CWGAN-GP Augmented CAE for Jamming Detection in 5G-NR in Non-IID Datasets
School of Electrical and Computer Engineering（电气与计算机工程学院）；University of Ottawa（渥太华大学）
针对5G-NR非独立同分布数据中的干扰检测，提出CWGAN-GP增强的CAE模型，在模拟AWGN干扰下，平均精确率97.33%、召回率91.33%、F1分数94.08%、准确率94.35%，优于CDAE和CSAE。
2025-06-18 cs.CR cs.LG eess.SP
A convolutional autoencoder and neural ODE surrogate modeling framework applied to transient counterflow flames
Department of Aerospace Engineering, KAIST（韩国科学技术院航空航天工程系）；Institute for Reactive Flows (IRST), University of Stuttgart（斯图加特大学反应流研究所）；Clean Energy Research Platform (CERP), KAUST（阿联酋科威特大学清洁能源研究平台）
本文提出了一种卷积自编码器和神经微分方程框架，用于瞬态二维反向流火焰的降阶模型，通过压缩高保真2D快照，构建物理一致的6D连续潜在流形，实现对火焰全时间演化的预测。
2026-09-10 cs.LG physics.comp-ph physics.flu-dyn
Effects of Convolutional Autoencoder Bottleneck Width on StarGAN-based Singing Technique Conversion
National Tsing Hua University（国立清华大学）
本文构建基于 GAN、WORLD 声码器和 CAE 的多域演唱技巧转换系统，通过改变 CAE 瓶颈宽度并进行主观评价，揭示其对清晰度与目标技巧相似度的影响。
2023-08-19 cs.LG cs.SD eess.AS
Quaternion Convolutional Neural Networks for Heterogeneous Image Processing
Université d’Avignon（阿维尼翁大学）；Orkis
卷积神经网络（CNN）最近在各种应用中取得了最先进的成果。在图像识别的情况下，理想的模型必须独立于训练数据学习像素的三个分量（R，G，B）之间的局部依赖性以及描述边缘或形状的全局关系，从而使其在小的或异构的数据集上有效。四元数值卷积神经网络（QCNN）通过将多维代数引入CNN来解决这个问题。本文提出了探索的根本原因，QCNN的成功超过CNN，通过调查的影响，汉密尔顿产品的彩色图像重建任务执行的灰度只训练。通过独立学习内部和外部关系，并且使用比实值卷积编码器-解码器（CAE）更少的参数，四元数卷积编码器-解码器（QCAE）完美地重建了看不见的彩色图像，而CAE产生了最差的灰度版本。
2018-10-31 cs.CV cs.LG stat.ML
Predictive Uncertainty for Neural CAE Surrogates
NVIDIA（英伟达）
本研究比较了三种不确定性量化方法在几何条件神经CAE代理模型上的表现，发现各方法在不同数据集上性能各异，建议根据下游决策选择UQ方法和评估指标。
2026-09-23 cs.AI cs.LG math.PR
A Comparison of Neural Network Architectures for Data-Driven Reduced-Order Modeling
Florida State University（佛罗里达州立大学）；University of South Carolina（南卡罗来纳大学）
深度卷积自动编码器（CAE）的流行产生了新的和有效的降阶模型（ROM）的大规模动态系统的仿真。尽管如此，仍然不知道深度CAE是否在所有建模场景中提供优于线性技术或其他基于网络的方法的性能。为了阐明这一点，自动编码器架构对其相关ROM的影响进行了研究，通过比较深CAE对两种替代方案：一个简单的全连接自动编码器，和一个新的图形卷积自动编码器。通过基准测试实验，它表明，优越的自动编码器架构为一个给定的ROM应用程序是高度依赖于潜在空间的大小和结构的快照数据，与所提出的架构展示的好处与不规则的连接数据时，潜在空间足够大。
2022-02-08 cs.LG cs.NA math.NA
Applying Convolutional Neural Networks to Data on Unstructured Meshes with Space-Filling Curves
Imperial College London（帝国理工学院）；Department of Chemical Engineering, Imperial College London（帝国理工学院化学工程系）；Data Science Institute, Imperial College London（帝国理工学院数据科学研究所）
本文提出首个可直接处理非结构化网格数据的经典CNN，以空间填充曲线将多维数据转为一维表示，通过卷积自编码器实现，经测试其准确性可与结构化网格上的经典CAE相比，还可用于圆柱绕流等实际问题。
2021-01-04 cs.LG cs.NA math.NA
An Unsupervised Learning Method with Convolutional Auto-Encoder for Vessel Trajectory Similarity Computation
Wuhan University of Technology（武汉理工大学）；Institute of Geographic Sciences and Natural Resources Research, CAS（中国科学院地理科学与资源研究所）；Institute of High Performance Computing, A*Star (Agency for Science, Technology and Research)（新加坡科技研究局高性能计算研究所）
为了获得可靠的大规模船舶轨迹挖掘结果，最重要的挑战之一是如何有效地计算不同船舶轨迹之间的相似性。船舶航迹相似度的计算是近年来海事数据采掘研究领域的一个热点。然而，传统的基于形状和翘曲的方法往往遭受几个缺点，如高计算成本和敏感性不必要的文物和非均匀的采样率等，为了消除这些缺点，我们提出了一种无监督学习方法，自动提取低维特征，通过卷积自动编码器（CAE）。特别是，我们首先通过将原始血管轨迹重新映射到二维矩阵中来生成信息丰富的轨迹图像，同时保持时空属性。基于收集的大量血管轨迹，CAE可以以无监督的方式学习信息轨迹图像的低维表示。轨迹相似性最终等同于有效地计算学习的低维特征之间的相似性，其与原始血管轨迹强烈相关。在真实数据集上的综合实验表明，该方法在效率和有效性方面大大优于传统的轨迹相似性计算方法。基于CAE的轨迹相似度计算结果也可以保证高质量的轨迹聚类性能。
2021-01-10 cs.AI cs.CV cs.LG
A Two-Stage CAE-Based Federated Learning Framework for Efficient Jamming Detection in 5G Networks
School of Electrical and Computer Engineering（电气与计算机工程学院）；University of Ottawa（渥太华大学）
本文提出面向5G毫微微小区的两阶段联邦学习框架，结合FedAVG训练CAE与FedProx训练FCN，在保护隐私的同时实现高效干扰检测。
2025-01-25 cs.CR cs.LG
Low PAPR waveform design for OFDM SYSTEM based on Convolutional Auto-Encoder
Ben Gurion University（本·古里安大学）
介绍了一种用于正交频分复用（OFDM）系统的卷积自编码器（CAE）的结构，该CAE用于降低峰均功率比（PAPR）和波形设计。该架构集成了一个峰均比降低模块和一个非线性高功率放大器（HPA）模型。我们将渐进损失学习应用于多目标优化。通过对该模型的误比特率、峰均比和频谱响应的分析，并与常用的峰均比降低算法进行了比较。
2020-11-12 cs.LG cs.SY eess.SY
Convolutional Neural Network-aided Bit-flipping for Belief Propagation Decoding of Polar Codes
极化码以其容量实现能力而闻名，已被选为5G通信的控制信道编码方案。为了满足高吞吐量和低延迟的要求，选择置信传播（BP）作为解码算法。然而，在一般情况下，BP的错误性能比增强型连续相消（SC）。最近，临界集比特翻转（CS-BF）被应用于BP解码以降低错误率。然而，它的试错过程导致更长的延迟。在这项工作中，我们提出了一种卷积神经网络辅助比特翻转（CNN-BF）机制，以进一步增强极化码的BP解码。通过精心设计的输入数据和模型架构，我们提出的CNN-BF可以实现比CS-BF更高的预测精度和更好的纠错能力，但只有一半的延迟。它还实现了比SC列表（CA-SCL）更低的误块率（BLER）。
2020-02-05 cs.IT cs.LG eess.SP
Super-Resolution of SOHO/MDI Magnetograms of Solar Active Regions Using SDO/HMI Data and an Attention-Aided Convolutional Neural Network
New Jersey Institute of Technology（新泽西理工学院）；Sam Houston State University（萨姆休斯顿州立大学）
提出注意力辅助卷积神经网络SolarCNN，利用SDO/HMI数据作为标签，对SOHO/MDI太阳活动区磁图进行超分辨率重建，以提升空间天气事件的预测与理解能力。
2024-03-27 astro-ph.SR cs.LG
Self-paced Convolutional Neural Network for Computer Aided Detection in Medical Imaging Analysis
Massachusetts General Hospital（麻省总医院）；Zhejiang University（浙江大学）；University of Michigan（密歇根大学）；Beijing Institute of Technology（北京理工大学）
组织定征长期以来一直是计算机辅助诊断（CAD）系统的重要组成部分，用于自动病变检测和进一步的临床规划。受深度学习方法在各种计算机视觉问题上的优越性能的激励，将深度学习应用于医学图像分析的工作越来越多。然而，由于医学图像的高度异质性和训练样本的相对缺乏，开发用于计算机辅助诊断的鲁棒且可靠的深度学习模型仍然具有很大的挑战性。具体而言，医学图像的注释和标记比其他应用更昂贵和耗时，并且通常涉及来自多个领域专家的手工劳动。在这项工作中，我们提出了一个多阶段，自定进度的学习框架，利用卷积神经网络（CNN）分类计算机断层扫描（CT）图像补丁。这种方法的关键贡献在于，我们通过使用自定进度的学习CNN来细化未标记的实例，从而增加了训练样本的大小。通过在包括NVIDIA DGX1机器在内的高性能计算服务器上实现该框架，我们获得了实验结果，表明即使在非常缺乏手动标签的情况下，自步调提升的网络也始终优于原始网络。性能增益表明，具有有限训练样本的应用程序（如医学图像分析）可以从使用所提出的框架中受益。
2017-07-19 cs.CV cs.LG stat.ML
ConvPath: A Software Tool for Lung Adenocarcinoma Digital Pathological Image Analysis Aided by Convolutional Neural Network
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；National Cancer Center/Cancer Hospital, Chinese Academy of Medical Sciences（中国医学科学院国家癌症中心/肿瘤医院）；University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）
不同类型细胞的空间分布可以揭示癌细胞的生长模式，其与肿瘤微环境和机体免疫反应的关系，所有这些都代表了癌症的关键特征。然而，手动识别和定位病理切片中的所有细胞几乎是不可能的。在这项研究中，我们开发了一个自动化的细胞类型分类管道，ConvPath，它包括细胞核分割，基于卷积神经网络的肿瘤，基质和淋巴细胞分类，以及肺癌病理图像的肿瘤微环境相关特征的提取。在训练和独立测试数据集中，整体分类准确率分别为92.9%和90.1%。通过识别细胞和分类细胞类型，该管道可以将病理图像转换为肿瘤，基质和淋巴细胞的空间图。从这个空间图中，我们可以提取表征肿瘤微环境的特征。基于这些特征，我们开发了一个基于图像特征的预后模型，并在两个独立的队列中验证了该模型。预测的风险组作为一个独立的预后因素，调整后的临床变量，包括年龄，性别，吸烟状况和阶段。
2018-09-20 cs.CV cs.LG
Convolutional Sparse Support Estimator Network (CSEN) From energy efficient support estimation to learning-aided Compressive Sensing
Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）
稀疏信号的支持估计（SE）是指找到稀疏表示中的非零元素的位置索引。传统的求解SE问题的方法大多是基于贪婪算法或优化技术的迭代算法。实际上，它们中的绝大多数使用稀疏信号恢复技术来获得支持集，而不是直接映射来自更密集测量的非零位置（例如，压缩感知测量）。这项研究提出了一种新的方法来学习这样的映射从训练集。为了实现这一目标，卷积支持估计网络（CSENs），每个具有紧凑的配置，设计。所提出的CSEN可以是以下场景的关键工具：（i）实时和低成本的支持估计可以应用于任何移动和低功耗边缘设备，用于异常定位，同时人脸识别等。（ii）CSEN的输出可以直接用作“先验信息”，这提高了稀疏信号恢复算法的性能。在基准数据集的结果表明，国家的最先进的性能水平，可以实现所提出的方法与显着降低计算复杂度。
2020-04-05 cs.CV cs.LG eess.SP
Machine Learning based Prediction of Ditching Loads
Hamburg University of Technology（汉堡工业大学）；Institute for Fluid Dynamics and Ship Theory（流体动力学与船舶理论研究所）；Institute of Mathematics（数学研究所）
本研究提出基于机器学习的方法，结合卷积自编码器（CAE）与LSTM或Koopman算子预测飞机机身动态ditching载荷，实验表明LSTM与深度解码器CAE组合表现最佳。
2024-10-11 cs.CE cs.LG
Hierarchical Temperature Imaging Using Pseudo-Inversed Convolutional Neural Network Aided TDLAS Tomography
Hebei Agricultural University（河北农业大学）；University of Edinburgh（爱丁堡大学）；Yanshan University（燕山大学）
可调谐半导体激光吸收光谱（TDLAS）层析成像技术作为一种原位燃烧诊断工具，已被广泛应用于反应流二维温度分布的成像。与计算层析成像算法相比，卷积神经网络（CNN）在图像重建中具有更高的鲁棒性和准确性，特别是在感兴趣区域（RoI）中激光束有限的情况下。在实际应用中，需要重建具有良好空间分辨率的RoI中的火焰通常被低温背景包围。虽然背景不是很感兴趣，但由于热耗散和气体对流，光谱吸收仍然存在。因此，我们提出了一个伪逆CNN（PI-CNN）的分层温度成像，（a）有效地利用培训和学习资源的温度成像在ROI具有良好的空间分辨率，和（b）重建空间分辨率较低的背景温度通过充分解决光谱吸收模型的完整性。与传统的CNN相比，新引入的ROI灵敏度矩阵的伪逆更能揭示投影数据与待重建的ROI之间的内在相关性，从而以高精度和高计算效率优先考虑ROI中的温度成像。本文通过数值模拟和实验室规模的实验验证了所提出的算法，显示出良好的一致性之间的幻影和高保真重建。
2021-06-05 cs.LG eess.IV physics.app-ph
Quantum-Classical Hybrid Machine Learning for Image Classification (ICCAD Special Session Paper)
Penn State University（宾夕法尼亚州立大学）；IBM Corporation（国际商业机器公司）
图像分类是传统深度学习的主要应用领域。量子机器学习（QML）有可能彻底改变图像分类。在任何典型的基于DL的图像分类中，我们使用卷积神经网络（CNN）从图像中提取特征，并使用多层感知器网络（MLP）创建实际的决策边界。一方面，QML模型在这两个任务中都很有用。参数化量子电路卷积（Quanvolution）可以从图像中提取丰富的特征。另一方面，量子神经网络（QNN）模型可以创建复杂的决策边界。因此，Quanvolution和QNN可用于创建用于图像分类的端到端QML模型。或者，我们可以使用经典的降维技术（如主成分分析（PCA）或卷积自动编码器（CAE））分别提取图像特征，并使用提取的特征来训练QNN。我们回顾了两个建议的量子经典混合ML模型的图像分类，即量子卷积神经网络和降维使用的经典算法，其次是QNN。特别是，我们在Quanvolution和基于CAE的图像数据集特征提取（而不是使用线性变换（如PCA）的降维）中使用可训练滤波器。我们讨论了这些模型的各种设计选择、潜在机会和缺点。我们还发布了一个基于Python的框架来创建和探索这些具有各种设计选择的混合模型。
2021-09-17 cs.CV cs.LG
Convolutional Embedded Networks for Population Scale Clustering and Bio-ancestry Inferencing
Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）；RWTH Aachen University（亚琛工业大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Insight Centre for Data Analytics, NUI Galway（爱尔兰国立大学戈尔韦分校Insight数据分析中心）；German National Library of Medicine, University of Cologne（科隆大学德国国家医学图书馆）
对遗传变异的研究可以帮助找到相关的人群，以确定易患常见疾病的人群，并解释疾病易感性的差异以及患者对药物的反应。机器学习算法越来越多地被应用于识别相互作用的GV，以了解其复杂的表型性状。由于学习算法的性能不仅取决于数据的大小和性质，还取决于底层表示的质量，因此深度神经网络可以学习非线性映射，从而允许将GV数据转换为比手动特征选择更有利于聚类和分类的表示。在本文中，我们提出了卷积嵌入式网络，其中我们结合了两种DNN架构，称为卷积嵌入式聚类和卷积自动编码器分类器，分别用于基于GV对个体进行聚类和预测地理种族。我们对来自1000个基因组和Simons基因组多样性项目的9500万个GV采用了基于CAE的表示学习。重点关注准确性和可扩展性的定量和定性分析表明，我们的方法优于最先进的方法，如VariantSpark和ADMIXTURE。特别是，CEC可以在22小时内对目标人群进行聚类，调整后的rand指数为0.915，归一化互信息为0.92，聚类准确率为89%。此外，CAE分类器可以预测未知样本的地理种族，F1和马修斯相关系数（MCC）得分分别为0.9004和0.8245。为了提供对预测的解释，我们使用梯度提升树（GBT）和SHAP来识别重要的生物标志物。总的来说，我们的方法是透明的，比基线方法更快，并且可扩展到5%到100%的全人类基因组。
2020-04-19 cs.LG q-bio.QM stat.ML
Medical Image Segmentation with 3D Convolutional Neural Networks: A Survey
National Institute of Technology Karnataka（卡纳塔克邦国家技术研究所）
计算机辅助医学图像分析在辅助医生进行专家临床诊断和确定最佳治疗方案方面发挥着重要作用。目前，卷积神经网络（CNN）是医学图像分析的首选。此外，随着三维（3D）成像系统的快速发展以及处理大量数据的优秀硬件和软件支持的可用性，3D深度学习方法在医学图像分析中越来越受欢迎。在这里，我们对医学图像分割中最近发展的3D深度学习方法进行了广泛的回顾。最后，对三维医学图像分割的研究现状和未来发展方向进行了展望。
2022-04-28 cs.CV cs.LG eess.IV
Convolutional capsule network for classification of breast cancer histology images
Kaunas University of Technology（考纳斯理工大学）
任何一种疾病的诊断自动化都非常重要，随着越来越多的深度学习解决方案被应用于不同的问题，它的速度越来越快。这样的计算机辅助系统之一可以是决策支持，也能够准确区分不同类型的乳腺癌组织学图像-正常组织或癌。本文作者提出了一种基于卷积胶囊网络的深度学习解决方案，用于在应用苏木精和真核蛋白染色时对四种类型的乳腺组织活检图像进行分类。交叉验证的准确度达到0.87，具有同样高的灵敏度。
2018-04-23 cs.CV cs.CY cs.LG
Image-Based Alzheimer's Disease Detection Using Pretrained Convolutional Neural Network Models
King Saud University（沙特国王大学）
本研究针对阿尔茨海默病早期准确检测的需求，提出基于预训练卷积神经网络模型的计算机辅助诊断系统，通过深度学习从神经成像生物标志物提取特征预测疾病类别，实验表明VGG16模型性能优于现有技术。
2025-02-09 cs.CV cs.LG eess.IV
Regional Correlation Aided Mobile Traffic Prediction with Spatiotemporal Deep Learning
Sungkyunkwan University（成均馆大学）；Seoul Theological University（首尔神学大学）
针对现有深度学习移动流量预测忽略地理相关性导致精度低的问题，提出结合流量高峰时段聚类与multi TCN-LSTM模型的预测方案，在真实数据上性能最高提升28%。
2023-12-11 cs.AI cs.LG
Predicting Semen Motility using three-dimensional Convolutional Neural Networks
School of Computer Engineering, KIIT（KIIT计算机工程学院）
手动和计算机辅助方法进行精液分析是耗时的，需要大量的培训，并容易出现人为错误。使用经典的机器学习和基于深度学习的方法，使用视频进行精液分析，取得了良好的效果。最先进的方法使用常规卷积神经网络对所提供样本的视频进行质量评估。在本文中，我们提出了一种改进的基于深度学习的方法，使用三维卷积神经网络从精液样本的显微视频中预测精子活力。我们利用VISEM数据集，包括从85名参与者收集的精液样本的视频和表格数据。我们能够从显著更少的数据点获得良好的结果。我们的模型表明，基于深度学习的自动精液分析可能成为生育和IVF实验室中有价值的有效工具。
2021-01-14 cs.CV cs.LG eess.IV
Automatic Polyp Segmentation Using Convolutional Neural Networks
University of Saskatchewan（萨斯喀彻温大学）；University of Stanford（斯坦福大学）
结直肠癌是世界范围内仅次于肺癌和乳腺癌的第三大常见癌症相关死亡。在结肠镜检查中早期诊断息肉可以降低患结直肠癌的风险。计算机辅助诊断系统有可能应用于息肉筛查并减少遗漏息肉的数量。在本文中，我们比较了不同深度学习架构作为特征提取器的性能，即ResNet，DenseNet，InceptionV 3，InceptionResNetV 2和SE-ResNeXt在U-Net架构的编码器部分。我们在CVC-Clinic（GIANA 2018）数据集上验证了所提出的集成模型的性能。DenseNet 169特征提取器结合U-Net架构的性能优于其他同类产品，其准确率为99.15%，Dice相似系数为90.87%，Jaccard指数为83.82%。
2020-04-22 cs.CV cs.LG eess.IV
Weak Supervision in Convolutional Neural Network for Semantic Segmentation of Diffuse Lung Diseases Using Partially Annotated Dataset
Graduate School of Medicine, Osaka University（大阪大学医学院）
弥漫性肺疾病（DLDs）的计算机辅助诊断系统是客观评价肺部疾病的必要手段。在本文中，我们开发了5种DLD的语义分割模型。本研究中考虑的DLD包括实变、毛玻璃样阴影、蜂窝样改变、肺气肿和正常。卷积神经网络（CNN）是机器学习算法中最有前途的语义分割技术之一。虽然创建用于语义分割的注释数据集是费力且耗时的，但创建部分注释数据集（其中每个图像仅注释一个选定的类）更容易，因为注释器在注释任务期间一次仅需要关注一类。在本文中，我们提出了一种新的弱监督技术，有效地利用部分注释的数据集。使用部分注释的数据集组成的372 CT图像的实验表明，我们提出的方法显着提高分割精度。
2020-03-26 cs.LG eess.IV stat.ML
Visualization for Histopathology Images using Graph Convolutional Neural Networks
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
随着深度学习在医学图像中用于计算机辅助诊断的使用越来越多，对深度学习模型的黑盒性质的批评也在增加。医学界需要可解释的模型来进行尽职调查，并促进对疾病和治疗机制的理解。特别是在组织学中，虽然在细胞水平和细胞之间的空间关系上有丰富的细节，但很难修改卷积神经网络来指出相关的视觉特征。我们采用一种方法来模拟组织学组织作为一个图形的细胞核和开发一个图形卷积网络框架的基础上注意力机制和节点闭塞的疾病诊断。所提出的方法突出了每个细胞核在整个载玻片图像中的相对贡献。我们对这些网络的可视化训练，以区分浸润性和原位乳腺癌，以及格里森3和4前列腺癌生成可解释的视觉地图，这些地图与我们对专家诊断重要的结构的理解非常一致。
2020-06-16 cs.LG eess.IV q-bio.QM
Implementation of Convolutional Neural Network Architecture on 3D Multiparametric Magnetic Resonance Imaging for Prostate Cancer Diagnosis
Research Computing Center at the University of Chicago（芝加哥大学研究计算中心）
前列腺癌是男性癌症死亡的最常见原因之一。在临床实践中，对促进当前标准前列腺癌风险评估的非侵入性和准确诊断方法的需求不断增长。尽管如此，在多参数磁共振图像的前列腺癌诊断中开发计算机辅助分类工具仍然是一个挑战。在这项工作中，我们提出了一种新的深度学习方法，通过构建一个基于两阶段多模态多流卷积神经网络（CNN）的架构框架，对相应的磁共振图像中的前列腺病变进行自动分类。在没有实施复杂的图像预处理步骤或第三方软件的情况下，我们的框架实现了分类性能，受试者工作特征（ROC）曲线下面积为0.87。结果优于大多数提交的方法，并分享了PROSTATEx挑战组织者报告的最高值。我们提出的基于CNN的框架反映了在前列腺癌中辅助医学图像解释和减少不必要的活检的潜力。
2021-12-29 cs.CV cs.LG eess.IV
Machine Learning aided Computer Architecture Design for CNN Inferencing Systems
University of Bremen（不来梅大学）
本文提出利用机器学习方法加速CNN推理系统的设计空间探索，通过快速精确预测GPGPU的功耗与性能，帮助架构师在早期阶段做出设计决策，减少原型迭代并缩短上市时间。
2023-08-10 cs.AI cs.AR cs.DC
A Convolutional Neural Network for the Automatic Diagnosis of Collagen VI related Muscular Dystrophies
Institut de Robòtica i Informàtica Industrial, UPC-CSIC（加泰罗尼亚理工大学-西班牙国家研究委员会机器人与工业信息技术研究所）；Institut Pediàtric de Malalties Rares, Hospital de Sant Joan de Déu（罕见病儿科研究所，圣若安·德乌医院）；Hospital de Sant Joan de Déu（圣若安·德乌医院）
用于诊断罕见疾病的机器学习系统的开发具有挑战性，主要是由于缺乏研究它们的数据。尽管存在这一挑战，本文提出了一个系统的计算机辅助诊断（CAD）的低患病率，先天性肌营养不良症的共聚焦显微镜图像。所提出的CAD系统依赖于卷积神经网络（CNN），其对平铺输入图像的非重叠补丁执行独立分类，并生成汇总查询图像上的补丁的个体决策的总体决策。该决策方案指出了输入图像中可能存在问题的区域，并提供了对患者状态的全局定量评估，这对于诊断和监测治疗效率至关重要。
2019-01-30 cs.CV cs.LG eess.IV
