- 利用暗场显微镜和深度学习进行无标记细菌的虚拟革兰染色
通过使用经过训练的深度神经网络将未染色的细菌的暗场图像数字化转换为与亮场图像对比度相匹配的革兰氏染色图像,我们介绍了虚拟革兰氏染色方法,并通过对比化学染色样本,量化了虚拟革兰氏染色模型的染色准确性和细菌的色彩和形态特征,从而有效地绕过传统的 - ECCV去噪神经权重的高效训练
通过使用权重生成器合成初始化神经权重,本研究在图像到图像翻译任务中,使用生成对抗网络作为例子,有效减少深度神经网络(DNN)模型的训练成本,并在新概念下取得更好的图像生成质量和 15 倍的训练时间加速。
- 以 XAI 为导向的植被指数增强方法用于农作物分类
我们提出了一种基于可解释人工智能的方法来选择和设计适合的植被指数,通过多光谱卫星数据训练深度神经网络,提取特征重要性以识别最具影响力的波段,并选择合适的现有植被指数或修改它们以结合已识别的波段并重新训练模型,我们的结果显示个别指数训练的模型 - DLOVE:用于基于深度学习的数字水印技术的新型安全评估工具
我们对不同的基于深度神经网络的水印技术进行了详细的安全分析,并提出了一种新的攻击类别 —— 基于深度学习的覆写攻击 (DLOVE),该攻击是我们所知道的第一种攻击类型。我们使用 DLOVE 攻击分析了七种不同的水印技术,并展示了它们的脆弱性 - MTL-Split:利用分布式计算的边缘设备多任务学习
在本研究中,我们提出了一种名为 MTL-Split 的创新架构,以解决如何让多任务 DNN 在 Split Computing 框架内进行部署的问题,并展示了在合成和真实数据上的令人鼓舞的结果。
- MERGE -- 一种用于静态音乐情感识别的双模态数据集
音乐情感识别(MER)领域近年来有稳定发展,深度学习和机器学习等方法对该领域做出了贡献。本文提出了三个新的音频、歌词和双模 MER 研究数据集,合称为 MERGE,旨在解决双模音频 - 歌词系统发展中存在的公共和大规模数据库匮乏问题。通过特 - PaSE:高效 DNN 训练的并行化策略
本文提出了一种从计算图中自动找到高效并行化策略的方法,并通过对各种深度神经网络进行评估,发现其策略在所有案例中均优于基线数据并行化策略,且性能优于专家设计的策略和最先进的方法。
- 多类别喷射图像分类框架使用深度神经网络
该文章研究了通过粒子和喷流特征提取将喷流类别分离到可分离特征空间中,从而使简单的深度神经网络能够更有效地训练,获得计算高效且可解释的喷流分类模型,并在 JetNet 基准测试中对三到五类喷流进行了验证,表现与粒子流网络相当。这项工作表明,用 - 具有辛保持特性的深度神经网络
我们提出了一种深度神经网络架构,其输出形成了输入的可逆辛变换。利用这种神经网络类型,可以在未知哈密顿系统上进行学习任务,而不破坏相空间的固有辛结构。
- 一种用于动态多值映射估计及其应用的深度神经网络框架
该论文介绍了一种深度神经网络框架,结合了生成网络和分类组件,旨在建模和估计输入与输出之间的动态多值映射,并提供可靠的不确定性度量。通过使用离散码本和分类器,该框架可生成给定输入的多个解决方案,并通过优化码本和不确定性估计来实现高精度的近似。 - 量子隧道深度神经网络用于社会物理神经形态人工智能
通过引入新颖的深度神经网络(DNN)体系结构来处理信息,利用量子隧穿效应,提出了量子隧穿 DNN(QT-DNN)用于识别类人类的光学错觉。QT-DNN 的硬件实现有望产生一款廉价、高能效的神经形态芯片,适用于自动驾驶等领域。本论文中开发的光 - 深度神经网络超参数化的局部线性恢复保证
在深度学习理论中,我们引入了 “局部线性恢复”(LLR)的概念,证明了表达能力较弱的深度神经网络(DNN)可从更少数量的样本中恢复,而且对于两层 tanh 神经网络,我们还证明了这一结果的最优情况。我们的研究为进一步研究过参数化情况下 DN - FASA:一种用于提取高质量对齐儿童语音数据的灵活自动对齐器
通过提出一种新的强制对齐工具 FASA,可以从现有的嘈杂的儿童语音数据中提取高质量的对齐儿童语音数据,并显示 FASA 可以比人工标注提高数据质量 13.6 倍。
- 大规模投资前的动漫热度预测:基于深度学习的多模态方法
本研究提出了使用多模态文本图片数据集预测日本动漫热门度的方法,通过使用从互联网中获取的开源数据构建这一数据集,利用基于 GPT-2 和 ResNet-50 的深度神经网络模型,研究多模态文本图片输入与热门度之间的相关性,发现数据集的相关优势 - EvSegSNN: 事件数据的神经形态语义分割
通过将脉冲神经网络与事件摄像头相结合,我们设计了一种生物可行的编码器 - 解码器 U 型架构的语义分割方法,旨在在性能与资源使用之间进行权衡。实验证明 EvSegSNN 在 MIoU 方面优于最接近的最新模型,同时参数数量减少了 1.6 倍 - 应用深度神经网络的拉力结构形态生成与物性预测
通过开发深度神经网络方法,本研究为等压力构件的设计提出了一种预测几何构造和物理特性的方法,以实现平衡状态。该方法有效地解决了制造结构元素的缺陷、组装错误和材料非线性性等现实模型中常遇到的问题。
- 一种可解释性近似理论
通过简单特征的决策树是否能够逼近深度神经网络的问题,以及该问题的变体,正是对可由人类解释的机器学习模型不断增长的需求。本文通过引入可解释逼近的概念来研究这些问题,这一概念捕捉了通过一些基类概念的小聚合来逼近目标概念 c 的想法。我们的主要贡 - 使用鲁棒非参数统计方法测量模型变异性
深度神经网络的训练通常涉及随机优化,种子的选择对于训练模型的质量至关重要,本文通过鲁棒的假设检验提出了一个新的网络相似性的统计量,利用该统计量来指导随机种子的选择,同时展示了该统计量在实验中的价值和在迁移学习中调优相比随机种子选取的优势。
- 动态车联网中的 DNN 划分、任务卸载和资源分配:一种基于 Lyapunov 导引的扩散强化学习方法
人工智能和深度神经网络在车辆网络生态系统中的快速发展引入了计算密集型任务,对单个车辆的计算资源需求超过其能力,为解决这一挑战,车辆边缘计算作为一个解决方案应运而生,通过车辆间 / 基础设施之间的通信资源池提供深度神经网络任务的计算服务,本文 - 计算形态学的最新进展:综述
该研究综述了发展计算形态学相关工具的方法,从传统方法到基于深度神经网络的新方法的历史文献进行了调查,讨论了神经模型与传统模型的有效性,并提出了构建计算形态学工具所面临的独特挑战,最后讨论了该领域中的一些最新研究问题。