使用卷积神经网络进行端到端音素序列识别
本文使用扩散概率模型(DPM)来增强深紫外荧光(DUV)图像数据集,以改进乳腺癌分类的手术切缘评估,结果显示使用 DPM 显著提高 DUV 图像中的乳腺癌检测性能。
Jul, 2024
磁共振成像(MRI)在医学影像学的发展为诊断提供了一个安全、非侵入性替代技术,尤其是 0.55T 和 7T MRI 技术结合了深度学习方法,改善了图像细节和组织特征,对这些技术的改进和完善具有很高的潜力。
Jul, 2024
梯度下降优化在机器学习的成功中起到了关键作用,本研究论文聚焦于嵌套优化问题,特别是超参数优化和生成对抗网络;然而,在大规模求解嵌套问题时,经典方法往往表现不佳,因此我们针对深度学习环境构建了可扩展的嵌套优化工具。
Jul, 2024
通过深度学习方法估计刀具磨损,在考虑切削参数的情况下,通过铣削实验评估模型的准确性和传递性,结果表明该方法在传递性和快速学习能力方面优于传统方法。
Jul, 2024
该研究介绍了一种基于历史冲刷监测数据开发的基于物理和数据驱动的混合框架,称为 SPINNs(Scour Physics-Informed Neural Network Algorithms),用于桥梁冲刷预测的深度学习算法。通过将物理基于经验的方程式作为辅助损失组件,SPINNs 将这些方程式整合到神经网络中。本研究通过考察三种架构:LSTM、CNN 和 NLinear,发现简单架构的 NLinear 具有最高的准确性和较低的计算成本。相比纯数据驱动模型,SPINNs 在冲刷预测方面表现更加优越。该研究还探索了将多座桥梁的训练数据集聚合为桥梁群的泛化模型,并发现与时间相关的经验方程式可以提供更准确的预测结果。使用 SPINNs 训练得出的三个经验方程式在估计最大冲刷深度方面具有合理的准确度。相比传统的 HEC-18 模型,SPINNs 和纯深度学习模型在冲刷预测准确性方面均有显著改善,为桥梁冲刷设计和维护提供了有前景的混合机器学习方法。
Jul, 2024
通过在卷积神经网络中引入切削条件作为额外的模型输入,本研究提出了一种基于深度学习的方法,旨在提高刀具磨损估计的准确性,并满足工业对零射击传递能力的需求,通过一系列铣削实验评估模型的性能,结果一致强调我们方法的优势,无论磨损发展的稳定性还是训练数据集的限制如何,其性能都优于省略切削条件的传统模型,这一发现凸显了其在工业场景中的潜在应用性。
Jul, 2024
通过机器学习、深度学习和计算机视觉技术,该研究旨在应用 MobileNet SSD 模型进行实时动物分类,以解决农业领域野生动物对作物的威胁,通过智能稻草人与目标检测的无缝集成,为精准农业提供了一种健壮的解决方案。
Jul, 2024
超参数化是深度学习成功的关键因素之一,本研究通过比较不同宽度的模型的特征来探讨过参数化网络的特点,发现无论是过参数化还是欠参数化的网络都具有一些独特的特征,而过参数化网络在性能方面优于欠参数化网络,即使许多欠参数化特征被连接。在 CIFAR-10 和 MNLI 分类数据集上使用 VGG-16、ResNet18 和 Transformer 进行验证,并通过一个玩具场景证明了过参数化网络可以学习一些欠参数化网络无法学习的重要特征。
Jul, 2024
提出一种新颖的 2.5D 跨切片注意力模型,利用全局和局部信息以及证据关键性损失进行证据深度学习,用于检测前列腺癌的 MR 图像,该癌症为男性常见的癌症之一,并且是导致癌症相关死亡的主要原因之一。在两种不同数据集上广泛实验,取得了前列腺癌的最先进检测性能,并改善了确定性不确定性估计。
Jul, 2024
通过使用 MaxVit,EfficientVit,EfficientNet,EfficientNetV2 和 MobileNetV3 等最新的高效架构,本研究旨在评估这些模型在白细胞分类中的性能,为当前方法提供更高效、可靠的替代方案,并探索创新的深度学习模型在血液分析中的应用。
Jun, 2024