Detecting Features of Tools, Objects, and Actions from Effects in a Robot using Deep Learning
Waseda University（早稻田大学）；National Institute of Informatics（国立信息学研究所）；SOKENDAI (the Graduate University for Advanced Studies)（综合研究大学院大学）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）
我们提出了一个工具使用模型，可以检测的工具，目标对象的功能，并从提供的对象操作的影响行动。我们构建了一个模型，使机器人能够使用工具操纵物体，将婴儿学习作为一个概念。为了实现这一点，我们使用深度学习对机器人执行工具使用任务期间记录的感觉运动数据进行训练。实验包括四个因素：（1）工具，（2）对象，（3）动作，（4）效果，模型同时考虑。为了评估，机器人生成预测的图像和运动，给出使用未知工具和物体的效果的信息。我们确认，机器人是能够检测功能的工具，对象和行动的学习效果和执行任务。
2018-09-23 cs.LG cs.RO stat.ML
Greedy Deep Dictionary Learning
在这项工作中，我们提出了一种新的深度学习工具，称为深度字典学习。多级字典以贪婪的方式学习，一次一层。这需要解决一个简单的（浅层的）字典学习问题，这个问题的解决方案是众所周知的。我们将所提出的技术应用于一些基准深度学习数据集。我们将我们的结果与其他深度学习工具（如堆叠式自动编码器和深度信念网络）以及最先进的监督字典学习工具（如判别式KSVD和标签一致性KSVD）进行了比较。我们的方法比所有的方法产生更好的结果。
2016-01-31 cs.AI cs.LG stat.ML
XDeep: An Interpretation Tool for Deep Neural Networks
Texas A&M University（得克萨斯农工大学）
XDeep是一个开源Python包，用于为从业者和研究人员解释深度模型。总体而言，XDeep以训练好的深度神经网络（DNN）作为输入，并以事后方式生成相关解释作为输出。从功能的角度来看，XDeep集成了各种最先进的解释算法，涵盖了不同类型的方法，并且能够在解释模型行为时为DNN提供本地解释和全局解释。通过XDeep中设计的文档齐全的API，最终用户可以轻松地通过几行代码获得其深度模型的解释，并比较不同算法之间的结果。XDeep通常与Python 3兼容，并且可以通过Python包索引（PyPI）安装。源代码可在www.example.com上获得。
2019-11-04 cs.AI cs.LG stat.ML
DeepLine: AutoML Tool for Pipelines Generation using Deep Reinforcement Learning and Hierarchical Actions Filtering
Ben Gurion University of the Negev（内盖夫本古里安大学）
自动机器学习（AutoML）是一个旨在自动化机器学习（ML）活动的研究领域，目前需要人类专家。该领域最具挑战性的任务之一是自动生成端到端ML管道：将多种类型的ML算法组合到单个架构中，用于对以前看不到的数据进行端到端分析。这项任务有两个方面的挑战：第一是需要探索一个大的搜索空间的算法和流水线架构。第二个挑战是训练和评估多个管道的计算成本。在这项研究中，我们提出了DeepLine，一种基于强化学习的自动流水线生成方法。我们提出的方法利用了一个有效的表示搜索空间，并利用过去的知识，从以前分析的数据集，使问题更容易处理。此外，我们提出了一种新的分层行动算法，作为一个插件，调解环境代理的互动，在深度强化学习问题。该插件大大加快了我们模型的训练过程。对56个数据集的评估表明，DeepLine在准确性和计算成本方面都优于最先进的方法。
2019-10-31 cs.AI cs.LG stat.ML
DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series
Aarhus University（奥胡斯大学）；Technicon ApS
工业过程由大量产生时间序列数据的各种传感器监控。深度学习提供了创建异常检测方法的可能性，这些方法可以帮助防止故障并提高效率。但是，创建这样的解决方案可能是一项复杂的任务，推理速度、可用数据量、传感器数量等因素都会影响这种实现的可行性。我们介绍了DeTAVIZ接口，这是一个基于Web浏览器的可视化工具，用于快速探索和评估基于DL的异常检测在给定问题中的可行性。DeTAVIZ提供了一个预训练模型和仿真结果池，允许用户轻松快速地通过多个后处理选项进行验证，并比较不同的模型，并允许对所选指标进行手动优化。
2021-09-21 cs.LG
Workpiece Image-based Tool Wear Classification in Blanking Processes Using Deep Convolutional Neural Networks
Technical University of Darmstadt（达姆施塔特工业大学）
针对冲裁工艺中刀具磨损影响产品质量、易引发停机的问题，本研究提出用冲裁工件图像作为深度卷积神经网络输入来分类刀具磨损状态，实现了高预测准确率，为该类工艺的磨损监测提供了新路径。
2021-07-26 cs.LG eess.IV stat.ML
Benchmarking State-of-the-Art Deep Learning Software Tools
Hong Kong Baptist University（香港浸会大学）
深度学习已被证明是一种成功的机器学习方法，可用于各种任务，其普及导致了众多开源深度学习软件工具。训练深度网络通常是一个非常耗时的过程。为了解决深度学习中的计算挑战，许多工具利用多核CPU和众核GPU等硬件功能来缩短训练时间。然而，在不同的硬件平台上训练不同类型的深度网络时，不同的工具表现出不同的功能和运行性能，这使得最终用户很难选择合适的软件和硬件。在本文中，我们的目标是对最先进的GPU加速的深度学习软件工具进行比较研究，包括Caffe，CNTK，MXNet，TensorFlow和Torch。我们首先在两个CPU平台和三个GPU平台上使用三种流行的神经网络对这些工具的运行性能进行基准测试。然后，我们在多个GPU上对一些分布式版本进行基准测试。我们的贡献是双重的。首先，对于深度学习工具的最终用户，我们的基准测试结果可以作为选择适当硬件平台和软件工具的指南。其次，对于深度学习工具的软件开发人员，我们的深入分析指出了未来进一步优化运行性能的可能方向。
2017-02-17 cs.DC cs.LG
Deep Learning Tools for Audacity: Helping Researchers Expand the Artist's Toolkit
Northwestern University（西北大学）；Audacity Team（Audacity团队）
我们提出了一个软件框架，集成神经网络到流行的开源音频编辑软件，Audacity，与开发人员的工作量最小。在本文中，我们为最终用户和神经网络开发人员展示了一些示例用例。我们希望这项工作能够促进深度学习实践者和最终用户之间的互动达到一个新的水平。
2021-10-28 cs.LG cs.SD eess.AS
Deep Learning as a Tool to Predict Flow Patterns in Two-Phase Flow
University of Houston（休斯顿大学）；University of Texas at Tyler（德克萨斯大学泰勒分校）；University of Los Andes（洛斯安第斯大学）
为了更好地对复杂的真实世界数据（例如多相流）进行建模，一种方法是开发捕获相关信息的模式识别技术和鲁棒特征。在本文中，我们使用深度学习方法，特别是采用多层感知器，建立一个算法，可以预测两相流的流动模式，从流体的属性和管道条件。初步结果表明，与传统的流型预测方法相比，该方法具有优异的性能。
2017-05-19 cs.LG
ANNdotNET -- deep learning tool on .NET Platform
Faculty of Engineering Sciences（工程科学学院）；University of Bihac（比哈克大学）
ANNdotNET是一个用C#编写的深度学习开源项目，能够创建，训练，评估和导出深度学习模型。该项目包括图形用户界面模块，能够可视化地准备数据，微调超参数，设计网络架构，评估和测试训练模型。ANNdotNET引入了可视化网络设计器（VND），用于可视化设计几乎任何顺序深度学习网络。除了VND，ANNdotNET还实现了基于CNTK -深度学习框架的机器学习引擎（MLE），能够在GPU上训练和评估模型。对于模型评估，ANNdotNET包含丰富的可视化和描述性性能参数集，训练过程的历史记录和导出/部署选项集。使用ANNdotNET相对于经典的基于代码的ML方法的优势在于更专注于深度学习网络设计和训练过程，而不是专注于编码和调试。它非常适合不熟悉所支持的程序设计语言的工程师。该项目托管在github.com/bhrnjica/anndotnet上。
2020-09-23 cs.LG
Is deep learning a useful tool for the pure mathematician?
University of Sydney（悉尼大学）
本文以个人和非正式视角，探讨纯数学家在研究中使用深度学习工具时可能获得的预期与体验。
2023-05-26 cs.LG math.AG math.CO
DeepCAVE: A Visualization and Analysis Tool for Automated Machine Learning
Leibniz University Hannover（汉诺威莱布尼茨大学）；University of Freiburg（弗赖堡大学）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；L3S Research Center（L3S研究中心）
DeepCAVE是一款用于自动化机器学习超参数优化的可视化分析工具，通过交互式仪表盘帮助用户探索优化过程并提升模型可解释性。
2025-12-01 cs.LG
Good Tools are Half the Work: Tool Usage in Deep Learning Projects
Athens University of Economics and Business（雅典经济与商业大学）；Delft University of Technology（代尔夫特理工大学）
本研究通过挖掘GitHub仓库，发现约63%的深度学习项目采用传统软件工程工具，而MLOps工具使用较少，表明传统工具在DL开发中的重要性，并建议加强MLOps工具的研究与推广。
2024-05-28 cs.LG cs.SE
Sparsity-Probe: Analysis tool for Deep Learning Models
Tel-Aviv University（特拉维夫大学）
我们提出了一种基于机器学习和近似理论原理的深度学习架构分析的探测器。给定深度学习架构和训练集，在训练期间或之后，稀疏探测器允许通过量化训练集的表示的几何特征来分析中间层的性能。我们展示了稀疏探测器如何测量向给定架构添加深度的贡献，以检测表现不佳的层等，所有这些都不需要任何辅助的测试数据集。
2021-05-14 cs.LG math.FA
PatchNet: A Tool for Deep Patch Classification
Singapore Management University（新加坡管理大学）；Sorbonne University（索邦大学）；Inria（法国国家信息与自动化研究所）；Queen’s University（女王大学）；McLaren Applied Technologies（迈凯伦应用技术公司）
这项工作提出了PatchNet，这是一种基于分层深度学习的自动化工具，通过从提交消息和代码更改中提取特征来对补丁进行分类。PatchNet包含一个深层层次结构，它反映了代码更改的层次和顺序结构，将其与源代码上的现有深度学习模型区分开来。PatchNet提供了几个选项，允许用户选择训练过程的参数。该工具已在Linux内核中的稳定相关补丁的自动识别的上下文中进行了验证，并可能适用于自动化其他软件工程任务，可以制定补丁分类问题。有关PatchNet的演示视频，请访问https://goo.gl/CZjG6X。PatchNet实现可在https://github.com/hvdthong/PatchNetTool上获得。
2019-03-26 cs.LG cs.SE
DeepCAVE: An Interactive Analysis Tool for Automated Machine Learning
Leibniz University Hannover（汉诺威莱布尼茨大学）；University of Freiburg（弗赖堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
自动化机器学习（AutoML）比以往任何时候都更常用于支持用户确定有效的超参数、神经架构甚至完整的机器学习管道。然而，由于缺乏透明度，用户往往不信任优化过程及其结果，使得手动调优仍然很普遍。我们介绍DeepCAVE，这是一个交互式框架，可以轻松地分析和监控AutoML的最新优化过程。DeepCAVE旨在实现完全和可访问的透明度，在用户和AutoML之间建立了一座桥梁，并有助于建立信任。我们的框架的模块化和易于扩展的性质为用户提供自动生成的文本，表格和图形可视化。我们在异常值检测的示例用例中展示了DeepCAVE的价值，在该用例中，我们的框架可以轻松识别问题，比较多次运行并解释优化过程。该软件包可在GitHub https://github.com/automl/DeepCAVE上免费获得。
2022-07-11 cs.LG
SyReNN: A Tool for Analyzing Deep Neural Networks
University of California, Davis（加州大学戴维斯分校）
深度神经网络（DNN）在各种重要领域迅速普及。形式上，DNN是复杂的向量值函数，有各种大小和应用。不幸的是，现代DNN已经被证明容易受到各种攻击和错误行为的影响。这促使最近的工作正式分析这种DNN的属性。本文介绍了SyReNN，这是一种通过计算其符号表示来理解和分析DNN的工具。关键的见解是将DNN分解为线性函数。我们的工具旨在使用输入空间的低维子集进行分析，这是DNN分析工具空间中的独特设计点。我们描述的工具和基本理论，然后评估其使用和性能的三个案例研究：计算集成的代理，可视化DNN的决策边界，并修补DNN。
2021-01-09 cs.LG cs.PL
Performance Evaluation of Deep Learning Tools in Docker Containers
Hong Kong Baptist University（香港浸会大学）
随着深度学习技术在广泛应用领域的成功，许多深度学习软件框架被开发出来，并不断更新以适应新的硬件功能和软件库，这给最终用户和系统管理员带来了很大的挑战。为了解决这个问题，容器技术被广泛用于简化深度学习软件的部署和管理。然而，容器技术是否会给深度学习应用程序带来任何性能损失仍然是未知的。这项工作的目的是系统地评估Docker容器对深度学习应用程序性能的影响。我们首先对Docker容器和主机系统中的系统组件（IO，CPU和GPU）的性能进行基准测试，并比较结果，看看是否有任何差异。根据我们的结果，我们发现计算密集型作业，无论是在CPU还是GPU上运行，都有很小的开销，这表明Docker容器可以应用于深度学习程序。然后，我们评估了部署在Docker容器和主机系统中的一些流行的深度学习工具的性能。事实证明，Docker容器在运行那些深度学习工具时不会造成明显的缺点。因此，将深度学习工具封装在容器中是一个可行的解决方案。
2017-11-09 cs.DC cs.LG cs.PF
Towards A Visual Programming Tool to Create Deep Learning Models
Politecnico di Torino（都灵理工大学）
深度学习（DL）开发人员来自不同的背景，例如，医学、基因组学、金融和计算机科学。要创建DL模型，他们必须学习和使用高级程序设计语言（例如，Python），因此需要处理相关的设置并解决编程错误。本文介绍了DeepBlocks，一个可视化的编程工具，允许DL开发人员设计，训练和评估模型，而不依赖于特定的程序设计语言。DeepBlocks通过构建典型的模型结构来工作：一系列可学习的函数，其排列定义了模型的特定特征。我们从5名参与者的形成性访谈中得出了DeepBlocks的设计目标，并通过典型用例验证了该工具的首次实现。结果是有希望的，并表明开发人员可以可视化地设计复杂的DL架构。
2023-03-22 cs.AI cs.HC cs.LG
Deep Learning Approach for Enhanced Transferability and Learning Capacity in Tool Wear Estimation
RWTH Aachen University（亚琛工业大学）；Fraunhofer Institute for Production Technology IPT（弗劳恩霍夫生产技术研究所（IPT））
针对制造业刀具磨损监测需求，提出一种结合切削参数的深度学习估计方法，经不同切削参数下的铣削实验验证，该方法在可迁移性与快速学习能力上均优于传统方法。
2024-07-01 cs.AI cs.LG eess.SP
How to select and use tools? : Active Perception of Target Objects Using Multimodal Deep Learning
Waseda University（早稻田大学）；National Institute of Advanced Science and Technology（国立先进科学技术研究所）
选择适当的工具并在执行日常任务时使用它们是将机器人引入家庭应用的关键功能。然而，在以前的研究中，对目标对象的适应性是有限的，因此很难相应地改变工具和调整动作。为了用工具操纵各种物体，机器人必须理解工具的功能，并识别物体的特征，以识别工具-物体-动作的关系。我们专注于使用多模态感觉运动数据的主动感知，而机器人与物体进行交互，并允许机器人识别它们的外在和内在特征。我们构建了一个深度神经网络（DNN）模型，该模型学习识别对象特征，获取工具-对象-动作关系，并生成用于工具选择和处理的运动。作为工具使用情况的示例，机器人执行配料转移任务，使用翻勺或勺子将配料从锅转移到碗。结果证实，即使目标成分是未知的，机器人识别对象的特性和服务。我们还研究了图像，力和触觉数据的贡献，并表明学习各种多模态信息的结果丰富的感知工具使用。
2021-06-04 cs.LG cs.RO
Opportunities in deep learning methods development for computational biology
University of California, San Francisco（加州大学旧金山分校）
本文综述可微编程与深度学习架构的最新进展及其在生物科学中的典型应用，指出其尚未充分普及，并倡导融合专家知识以把握计算生物学方法开发的新机遇。
2024-06-12 cs.LG q-bio.QM
Graphs as Tools to Improve Deep Learning Methods
近年来，深度神经网络（DNN）的流行程度大幅上升。然而，尽管它们在许多机器学习挑战中是最先进的，但它们仍然受到一些限制。例如，DNN需要大量的训练数据，这在一些实际应用中可能是不可用的。此外，当小扰动被添加到输入时，DNN容易出现误分类错误。DNN也被视为黑箱，因此它们的决策经常因缺乏可解释性而受到批评。在本章中，我们回顾了最近旨在使用图作为工具来改进深度学习方法的工作。这些图是考虑深度学习架构中的特定层来定义的。它们的顶点表示不同的样本，它们的边取决于相应中间表示的相似性。然后可以使用各种方法来利用这些图，其中许多方法建立在图信号处理的基础上。本章由四个主要部分组成：DNN中中间层可视化工具，去噪数据表示，优化图目标函数和正则化学习过程。
2021-10-08 cs.AI cs.LG
A Virtual Reality Tool for Representing, Visualizing and Updating Deep Learning Models
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；University of Oldenburg（奥尔登堡大学）
本文展示了一款虚拟现实工具，通过将数据集表示为点云并允许用户用手势分类来映射机器学习概念，使深度神经网络的内部运作变得可触及且透明，从而加速终端用户自主开发深度学习应用。
2023-05-24 cs.HC cs.LG
DetoxAI: a Python Toolkit for Debiasing Deep Learning Models in Computer Vision
Institute of Computing Science, Poznan University of Technology（计算科学研究所，波兹南技术大学）
DetoxAI是一个开源Python工具包，通过事后去偏、内部表示干预、公平性指标与可视化工具，解决深度学习视觉分类中的公平性问题。
2026-10-23 cs.AI cs.CV cs.LG
DeepMutation: A Neural Mutation Tool
Microsoft（微软）；William & Mary（威廉玛丽学院）；Washington and Lee University（华盛顿与李大学）；Università della Svizzera italiana (USI)（瑞士意大利语大学）；University of Sannio（萨尼奥大学）
变异测试可以用来评估给定测试套件的故障检测能力。为了实现这一目标，突变测试框架的两个特征是至关重要的：（i）它们应该生成代表真实故障的突变体;（ii）它们应该提供能够自动生成、注入和测试突变体的完整工具链。为了解决第一点，我们最近提出了一种使用递归神经网络编码器-解码器架构的方法，从从真实程序中挖掘的约787 k个故障中学习突变体。这种方法的实证评估证实了它的能力，以产生代表真正的故障突变。在本文中，我们解决了第二点，提出DeepMutation，一个将我们的深度学习模型包装成一个全自动工具链的工具，能够生成，注入和测试从真实故障中学习到的突变体。视频：https://sites.google.com/view/learning-mutation/deepmutation
2020-02-13 cs.CL cs.LG cs.SE
The TrojAI Software Framework: An OpenSource tool for Embedding Trojans into Deep Learning Models
Johns Hopkins University/Applied Physics Lab（约翰斯·霍普金斯大学应用物理实验室）
在本文中，我们介绍了TrojAI软件框架，这是一组开源的Python工具，能够生成触发（中毒）数据集和相关的深度学习（DL）模型。我们利用开发的框架来生成一个大型的木马MNIST分类器，以及演示的能力，产生一个木马的识别学习模型，使用向量观测。MNIST的结果表明，触发器的性质，训练批量大小和数据集中毒百分比都影响木马的成功嵌入。我们针对安装了木马的MNIST模型测试了Neural Cleanse，并在大约$18\%$的时间内成功检测到训练模型中的异常。我们的实验和工作流程表明，TrojAI软件框架将使研究人员能够轻松了解数据集和训练超参数的各种配置对生成的木马深度学习模型的影响，并可用于快速全面地测试新的木马检测方法。
2020-03-13 cs.CR cs.LG
Deep Learning Based Tool Wear Estimation Considering Cutting Conditions
Manufacturing Technology Institute (MTI) of RWTH Aachen University（亚琛工业大学制造技术研究所）；Fraunhofer Institute for Production Technology IPT（弗劳恩霍夫生产技术研究所IPT）
本文提出将切削条件作为额外输入的卷积神经网络刀具磨损估计方法，通过多参数铣削实验验证其精度和零样本迁移优势，优于忽略切削条件的传统模型。
2024-07-01 cs.AI cs.LG eess.SP
Sketch-based Creativity Support Tools using Deep Learning
University of California, Berkeley（加州大学伯克利分校）；Google Brain（谷歌大脑）；Apple, Inc.（苹果公司）
素描是一种自然而有效的视觉传达媒介，常用于创作过程。深度学习模型的最新发展大大提高了机器理解和生成视觉内容的能力。一个令人兴奋的开发领域探索了用于模拟人类草图的深度学习方法，为创造性应用提供了机会。本章描述了开发深度学习驱动的创意支持工具的三个基本步骤，这些工具使用并生成草图：1）数据汇集工作，在草图和移动用户界面之间生成了一个新的配对数据集; 2）基于草图的用户界面检索系统，该系统采用了最先进的计算机视觉技术;以及3）会话式草图绘制系统，其支持基于自然语言的草图/评论创作过程的新颖交互。在本章中，我们调查了深度学习和人机交互社区的相关先前工作，详细记录了数据汇集过程和系统架构，呈现了定性和定量结果，并描绘了这个令人兴奋的领域的几个未来研究方向的前景。
2021-11-19 cs.HC cs.LG
Method and Software Tool for Generating Artificial Databases of Biomedical Images Based on Deep Neural Networks
West Ukrainian National University（西乌克兰国立大学）
本文提出基于GAN的生物医学图像生成方法，设计GAN架构并实现软件系统，生成图像数据库并与已知数据库比较。
2024-05-25 cs.LG eess.IV
A brief survey on deep belief networks and introducing a new object oriented toolbox (DeeBNet)
如今，在机器学习中使用深度架构非常流行。深度置信网络（DBN）是使用受限玻尔兹曼机（RBM）堆栈来使用训练数据创建强大的生成模型的深度架构。DBN具有特征提取和分类等多种功能，广泛应用于图像处理、语音处理等领域。本文介绍了一种新的面向对象的MATLAB工具箱，它具有实现DBN所需的大部分功能。在新版本中，工具箱可以在Octave中使用。根据在MNIST（图像）、ISOLET（语音）和20个新闻组（文本）数据集上进行的实验结果，表明该工具箱可以从未标记的数据中自动学习输入的良好表示，并在不同类别之间具有更好的区分。此外，在所有数据集上，所获得的分类误差与最先进的分类器的分类误差相当。此外，该工具箱支持不同的采样方法（例如Gibbs，CD，PCD和我们的新FEPCD方法），不同的稀疏方法（二次，率失真和我们的新正常方法），不同的RBM类型（生成和判别），使用GPU等。http://ceit.aut.ac.ir/~keyvanrad/DeeBNet%20Toolbox.html
2016-01-06 cs.CV cs.LG cs.MS
Tracing Halpha Fibrils through Bayesian Deep Learning
New Jersey Institute of Technology（新泽西理工学院）；Big Bear Solar Observatory（大熊湖太阳天文台）；National Solar Observatory（国家太阳天文台）；Kanzelhöhe Solar Observatory（坎策尔赫厄太阳天文台）
我们提出了一种新的深度学习方法，称为FibrilNet，用于跟踪太阳观测的Halpha图像中的色球纤维。我们的方法包括一个数据预处理组件，该组件从基于阈值的工具中准备训练数据，一个深度学习模型，该模型被实现为贝叶斯卷积神经网络，用于概率图像分割，具有不确定性量化以预测原纤维，以及一个包含原纤维拟合算法的后处理组件，以确定原纤维方向。FibrilNet工具适用于高分辨率的Halpha图像从一个活跃的区域（AR 12665）收集的1.6米古德太阳望远镜（GST）配备高阶自适应光学在大熊太阳观测站（BBSO）。我们定量评估FibrilNet工具，比较其图像分割算法和原纤维拟合算法与基于阈值的工具。我们的实验结果和主要发现总结如下。首先，图像分割结果（即，检测到的纤维）非常相似，证明了FibrilNet的良好学习能力。其次，FibrilNet比基于阈值的工具找到更准确和更平滑的原纤维方向角。第三，FibrilNet比基于阈值的工具更快，FibrilNet产生的不确定性图不仅提供了一种定量方法来测量每个检测到的原纤维的置信度，而且还有助于识别基于阈值的工具未检测到但通过机器学习推断的原纤维结构。最后，我们将FibrilNet应用于来自其他太阳观测站的全磁盘Halpha图像和BBSO/GST收集的其他高分辨率Halpha图像，展示了该工具在不同数据集中的可用性。
2021-07-16 astro-ph.SR cs.LG
DeepScaffold: a comprehensive tool for scaffold-based de novo drug discovery using deep learning
Peking University（北京大学）；School of Pharmaceutical Sciences, Peking University（北京大学药学院）
药物设计的最终目标是寻找具有理想药理学性质的新型化合物。设计具有特定骨架结构的分子是获得具有理想性质的潜在药物候选物的有效途径之一。我们提出了一个基于支架的分子生成模型，用于基于支架的药物发现，该模型基于广泛的支架定义执行分子生成，包括BM-支架，环状骨架，以及具有侧链性质的支架。该模型可以概括在给定支架上添加原子和键的化学规则。此外，所产生的化合物进行了评估，通过分子对接在DRD 2的目标和结果表明，这种方法可以有效地应用于解决几个药物设计问题，包括产生的化合物含有一个给定的支架和从头药物设计的潜在药物候选人与特定的对接得分。最后，创建一个命令行界面。
2019-09-05 cs.LG q-bio.QM
Generating and Detecting Various Types of Fake Image and Audio Content: A Review of Modern Deep Learning Technologies and Tools
Faculty of Artificial Intelligence and Cognitive Science, Imam Hossein Comprehensive University（伊玛目侯赛因综合大学人工智能与认知科学学院）
本文综述深度伪造生成与检测的前沿技术，梳理换脸、语音转换等多种方法及应用，分析生成与检测的“军备竞赛”及检测挑战，指明未来研究方向，助力应对深度伪造的安全威胁。
2025-01-07 cs.CR cs.LG
Flexible and Scalable Deep Learning with MMLSpark
Azure Machine Learning（Azure 机器学习）；Microsoft New England Research and Development（微软新英格兰研发中心）
在这项工作中，我们详细介绍了一个新的开源库，称为MMLSpark，它结合了灵活的深度学习库认知工具包，与分布式计算框架Apache Spark。为了实现这一点，我们将Java语言绑定贡献给了Cognitive Toolkit，并向Spark生态系统添加了几个新组件。此外，我们还将流行的图像处理库OpenCV与Spark集成在一起，并提供了一个工具，用于从任何SparkML估计器自动生成PySpark包装器，并使用该工具将所有工作暴露给PySpark生态系统。最后，我们提供了一个大型的工具库，用于在Spark生态系统中工作和开发。我们将这项工作应用于相机陷阱图像中雪豹的自动分类，并为非营利性保护组织雪豹信托提供端到端的解决方案。
2018-04-11 cs.DC cs.LG
An Integrated Two-Stage Deep-Learning Tool for Rapid Post-Hurricane Damage Identification and Repair Scheduling
提出两阶段深度学习工具，第一阶段识别受损线路，第二阶段计算修复调度，在IEEE 9500节点测试馈线上实现高精度快速决策支持。
2026-06-28 cs.LG cs.SY eess.SY
UncertaintyZoo: A Unified Toolkit for Quantifying Predictive Uncertainty in Deep Learning Systems
Tianjin University（天津大学）
UncertaintyZoo是一个统一的工具包，整合了29种不确定性量化方法，用于量化深度学习系统中的预测不确定性。
2025-12-06 cs.AI cs.LG
An adversarial attack approach for eXplainable AI evaluation on deepfake detection models
ST Engineering（科技工程公司）
针对通用XAI像素插入/移除评估在深度伪造检测上意义不足的问题，本文通过实验验证其局限，并提出一种专门面向深度伪造检测模型的对抗式XAI评估方法。
2023-12-08 cs.AI cs.CV cs.LG
How to estimate carbon footprint when training deep learning models? A guide and review
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立理工学院）；IUF（法国大学研究院）；Victor Phillip Dahdaleh Heart and Lung Research Institute（维克多·菲利普·达达勒心肺研究所）；Health Data Research UK Cambridge（英国健康数据研究中心剑桥分部）；University of Cambridge（剑桥大学）
本文系统介绍并比较了训练深度学习模型时用于估算能耗与碳足迹的多种工具，通过在不同深度神经网络和服务器上的实验给出选型建议，为AI从业者评估环境影响提供实用指南。
2023-09-25 cs.AI cs.CY cs.LG
Future Artificial Intelligence tools and perspectives in medicine
Guilin University of Electronic Technology（桂林电子科技大学）；Taibah University（泰巴大学）
审核目的：人工智能（AI）在医学应用中已经变得流行，特别是作为计算机辅助诊断的临床支持工具。这些工具通常用于医疗数据（即，成像、分子数据、临床变量等）并采用统计学和机器学习方法对模型性能进行度量。在这篇综述中，我们总结和讨论了最新的放射组学管道用于临床分析。最近的发现：目前，癌症的有限管理受益于人工智能，主要与计算机辅助诊断有关，避免了活检分析，从而带来额外的风险和成本。大多数人工智能工具都基于成像特征，称为放射组学分析，可以在非侵入性获取的成像数据中细化为预测模型。本文综述了基于人工智能的放射组学工具在临床应用中的进展，并简要描述了必要的技术步骤。解释基于深度学习技术的新放射组学方法将解释新放射组学模型（深度放射组学分析）如何从深度卷积神经网络中受益，并应用于有限的数据集。总结：为了考虑放射组学算法，建议进一步研究在放射组学模型中涉及深度学习，并对各种癌症类型进行额外的验证步骤。
2022-06-04 cs.LG eess.IV q-bio.QM
Deep Learning in the Automotive Industry: Applications and Tools
University of Cincinnati（辛辛那提大学）；Clemson University（克莱姆森大学）；BMW Group（宝马集团）
深度学习是指一组机器学习技术，这些技术利用具有许多隐藏层的神经网络来执行任务，例如图像分类，语音识别，语言理解。深度学习已被证明在这些领域非常有效，并被许多互联网服务广泛使用。在本文中，我们描述了深度学习的不同汽车用例，特别是在计算机视觉领域。我们调查了图书馆、工具和基础设施的当前最新水平（例如，g. GPU和云）来实现、训练和部署深度神经网络。我们特别关注卷积神经网络和计算机视觉用例，例如制造工厂的视觉检测过程和社交媒体数据分析。为了训练神经网络，策划和标记的数据集是必不可少的。特别是，这种数据集的可用性和范围通常非常有限。本文的主要贡献是创建了一个汽车数据集，使我们能够学习和自动识别不同的车辆属性。我们描述了一个端到端的深度学习应用程序，利用移动应用程序进行数据汇集和过程支持，以及基于Amazon的云后端进行存储和训练。对于培训，我们评估了云和本地基础设施（包括多个GPU）与不同神经网络架构和框架的结合使用。我们评估训练时间以及分类器的准确性。最后，我们证明了训练的分类器在制造过程中的真实世界设置的有效性。
2017-04-30 cs.CV cs.DC cs.LG
Label-Efficient Deep Learning for ECG Delineation: A Multi-Dataset Benchmark against Widely Used Delineation Tools
VUNO Inc.（VUNO公司）；Ajou University（亚洲大学）；C&Thoth Co., Ltd.（C&Thoth有限公司）；Chonnam National University Graduate School（全南大学研究生院）；Chonnam National University Hospital（全南大学医院）；Chonnam National University Medical School（全南大学医学院）
本研究通过多数据集基准测试证明，自监督预训练能有效提升心电分割的标签效率，使深度学习模型在多个指标上超越现有开源和商业工具，支持临床实际应用。
2026-10-07 cs.AI cs.CV cs.LG
An Open-source Tool for Hyperspectral Image Augmentation in Tensorflow
Washington University in St. Louis（圣路易斯华盛顿大学）
卫星图像可用于从天气预报到土地勘测等多种应用。计算机视觉系统的迅速发展可以为卫星数据的利用开辟新的前景，因为卫星数据具有丰富的海量数据。然而，当前最先进的计算机视觉系统主要迎合主要涉及自然图像的应用。这些图像虽然有用，但除了具有更多的光谱通道外，还表现出与卫星图像不同的分布。这允许仅在等同于自然图像的光谱通道的子集中使用预训练的深度学习模型，从而丢弃来自其他光谱通道的有价值的信息。这就要求开展研究工作，优化卫星图像的深度学习模型，以便能够评估其在遥感领域的效用。Tensorflow工具允许对深度学习模型进行快速原型设计和测试，但其内置图像生成器的设计最多可处理四个光谱通道。本文介绍了一个开源工具，该工具允许在Tensorflow中实现高光谱图像的图像增强。鉴于Tensorflow的可访问性和易用性，该工具将为许多研究人员提供实现、测试和部署用于遥感应用的深度学习模型的方法。
2020-07-09 cs.CV cs.LG eess.IV
NNV: The Neural Network Verification Tool for Deep Neural Networks and Learning-Enabled Cyber-Physical Systems
Vanderbilt University（范德堡大学）；University of Pennsylvania（宾夕法尼亚大学）
本文介绍了神经网络验证（NNV）软件工具，这是一个基于集合的验证框架，用于深度神经网络（DNN）和支持学习的网络物理系统（CPS）。NNV的核心是一系列可达性算法，这些算法使用了各种集合表示，如多面体、星集、zonotopes和抽象域表示。NNV支持精确（健全和完整）和过近似（健全）可达性算法，用于验证具有各种激活函数的前馈神经网络（FFNN）的安全性和鲁棒性。对于具有学习能力的CPS，例如包含神经网络的闭环控制系统，NNV为线性对象模型和具有分段线性激活函数（例如ReLU）的FFNN控制器提供精确和过近似的可达性分析方案。对于类似的神经网络控制系统（NNCS），而不是具有非线性的植物模型，NNV支持过近似分析相结合的星集分析用于FFNN控制器与zonotope-based分析的非线性植物动态CORA建设。我们使用两个真实案例研究来评估NNV：第一个是ACAS Xu网络的安全性验证，第二个是基于深度学习的自适应巡航控制系统的安全性验证。
2020-04-12 cs.LG cs.SY eess.SY
DRL-ISP: Multi-Objective Camera ISP with Deep Reinforcement Learning
KAIST（韩国科学技术院）
在本文中，我们提出了一个多目标相机ISP框架，该框架利用深度强化学习（DRL）和相机ISP工具箱，包括基于网络的ISP工具和传统的ISP工具。所提出的基于DRL的相机ISP框架迭代地从工具箱中选择合适的工具并将其应用于图像，以最大化给定的视觉任务特定的奖励函数。为此，我们实现了总共51个ISP工具，包括曝光校正，色彩和色调校正，白平衡，锐化，去噪等。我们还提出了一个有效的DRL网络架构，可以提取图像的各个方面，并使图像和大量的动作之间的刚性映射关系。我们提出的基于DRL的ISP框架有效地提高了图像质量，根据每个视觉任务，如RAW到RGB图像复原，2D目标检测，和单目深度估计。
2022-07-07 cs.AI cs.CV cs.LG
Black-box Error Diagnosis in Deep Neural Networks for Computer Vision: a Survey of Tools
Politecnico di Milano（米兰理工大学）
深度神经网络（DNN）在各种任务中的应用需要一些方法来应对这些架构的复杂性和不透明性。当黄金标准可用时，性能评估将DNN视为黑盒，并根据预测与地面事实的比较来计算标准指标。更深入地理解性能需要超越这些评估指标来诊断模型行为和预测误差。可以通过两种互补的方式实现这一目标。一方面，模型解释技术“打开盒子”，评估输入、内部层和输出之间的关系，以识别最有可能导致性能损失的架构模块。另一方面，黑盒错误诊断技术研究模型响应与未用于训练的输入的某些属性之间的相关性，从而识别使模型失败的输入的特征。这两种方法都给出了如何改进架构和/或培训过程的提示。本文重点介绍DNN在计算机视觉（CV）任务中的应用，并对支持黑盒性能诊断范式的工具进行了调查。它说明了目前的建议的特点和差距，讨论了相关的研究方向，并提供了一个简短的概述，在CV以外的部门的诊断工具。
2022-12-22 cs.AI cs.LG cs.SE
Understanding Neural Networks Through Deep Visualization
Cornell University（康奈尔大学）；University of Wyoming（怀俄明大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
近年来，在训练大型深度神经网络（DNN）方面取得了巨大进展，包括在训练卷积神经网络（convnets）以识别自然图像方面取得了显著成功。然而，我们对这些模型如何工作的理解，特别是它们在中间层执行的计算，已经落后了。通过开发更好的可视化和解释神经网络的工具，该领域的进展将进一步加速。我们在这里介绍两个这样的工具。第一个是一个工具，它可以可视化经过训练的convnet在处理图像或视频（例如实时网络摄像头流）时在每一层上产生的激活。我们发现，查看响应用户输入而变化的实时激活有助于建立有关convnet如何工作的宝贵直觉。第二个工具可以通过图像空间中的正则化优化来可视化DNN每层的特征。由于这种想法的以前版本产生的图像识别度较低，因此在这里我们引入了几种新的正则化方法，这些方法结合起来可以产生更清晰，更可解释的可视化效果。这两个工具都是开源的，并在预先训练的convnet上工作，只需最少的设置。
2015-06-22 cs.CV cs.LG cs.NE
Interpreting Training Aspects of Deep-Learned Error-Correcting Codes
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；MTA-SZTE Research Group on Artificial Intelligence（匈牙利科学院-塞格德大学人工智能研究组）；ELRN（ELRN（注：原文未给出该机构全称，暂保留缩写））
本文针对深度学习纠错码，开发了包括Goldreich-Levin算法、傅里叶系数分析、损失重构及新训练程序在内的解读工具，并在TurboAE上验证，适用于无反馈的前向纠错码。
2023-05-07 cs.IT cs.LG math.IT
