- 使用 CNN 的语音情感识别及其在数字化医疗中的应用案例
使用卷积神经网络(CNN) 对音频录音进行识别和情感标记,通过机器学习方法评估表情识别模型,并关注精确度、召回率和 F1 得分,以提高交流意图的识别能力。
- YOLOv5 和 YOLOv8 在动态机器人环境中的精确性和适应性
该研究通过比较分析 YOLOv5 和 YOLOv8 模型,挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反,YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素,包括 - MonoDETRNext:下一代准确高效的单目三维物体检测方法
基于单目视觉的三维物体检测在各个领域都十分重要,然而现有方法在准确性和计算效率方面面临着重大挑战。在 2D 检测和深度估计方面取得成功的策略基础上,我们提出了 MonoDETRNext,旨在实现优化的准确性和处理速度的平衡。我们的方法包括开 - 无人机自主降落的多模态学习方法
该研究介绍了一种基于多模式变压器的深度学习探测器,可为精确自主着陆提供可靠的定位,同时还提出了一种基于深度 Q 网络的强化学习决策模型,该模型在模拟环境中进行训练,然后成功地在真实户外场景中验证其适用性。
- 隐层神经元激活标签的误差边界分析
人工神经网络中高级概念的表示是人工智能领域中的一个基本挑战,解释性人工智能的现有文献强调了用概念标签化神经元以理解其功能的重要性,但它们主要关注识别刺激激活神经元的是什么,而我们认为这只是两个任务中的第一个,还有必要研究神经元对其他刺激的响 - X-Diffusion:使用横截面扩散模型从单张图像生成详细的 3D MRI 体积
X-Diffusion 是一种为磁共振成像 (MRI) 数据量身定制的横截面扩散模型,能够从一张或少量多张 MRI 切片中生成完整的 MRI 体积,实现了从极度稀疏的观测得到合成 MRI 的精度方面的新突破。
- 提升信用卡欺诈检测的神经网络与 SMOTE 集成方法
信用卡欺诈检测是金融领域的一个重要挑战,需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法,将神经网络(NN)和合成少数类过采样技术(SMOTE)结合起来,以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题,专注于技术 - CT 中骨病变的弱监督检测
开发了一种自动检测 CT 体积中骨病变(溶骨性、硬化性和混合性)的方法,通过代理分割任务使用 2D 切片生成弱 3D 分割掩模,然后使用训练好的 3D 全分辨率 nnUNet 模型进行分割和检测,实现了 96.7%的精确度和 47.3%的召 - DeepCERES: 使用超高分辨率多模态 MRI 的深度学习方法进行小脑小叶分割
该研究介绍了一种新颖的多模态高分辨率人脑小脑小叶分割方法,通过使用多模态和超高分辨率的训练数据集,改善了小脑小叶的分割,提高了精度。
- MapAI:建筑物分割的精确性
MapAI 是一个在 2022 年秋季与挪威人工智能研究联盟(NORA)、Agder 大学人工智能研究中心(CAIR)、挪威测绘局、AI:Hub、Norkart 和丹麦数据供应和基础设施局合作举办的比赛,专注于利用航空影像和激光数据对建筑物 - 使用自编码器进行白血病诊断的自动化:一项比较研究
本研究使用深度学习中的自动编码器来提取包含在患者关键参数中的有价值信息,以提高白血病诊断的准确性,通过比较传统机器学习模型,结果表明我们提出的方法在准确性和 F1 得分指标上比其他机器学习模型提升了超过 11%。
- REE-HDSC:历史数据库苏里南库拉索的实体识别
我们介绍了 REE-HDSC 项目,并概述了我们努力提高手写文本识别软件生成的文本中自动提取命名实体的质量的工作。我们描述了一个六步处理流程,并通过处理库拉索民事登记处的 19 世纪和 20 世纪的死亡证明进行了测试。我们发现该流程能够高精 - DiverseNet:决策多样化的半监督遥感图像语义分割网络
通过同时提高训练过程中的精确度和多样性,我们提出的 DiverseNet 架构可以使用多头和多模型的半监督学习算法,实现与半监督学习方法相比更高的语义分割性能,并且相对于最先进的方法,我们提出的 DiverseHead 架构在参数空间上相对 - 航空影像领域的创新视野:LSKNet 与 DiffusionDet 在高级目标检测方面的应用
本研究采用 LSKNet 骨干网络结构和 DiffusionDet 头部模型,通过新颖方法和大量割除研究对对象检测模型的精确性进行了深入评估,在空中图像对象检测中取得显著性能提升,提出了新的基准,为更精确和高效的对象检测方法铺平了道路。
- 基于模拟的堆叠
使用可证明的渐近保证,我们提出了一种通用的堆叠方法,能够结合多个后验近似,融合密度、模拟抽样、置信区间和矩,同时解决整体精度、校准、覆盖率和偏差的问题。我们通过几个基准模拟和具有挑战性的宇宙学推断任务来说明我们的方法。
- 使用模糊精确率和召回率评估分类系统对软标签的准确性
分类系统通常通过最小化系统输出和参考标签之间的交叉熵进行训练,Kullback-Leibler 散度是衡量系统与数据接近程度的自然选择。我们提出了一种新颖的方法,可以在不量化数据的情况下计算精度、召回率和 F 值,这些指标扩展了现有的度量标 - ICCV现代量化高效神经网络的校准
我们探讨了 ShuffleNetv2、GhostNet-VGG 和 MobileOne 三种架构的不同精度下的校准性能,以及 CIFAR-100 和 PathMNIST 两个数据集。发现校准质量与量化质量呈正相关,低精度下性能下降与校准质量 - Dropout 攻击
DROPOUTATTACK 是一种新型的神经网络污染攻击,通过操纵选择性地丢弃神经元来破坏 dropout 算子的性能,导致训练减慢、目标类别预测准确性降低、目标类别的精确度或召回率遭到破坏。在实验中,我们使用 VGG-16 模型在 CIF - 模型预测控制器的改进
研究综合模型预测控制(MPC)问题,发现内部预测模型(PM)的精确度提高会自动提高整体的控制器性能。
- 分类的精确率和召回率拒绝曲线
通过使用精确度和召回率评估曲线,我们提出了一种对分类器性能进行更准确评估的方法。使用基于学习矢量量化的原型分类器,我们验证了该方法在人工基准数据和数据不平衡的场景以及医学实际数据上的有效性。