XiaoMi-AI文件搜索系统
World File Search System而显
通过预训练卷积神经网络进行脑肿瘤诊断和分类
摘要 — 脑肿瘤是最具侵袭性的肿瘤，如果在晚期才诊断出来，则会导致预期寿命缩短。人工识别脑肿瘤非常繁琐，而且容易出错。误诊会导致错误治疗，从而降低患者的生存机会。医学共振成像 (MRI) 是诊断脑肿瘤及其类型的常规方法。本文试图从诊断过程中消除手动过程，而使用机器学习来代替。我们提出使用预训练的卷积神经网络 (CNN) 来诊断和分类脑肿瘤。使用一类非肿瘤 MRI 图像对三种类型的肿瘤进行分类。已使用的网络是 ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1。EfficientNet 由于其可扩展性而显示出有希望的结果。EfficientNetB1 显示出最佳结果，训练和验证准确率分别为 87.67% 和 89.55%。索引词——脑肿瘤、诊断、分类、预训练 CNN、卷积神经网络
![arxiv：2212.04965v2 [CS.CV] 2024年5月20日](/simg/f\fac022dade369cf22ce77cd10d24214e6618a3d2.webp)
arxiv：2212.04965v2 [CS.CV] 2024年5月20日
视觉上是什么玫瑰？a玫瑰包括其内在物质，包括几何，纹理和特定对象类别的材料的分布。有了了解这些Intrinsic特性的知识，我们可能会以不同的大小和形状，不同姿势以及不同的照明条件形成不同的玫瑰。在这项工作中，我们构建了一个生成模型，该模型学会从单个图像（例如花束的照片）捕获这种对象固有。这样的图像包括对象类型的多个实例。这些实例都共享相同的内在物质，但由于这些内在范围内的差异和外在因素（例如姿势和照明）的差异的结合而显得不同。实验表明，我们的模型成功地学习了各种对象的对象固有（几何，纹理和材料的分布），每个对象都来自一个互联网图像。我们的方法在多个下游任务上取得了卓越的结果，其中包括内在的图像分解，形状和图像生成，视图合成和重新确定。
数据驱动的可参数化生成对抗网络，用于合成数据的增强超声波传感器信号
在复合材料（例如纤维金属层压板（FML））中检测并表征隐藏的损害仍然是一个挑战。引导的超声波（GUW）或X射线影响通常用于检测这些损害，但它们的解释仍然存在，在非破坏性测试（NDT）和结构健康监测（SHM）中也是如此。数据驱动的预测指标模型可以检测与GUW时间相关信号的结构中的损害，但是实验训练数据缺乏差异，统计强度和超参数空间的质量覆盖率。通常会经历心理数据缺乏目标参数的基础真理注释。综合数据通常是创建强大而广义的损害预测模型的唯一解决方案。可以使用基于模型，模型辅助或无模型方法生成合成传感器数据。然而，通过应用有限元方法或求解字段方程式通过数值计算的GUW信号表明，由于过多的约束和简化，尤其是在非同质的材料，复合材料和层板的情况下，由于过多的约束和简化而显示出差的现实统计。数据驱动的生成模型的最新发展，例如生成对抗（神经）网络（GAN）[1]，通常是由大量生成过程驱动的，包括确定性样式矢量以生成特定信号数据[2] [2]，确定损坏大小，位置，位置，定位，传递器位置，材料，材料，材料，材料，材料，材料，材料。这些新体系结构旨在通过使用
利用张量网络方法在现代 GPU 上进行高效的量子电路模拟
随着量子硬件的快速发展，量子电路的高效模拟已变得不可或缺。主要的模拟方法基于状态向量和张量网络。随着目前量子器件中量子比特和量子门的数量不断增加，传统的基于状态向量的量子电路模拟方法由于希尔伯特空间的庞大和广泛的纠缠而显得力不从心。因此，野蛮的张量网络模拟算法成为此类场景下的唯一可行解决方案。张量网络模拟算法面临的两个主要挑战是最优收缩路径寻找和在现代计算设备上的高效执行，而后者决定了实际的效率。在本研究中，我们研究了此类张量网络模拟在现代 GPU 上的优化，并从计算效率和准确性两个方面提出了通用的优化策略。首先，我们提出将关键的爱因斯坦求和运算转化为 GEMM 运算，利用张量网络模拟的具体特性来放大 GPU 的效率。其次，通过分析量子电路的数据特性，我们采用扩展精度保证模拟结果的准确性，并采用混合精度充分发挥GPU的潜力，使模拟速度更快、精度更高。数值实验表明，在Sycamore的18周期情况下，我们的方法可以将随机量子电路样本的验证时间缩短3.96倍，在一台A100上持续性能超过21 TFLOPS。该方法可以轻松扩展到20周期的情况，保持相同的性能，与最先进的基于CPU的结果相比加速12.5倍，与文献中报道的最先进的基于GPU的结果相比加速4.48-6.78倍。此外，本文提出的策略对
美国电力系统中可再生能源和电池存储的平均和边际容量信用值
摘要 随着未来几十年可变可再生能源技术和存储的部署继续大幅增长，这些技术将在维持电力系统资源充足性方面发挥越来越重要的作用。到目前为止，很少有分析对美国可变可再生能源和存储的前瞻性平均和边际容量信用进行全面比较，涵盖各种可能的未来。为了填补这一研究空白，我们估计了 2026 年至 2050 年美国相邻电力系统的太阳能光伏 (PV)、陆上和海上风电以及电池存储的平均和边际容量信用，以研究这两种容量认证方法之间的时间趋势、空间模式和权衡。在各种技术中，太阳能光伏的容量信用最明显地呈现随时间下降的趋势，反映了太阳能光伏发电份额在美国电网预测的未来中的显着上升。虽然电池存储的发电份额也会随着时间的推移而显着上升，但由于它们能够在关键时期进行战略调度，因此它们的容量信用仍然很高。另一方面，风电技术的容量信用总体上呈略微上升的趋势。不同技术的平均和边际容量信用值在空间上存在很大差异，其中太阳能光伏的容量信用值呈现出最明显的空间模式，高值集中在 SPP、PJM 和 MISO 中风能丰富、太阳能匮乏的地区，这表明可再生能源部署的互连规划可能带来资源充足性优势。此外，除海上风电外，所有其他可再生能源技术的平均容量信用值往往高于其边际容量信用值，这表明现有可再生资源的信用值往往高于新资源。
线性丢番图方程 (LDE) 解码器：训练... - CDN
用户意图。基于 SSVEP 与视觉刺激调制频率锁定这一知识，界面通常设置为在场景中具有多个目标，每个目标都标记有一个通过闪烁传递的唯一频率。目标可以是放置在物体上或附近的发光二极管 (LED)，以表示潜在动作、物品或到达坐标 [4–7]，也可以表示在计算机屏幕上，每个目标块代表 BMI 拼写器中的字符或用于控制计算机或其他设备的命令 [8–10]。为了从界面中呈现的所有目标中识别出用户的预期目标，解码算法会分析包含 SSVEP 的收集到的脑信号的频率成分，并根据主要频率特征做出决策。在典型的 SSVEP 设置中，诱发的 SSVEP 包含刺激频率 𝑓 ，以及该频率的谐波 2 𝑓、3 𝑓，... [1, 11]。传统基于 SSVEP 的 BMI 的局限性之一是目标数量受到 SSVEP 有限的响应范围 [1] 和谐波存在的限制，如果在界面中同时使用某个频率及其谐波，可能会导致错误分类。这减慢了 BMI 在提高命令处理能力（命令数量）方面的发展 [12]。为了解决这个问题，引入了多频 SSVEP 刺激方法，旨在增加在有限频率下可呈现的目标数量 [13–17]。然而，多频 SSVEP 的解码器尚未得到广泛探索。现有的多频 SSVEP 解码器包括基于功率谱密度的分析（PSDA）[15, 17]、多频典型相关分析（MFCCA）[18] 和针对每个单独用户或用例的基于训练的算法 [13, 19]。与两种无需训练的方法相比，基于训练的算法具有更高的分类准确率，但需要为每个用户进行额外的训练和界面设置。PSDA 和 MFCCA 支持即插即用，提高了 BMI 的实用性。然而，PSDA 通常解码准确率有限，因为它没有充分考虑多频 SSVEP 中的复频率特征，这些特征不仅包含刺激频率及其谐波（如单频 SSVEP），还包含刺激频率之间的线性相互作用 [16]。MFCCA 通过在解码中引入线性相互作用而显示出在多频 SSVEP 解码中的优势 [18]，但 MFCCA 的一个主要问题是它是基于典型相关分析 (CCA) [20] 开发出来的，具有很高的时间复杂度。 CCA 的渐近时间复杂度为 O ( lD 2 ) + O ( D 3 ) （以 O ( n 3 ) 为界，其中 n 表示解码时的输入大小），其中 l