Nov, 2023

使用经典机器学习和深度学习识别 Adinkra 符号

PDF
TL;DR人工智能（AI）已经成为一种转化性影响，引发了全球社会包括学术界和工业界的范式转变。然而，在这些快速进展的背景下，解决黑人社区和非洲国家在 AI 领域的代表缺乏至关重要。通过展示诸如鉴别和分类传统符号（例如 Adinkra 符号）或社区内熟悉的物体等任务的简单应用，可以有效提高对 AI 的热情。在这项研究中，我们深入研究了经典机器学习，并利用深度学习模型解决了分类和识别 Adinkra 符号的复杂任务。
artificial intelligenceunderrepresentationadinkra symbolsclassificationmachine learning
发现论文，激发创造
  • 深度集成艺术风格识别

    利用深度学习技术，本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验，并引入一种通过多个模型提取和识别输入的不同特征的可变方法，创造了与现有工作相比更一致的模型，在最大艺术数据集上达到了最新的精确度（WikiArt - 68.55%），同时讨论了数据和艺术风格本身对模型性能的影响。

    May, 2024

  • 运用符号知识增强深度神经网络：朝向可信和可解释的教育人工智能

    人工神经网络在教育应用中具有适应性教育服务的重要性，然而由于三个重大挑战，即难以整合教育知识、学习和反思偏见，以及缺乏解释性，它们在实践中的教育潜力受到限制。该研究认为神经符号人工智能具有解决这些挑战的潜力，通过开发一种称为 NSAI 的方法，它将教育知识注入和提取到深度神经网络中，以建模学习者的计算思维。研究发现 NSAI 方法相较于仅在训练数据上训练的深度神经网络以及通过 SMOTE 和自编码器方法来增强训练数据的深度神经网络具有更好的泛化能力。此外，NSAI 方法使得从学得的网络中提取规则成为可能，便于解释与推理以及优化初始教育知识。这些发现表明神经符号人工智能能够克服人工神经网络在教育领域中的局限，实现可信赖和可解释的应用。

    Nov, 2023

  • 机器学习和深度学习模型在多画家识别中的协同作用

    这篇论文研究了利用人工智能和神经网络技术实现数字化艺术作品的分类和管理，以及通过使用迁移学习和机器学习方法实现画家的自动识别和分类，实现了 85% 的分类准确率。

    Apr, 2023

  • 深度学习用于标志识别

    本研究提出一种采用深度学习进行标志识别的方法，通过 logo 区域建议和卷积神经网络进行分类，实验证实了通过人工合成数据来增加识别准确性的可行性。

    Jan, 2017

  • DeepLogo: 使用深度神经网络擊敗商標识别

    本文提出基于深度卷积神经网络的标志识别方法，并在一项流行的标志识别数据集上的准确性方面超过已发表的最新技术水平。

    Oct, 2015

  • 神经符号 AI：第三波

    本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合，通过 20 年来的相关研究结果，为下一个 AI 系统的关键性成分做出探索，以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。

    Dec, 2020

  • 基于深度学习的几何图形分类算法研究

    利用 lenet-5 体系结构的权重共享和特征提取和分类的优势，构建了一个几何图形识别算法模型，通过在识别过程中使用交叉熵损失函数来提高模型的泛化性能和测试数据集的平均识别准确率。

    Apr, 2024

  • 利用人工智能进行针织图案自动化

    通过数据增强和迁移学习技术，本研究提出了一种深度学习模型来识别和分类编织图案，模型使用 Inception ResNet-V2 作为主要特征提取和分类算法，并利用准确度、对数损失、F1 分数、精确度和召回率等度量指标对模型进行评估，结果显示高模型准确度、精确度、召回率和 F1 分数，与其他预训练模型和 ResNet-50 模型相比，提出的模型评估结果更好。

    Sep, 2023

  • 通过迁移学习实现阿尔茨海默病分类

    本论文通过迁移学习的方法，使用预训练的深度学习模型，选取信息熵最大的 MRI 图像进行训练，证明相比于当前的基于深度学习的方法，使用小得多的训练样本数量，可以达到类似甚至更好的性能。

    Nov, 2017

  • 自动理解艺术作品意义的逐步实现：以蒙德里安艺术作品计算分析为例

    本文旨在确定 Deep Neural Networks 在处理抽象语义操作时的局限性，并提出了一种使用认知架构来判断艺术品类别的新的计算方法。

    Dec, 2022