MMAug, 2019

CNNs 在时间序列一维辐射检测数据中的应用

PDF
TL;DR利用卷积神经网络 (CNN) 架构对时间序列伽马射线谱进行分类，以实现辐射检测系统对于安全或环境测量目的。瀑布图被解释为一幅单色图像，并采用标准基于图像的 CNN 技术，以发现数据中特征的时序方面。同时，将 CNN 架构和结果与传统技术进行比较，这样的图像处理技术的结果将被介绍，并与更传统的应适应方法进行比较。
convolutional neural networkgamma-ray spectraradiation detectionimage-based techniquesadaptive methods
发现论文，激发创造
  • 一维卷积神经网络及其应用：综述

    本文综合介绍了 1D CNN 的一般结构和原则、主要的工程应用领域以及这个领域的最新进展和其性能，着重介绍了 1D CNN 的一些独特性质，并公开了其中所使用的基准数据集和主要软件。

    May, 2019

  • 使用卷积神经网络和迁移学习进行时间序列异常检测

    这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

    May, 2019

  • 使用时变 LSTM 长期检测放射学异常

    本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

    Jul, 2018

  • 使用循环卷积神经网络学习光谱 - 空间 - 时间特征，在多光谱图像中进行变化检测

    本文提出了一种基于循环卷积神经网络的方法，能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。与传统方法不同的是，该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。通过对实验结果的视觉和数量分析，证明了该方法在多时相遥感图像分析中的竞争性表现。

    Mar, 2018

  • 卷积神经网络中微中子事件分类器

    本文描述了卷积神经网络（CNN）在粒子物理学领域的应用，尤其是在高能中微子物理学和高能物理学中通常使用的采样量热计中识别粒子相互作用问题上的应用，通过 CVN（卷积视觉网络）算法对中微子相互作用进行拓扑识别，不需要详细重建，优于目前 NOvA 协作组使用的算法。

    Apr, 2016

  • 卷积神经网络综述：分析，应用和前景

    本文综述了卷积神经网络的历史，概述了卷积神经网络的结构，介绍了一些基础和高级模型，并通过实验分析总结了一些适用函数的经验法则。此外，本文还涵盖了一维、二维和多维卷积的应用，并讨论了卷积神经网络面临的一些问题和未来的方向。

    Apr, 2020

  • 使用二维卷积神经网络进行图形分类

    本文提出了一种新的方式将图形表示为多通道图像结构，并使用普通 2D 卷积神经网络来处理，该方法比现有图形核和图形 CNN 模型更准确且时间复杂度更小，适用于多种真实数据集。

    Jul, 2017

  • 应用深度学习方法分析 Imaging Atmospheric Cherenkov Telescopes 数据

    采用卷积神经网络来分析 Gamma 射线瞬发源图像数据，可以提高背景拒绝性能并保持分辨能力，为研究 IACT 事件记录提供了可行性。

    Mar, 2018

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 卫星图像时间序列分类的时间卷积神经网络

    本文提出 Temporal Convolutional Neural Networks (TempCNNs) 来实现 Satellite Image Time Series (SITS) 的分类，通过在时间维度上应用卷积来完成。作者进行了一系列实验，证明了 TempCNNs 比传统算法（如 Random Forest）和近期广泛应用的 Recurrent Neural Networks（RNNs）更加准确，提供了网络结构、正则化机制和超参数等方面的指导，并确认了 TempCNNs 在土地覆盖地图上的可视化效果。

    Nov, 2018