基于迁移学习的深度神经网络进行脑肿瘤图像多分类
通过建立理论框架,比较了两种主要生成式自监督学习范式 —— 自回归 SSL 和掩码 SSL 在分类和内容生成任务中的优势和局限性,并提出了多样性增强的自回归和可变长度掩码目标,显著提高了自回归 SSL 的分类性能和掩码 SSL 的生成性能。
Jul, 2024
通过创造一种新的损失函数,将目标分类损失和成员推断损失相结合,用于从神经网络中删除敏感信息的机器遗忘机制,本研究通过成员推断机制作为概念验证,提供了实验证据,证明了我们的遗忘方法在遗忘效果、延迟和主要任务准确性方面的优越性。
Jul, 2024
利用视触知觉感知和深度学习的方法来进行机器人操作,其中结合了视触反馈,通过学习神经网络模型进行物体状态估计和未来状态预测。通过使用真实世界的数据进行训练,该模型可以在在线适应中进行触觉信息驱动的预测,具有较强的有效性。
Jul, 2024
针对低精度计算的 Open Compute Project MX 标准,本文描述并评估了首个开源 FPGA 实现的算术计算。我们的设计完全支持标准中定义的具体格式以及标准规定的算术运算,同时还支持任意固定点和浮点格式。通过实现例子神经网络如 ResNet-18,我们展示了 MX 对于 INT5 或 FP6 等格式的非原生支持在 FPGA 上具有非常好的效果,这使得 FPGA 在灵活性和占用更小面积方面占据优势。
Jul, 2024
该研究论文介绍了一种扩展的阻尼块牛顿法,用于解决神经网络中包含质量矩阵的线性方程组,以及求解非线性参数的方法,该方法在计算代价上具有较高效性,并且优于 BFGS 算法。
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
通过对高斯随机场学习和泊松学习算法进行改进,我们在图形半监督学习领域提高了对少标签大数据集的分类准确性,并创建了更强大的算法,实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。
Jun, 2024
通过结合飞机引擎领域和神经网络领域的领域知识,我们提出了一种策略,能够实时预测引擎性能参数,并且在预测准确性、计算效率、建模复杂性和数据依赖性之间取得理想平衡。我们通过精心设计网络结构、调节内部信息流,并采用四种不同的特征融合方法和创新的损失函数公式来实现这一目标。通过对两个不同数据集的全面验证,实验证明了我们的策略的有效性和健壮性,并且相较于传统的黑盒机器学习方法,我们的模型具有更好的解释性。
Jun, 2024
该论文扩展了对比差异学习 (PDL) 在分类任务中的应用,提出了一种元学习技术,通过解决原始训练数据的成对版本上的适当定义的(二元)分类问题,来诱导 PDL 分类器。在大规模的实证研究中,分析了 PDL 分类器的性能,并发现其在预测性能方面优于现有的方法。最后,提供了一个易于使用和公开可用的 PDL 的 Python 包实现。
Jun, 2024
该研究提出了一种精确的大脑肿瘤分类方法,通过融合预训练的 ResNet152V2 和修改的 VGG16 模型,在深度神经网络中保留细微的梯度以实现有效的肿瘤分类,并结合各种图像处理技术来改善图像质量,准确度分别达到 98.36% 和 98.04%,并且在资源受限的边缘设备上能够平滑部署。
Jun, 2024