心律失常” - “早搏” - “心脏传导阻滞” - “心动过缓” - “心动过速” - “12 导联心电图” - “心脏信号处理” - “心电图中的深度学习” - “CNN” - “DNN” - “LSTM” - “Transformers” - “混合模型”
使用卷积进行泌尿科图像的深度学习...
机器学习 (ML) 算法已应用于医学成像，其在医学领域的使用日益增多。尤其是深度学习 (DL)，已证明在图像评估和处理方面更为有效。深度学习算法可能有助于并简化其在泌尿科成像中的使用。本文介绍了如何创建用于泌尿科图像分析的卷积神经网络 (CNN) 算法。深度学习是 ML 的一个分支，包括多层神经网络。卷积神经网络已广泛应用于图像分类和数据处理。1 它首先由 Krizhevsky 等人应用于图像分类。2 他们在 2012 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中凭借名为 AlexNet 的深度 CNN 赢得了比赛，该比赛由 120 万张日常彩色图像组成。3 在另一个 CNN 模型中，Lakhani 等人 4 证明他们