Oct, 2023

基于集体决策的深度学习网络在预测性维护应用中的未知健康状态识别

PDF
TL;DR基于深度学习模型的决策解决方案在预测维护应用中受到广泛关注。在这篇论文中，提出了一种基于一对多网络的集体决策框架，能够同时对已知和未知的健康状态进行分类。该框架在模拟数据集上获得了出色的识别能力，并证明相比传统的卷积神经网络，基于残差和多尺度学习的方法具有最佳的性能。
deep learningpredictive maintenanceconvolutional neural networkhealth state recognitionone-vs-rest network
发现论文，激发创造
  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020

  • 循环传感器数据的深度卷积神经网络

    通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

    Aug, 2023

  • 一种可解释的深度学习方法用于轴承故障诊断

    利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

    Aug, 2023

  • 深度学习及其在机器健康监测中的应用：一项综述

    本研究指出深度学习可以为数据驱动的机器健康监测提供有用的工具，在介绍深度学习技术后，主要从自编码器、深度置信网络、卷积神经网络和循环神经网络等方面综述了其在机器健康监测系统中的应用，并讨论了一些新的基于深度学习的方法趋势。

    Dec, 2016

  • 基于多任务字典学习的卷积神经网络在纵向图像计算机辅助诊断中的应用

    本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架，使用 MSCC 方法学习不同的任务，以预测未来认知临床得分，并在公开的神经影像队列中应用模型进行临床测量预测，取得了优异的结果。

    Aug, 2017

  • 自组织运行神经网络用于严重图像恢复问题

    本文提出了一种基于 Taylor 级数近似的自组织操作神经网络 Self-ONNs，旨在解决卷积神经网络在图像复原方面的不足问题，并在三个不同的复原任务上进行了广泛的消融实验以证明其优越性。

    Aug, 2020

  • 一种神经多任务学习框架，联合建模医疗实体识别和归一化

    文章提出了一种新颖的深度神经多任务学习框架，采用显式反馈策略联合建模识别和规范化任务，实现了一种将层次任务转化为并行的多任务设置，并保持任务之间的相互支持，从而显著提高了模型性能。实验证明，该方法在两个公开的医学文献数据集上的表现均显著优于现有方法。

    Dec, 2018

  • 深度学习在叶片图像中植物识别和病害分类的应用：多预测方法

    通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究，我们提出了一种名为通用堆叠多输出 CNN 的新模型（GSMo-CNN），并在三个基准数据集上进行了大量实验。实验结果表明，InceptionV3 是作为骨干 CNN 的较好选择，其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN，并证实单一模型的使用可以与或优于使用两个模型。最终，我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。

    Oct, 2023

  • 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

  • 使用卷积神经网络实现基于域泛化的 12 导联心电图分类

    本研究阐明不同医院数据库之间存在的领域泛化问题，并提出一种在深度神经网络架构中利用提取的信息和捕捉信号基础结构的方法，用于对 12 导联心电图进行异常分类。我们采用 ResNet-18 作为骨干模型，并从网络的多个中间卷积层中提取特征。通过在四个来源的公开可用心电图数据集上进行训练和评估，我们的方法在大多数情况下超过了基线。

    Aug, 2022