Feature discriminativity estimation in CNNs for transfer learning
Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Universitat Politècnica de Catalunya - BarcelonaTech（加泰罗尼亚理工大学-巴塞罗那理工）
在卷积神经网络上进行特征提取的目的是重用为预训练模型学习的深度表示，以解决新的、可能不相关的问题。然而，考虑到这些网络的巨大规模，从所有层进行原始特征提取是不可行的。最近，提出了一种使用复杂度降低的监督方法，从而显著提高了迁移学习任务的性能。这种方法首先计算特征的鉴别力，然后使用为任务计算的阈值将它们离散化。在本文中，我们分析了这些阈值的行为，目的是找到一种方法来估计。经过综合研究，我们发现问题大小和阈值之间有很强的相关性，决定系数在90%以上。这些结果使我们能够提出一个统一的阈值估计模型，具有潜在的应用迁移学习任务。
2019-11-08 cs.LG cs.NE
B-BACN: Bayesian Boundary-Aware Convolutional Network for Crack Characterization
Arizona State University（亚利桑那州立大学）
针对裂纹检测中不确定性量化难的问题，提出贝叶斯边界感知卷积网络B-BACN，结合多任务学习与边界细化损失同时量化两类不确定性，提升裂纹边界检测精度与模型校准能力。
2023-06-15 cs.CV cs.LG
Pose Estimation for Non-Cooperative Spacecraft Rendezvous Using Convolutional Neural Networks
Stanford University（斯坦福大学）
在轨估计不合作目标航天器的姿态是未来在轨服务和近距离编队飞行任务的一项重要任务。然而，两个问题阻碍了可靠的基于单目视觉的姿态估计：由于缺乏可靠的视觉特征和缺乏训练和基准测试所需的图像数据集，对照明条件的鲁棒性。为了解决这两个问题，这项工作的详细设计和验证的单目视觉为基础的姿态确定架构的星载应用。这项工作的主要贡献是引入了一种基于卷积神经网络（CNN）的新型姿态确定方法，以实时提供对姿态的初始猜测。该方法涉及离散化姿态空间，并用对应于所得姿态标签的图像训练CNN。由于CNN的可靠训练需要大量图像数据集和计算资源，因此必须在使用合成图像执行任务之前确定CNN的参数。此外，CNN的可靠训练需要适当考虑轨道上预期的噪声、颜色和照明特性的数据集。因此，这项工作的第二个贡献是引入了一个图像合成管道，该管道可以生成任何航天器3D模型的高保真图像。所提出的技术是可扩展的航天器的不同结构和物理特性，以及强大的空间动态照明条件。通过度量分类和姿态精度，它表明，所提出的架构具有良好的鲁棒性和可扩展性。
2018-09-19 cs.CV
Semi-supervised learning via Feedforward-Designed Convolutional Neural Networks
University of Southern California（南加州大学）
提出了一种基于前馈设计的卷积神经网络（FF-CNN）的半监督学习框架用于图像分类。FF-CNN的一个独特特性是在模型参数确定中不使用反向传播。由于未标记数据可能并不总是增强半监督学习，我们定义了一个有效的质量分数，并使用它来选择一个子集的未标记数据在训练过程中。我们在MNIST、SVHN和CIFAR-10数据集上进行了实验，结果表明，当标记数据量减少时，所提出的半监督FF-CNN解决方案的性能优于反向传播训练的CNN（BP-CNN）。此外，我们开发了一个集成系统，该系统结合了不同半监督FF-CNN的输出决策向量，以提高分类精度。集成系统可以在所有三个基准数据集上实现进一步的性能增益。
2019-02-06 cs.CV
DeBUGCN -- Detecting Backdoors in CNNs Using Graph Convolutional Networks
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
针对深度神经网络易受后门攻击的问题，提出基于图卷积网络的后门检测方法DeBUGCN，通过将DNN权重构建为图层并用GCN二分类，在多数据集上验证其鲁棒性、模型无关性及更优的速度与准确率。
2025-02-25 cs.CV cs.LG
A deep convolutional neural network approach to single-particle recognition in cryo-electron microscopy
Peking University（北京大学）；Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）；Harvard Medical School（哈佛医学院）
背景资料：单粒子冷冻电子显微镜（cryo-EM）已成为生物大分子复合物结构测定的流行工具。高分辨率冷冻EM重建通常需要数十万个单粒子图像。因此，从实验显微照片中提取颗粒可能是费力的，并且在冷冻EM结构测定中呈现出主要的实际瓶颈。现有的粒子拾取计算方法通常使用低分辨率模板作为粒子匹配的输入，这使得可能导致依赖于参考的偏差。因此，开发一种高效的无模板方法来自动识别冷冻电镜图像中的颗粒是至关重要的。结果如下：我们开发了一个基于深度学习的算法框架DeepEM，用于从嘈杂的冷冻EM显微照片中识别单粒子，从而以集成的方式实现自动化粒子拾取，选择和验证。DeepEM的内核建立在八层卷积神经网络（CNN）之上，可以递归地训练它具有高度的“知识性”。在标准KLH数据集上测试时，我们的方法表现出更好的性能和更高的精度。将DeepEM应用于几个具有挑战性的实验cryo-EM数据集，证明了它能够避免选择不需要的粒子和非粒子，即使真正的粒子包含较少的特征。结论：源自深度CNN的DeepEM方法允许在没有模板的情况下从原始cryo-EM显微照片中自动提取颗粒，这证明了改进的性能、客观性和准确性。这种新方法的应用，预计将解放劳动参与单粒子验证，从而提高低温EM数据处理的效率。
2016-12-31 cs.CV physics.data-an
Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks
Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所）；National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心肺研究所）
脑肿瘤治疗计划和定量评估的一个主要挑战是确定肿瘤范围。无创磁共振成像（MRI）技术已成为无电离辐射脑肿瘤的一线诊断工具。从3D MRI体积中手动分割脑肿瘤范围是一项非常耗时的任务，并且性能高度依赖于操作者的经验。在这种情况下，一个可靠的全自动分割方法的脑肿瘤分割是必要的肿瘤范围的有效测量。在这项研究中，我们提出了一种全自动的脑肿瘤分割方法，该方法使用基于U-Net的深度卷积网络开发。我们的方法在多模态脑肿瘤图像分割（BRATS 2015）数据集上进行了评估，该数据集包含220个高级别脑肿瘤和54个低级别肿瘤病例。交叉验证表明，我们的方法可以有效地获得有前途的分割。
2017-06-03 cs.CV
Analytical Calculation of Weights Convolutional Neural Network
Institute of Control Systems of the Ministry of Science and Education of Azerbaijan（阿塞拜疆科学与教育部控制论研究所）
本文提出一种解析计算CNN权重和阈值的算法，仅用MNIST的10张图像确定参数，无需训练即可识别超半数手写数字，实现快速推理。
2025-05-26 cs.AI cs.CV
Strengthening the Training of Convolutional Neural Networks By Using Walsh Matrix
Istanbul Technical University（伊斯坦布尔技术大学）
DNN结构不断发展，并在分类问题中取得了很高的性能。此外，观察到DNN获得的成功率高于传统神经网络获得的成功率。此外，DNN的优点之一是不需要花费额外的精力来确定特征; CNN在训练过程中自动从数据集中提取特征。除了它们的优点之外，DNN还有以下三个主要缺点：（i）研究人员在DNN的训练中一直在努力解决过拟合和欠拟合问题，（ii）即使是DNN的粗略结构的确定也可能需要几天时间，以及（iii）大多数时候，所提出的网络结构太大，以至于太笨重而无法用于实时的应用。我们修改了DNN的训练和结构，以提高分类性能，减少结构中的节点数量，并使用更少的超参数。在卷积神经网络（CNN）的最后一层之后的最小距离网络（MDN）被用作分类器，而不是完全连接的神经网络（FCNN）。为了加强对CNN的训练，我们建议使用沃尔什函数。我们测试了所提出的DNN（命名为DivFE）对ECG，EEG，心音，X射线胸部图像中的肺炎检测，BGA焊接缺陷检测以及基准数据集（MNIST，IRIS，CIFAR 10和CIFAR 20）模式的分类性能。在不同的领域，已经观察到，通过使用具有较少数量的节点的DivFE获得了更高的分类性能。
2021-03-31 cs.CV cs.LG
Truck Axle Detection with Convolutional Neural Networks
卡车的轴数对于车辆分类和道路系统的运行非常重要。它用于确定服务费和对路面的影响。虽然可以通过传统方法（如手工劳动）来实现轴计数，但使用深度学习和计算机视觉方法来计数轴的可能性越来越大。本文旨在比较三种深度学习目标检测算法，YOLO，Faster R-CNN和SSD，用于检测卡车车轴。建立了一个数据集，为神经网络提供训练和测试示例。在不同的基础模型上进行训练，以提高训练时间效率并比较结果。我们基于五个指标评估结果：精确度，召回率，mAP，F1分数和FPS计数。结果表明，YOLO模型和SSD模型具有相似的精度和性能，两种模型的mAP均大于96%.数据集和代码可公开下载。
2023-03-03 cs.CV cs.NE
Convolutional Neural Network (CNN) vs Vision Transformer (ViT) for Digital Holography
FEMTO-ST Institute, CNRS Univ. Bourgogne Franche-Comte (UBFC)（法国国家科学研究中心勃艮第弗朗什-孔泰大学FEMTO-ST研究所）
在数字全息中，从全息图中提取物距是再现其振幅和相位的关键。该步骤被称为自动聚焦，并且其通常通过首先重建图像的堆叠并且然后通过使用诸如熵或方差的聚焦度量来锐化每个重建图像来解决。对应于最清晰图像的距离被认为是焦点位置。这种方法虽然有效，但计算量大且耗时。在本文中，通过深度学习（DL）来执行距离的确定。比较了两种深度学习（DL）架构：卷积神经网络（CNN）和视觉Transformer（ViT）。ViT和CNN用于处理作为分类问题的自动聚焦问题。与第一次尝试[11]相比，其中两个连续类之间的距离为100 $μ$ m，我们的建议允许我们将该距离大幅减少到1 $μ$ m。此外，ViT达到类似的准确性，比CNN更强大。
2022-01-27 cs.CV eess.IV
Counting and Locating High-Density Objects Using Convolutional Neural Network
Federal University of Mato Grosso do Sul（南马托格罗索联邦大学）；University of Western São Paulo（西圣保罗大学）；Xiamen University（厦门大学）；University of Waterloo（滑铁卢大学）
本文提出了一种卷积神经网络（CNN）的方法来计数和定位高密度图像中的目标。据我们所知，这是第一个基于特征图增强和置信度图的多级细化的对象计数和定位方法。该方法在两个计数数据集上进行了评估：树和车。对于树数据集，我们的方法返回的平均绝对误差（MAE）为2.05，均方根误差（RMSE）为2.87，决定系数（R $^2$）为0.986。对于汽车数据集（CARPK和PUCPR+），我们的方法优于最先进的方法。在这些数据集中，我们的方法分别实现了4.45和3.16的MAE，6.18和4.39的RMSE，以及0.975和0.999的R $^2$。该方法适用于处理高密度的目标，返回一个国家的最先进的性能计数和定位对象。
2021-02-08 cs.CV
Inferring Convolutional Neural Networks' accuracies from their architectural characterizations
Rhodes College（罗德学院）；The University of Iowa（爱荷华大学）；Fermi National Accelerator Laboratory (FNAL)（费米国家加速器实验室（FNAL））；Oak Ridge National Laboratory（橡树岭国家实验室）；Universidad Técnica Federico Santa María（费德里科·圣玛丽亚技术大学）
卷积神经网络（CNN）在分析包括粒子成像探测器在内的许多领域的科学数据方面表现出了强大的前景。然而，选择适当的网络架构（深度、内核形状、激活函数等）的挑战是复杂的。对于具体的应用和不同的数据集仍然知之甚少。在本文中，我们研究了CNN的架构和它的性能之间的关系，提出了一个系统的语言，是有用的不同的CNN的架构之间的比较训练时间之前。我们通过不同的属性来表征CNN的体系结构，并证明这些属性可以预测两个特定的基于计算机视觉的物理问题-事件顶点发现和费米国家加速器实验室的MINERvA实验中的强子多重性分类中的网络性能。在此过程中，我们从优化的网络架构中提取了几个架构属性用于物理问题，这些属性是称为深度学习多节点进化神经网络（MENNDL）的模型选择算法的输出。我们使用机器学习模型来预测网络在训练之前是否可以表现得比某个阈值精度更好。这些模型的性能比随机猜测好16-20%。此外，我们发现普通最小二乘模型在大量网络的准确性回归中的决定系数为0.966。
2020-01-10 cs.CV cs.LG hep-ex
Automated Characterization of Stenosis in Invasive Coronary Angiography Images with Convolutional Neural Networks
Yale Cardiovascular Research Group（耶鲁心血管研究组）
在当前临床工作流程中，冠状动脉狭窄及其严重性的确定通常在侵入性冠状动脉血管造影术期间经由医师视觉评估（PVA）手动完成。虽然PVA显示出较大的评估者间变异性，但由于心导管实验室的工作流程繁忙，因此更可靠和准确的定量冠状动脉造影（QCA）替代方案难以实时执行。我们提出了一种基于卷积神经网络（CNN）的深度学习方法，该方法通过自动化QCA期间执行的临床任务来实时自动表征和分析冠状动脉狭窄。我们的深度学习方法用于右冠状动脉（RCA）的静态帧有创冠状动脉造影（ICA）图像中狭窄的定位、分割和分类，在每个相应任务中实现了72.7%的定位准确率、0.704的骰子系数和0.825的C统计量。集成在一个端到端的方法，我们的模型的性能显示，在统计学上显着改善的错误发现率超过目前的标准，在实时临床狭窄评估，PVA。据作者所知，这是第一次开发出可以执行QCA中执行的任务的自动化机器学习系统，也是第一次证明自动化机器学习系统相对于快速RCA狭窄分析的当前临床标准有显著改善。
2018-07-19 cs.CV
3D convolutional neural network for abdominal aortic aneurysm segmentation
Vicomtech Foundation（维克姆泰克基金会）；Biodonostia Health Research Institute（比奥多诺斯蒂亚健康研究所）；Universitat Pompeu Fabra（庞培法布拉大学）；Donostia University Hospital（多诺斯蒂亚大学医院）；ICREA（加泰罗尼亚高等研究院）
腹主动脉瘤（AAA）是主动脉的局灶性扩张，如果不治疗，往往会生长并可能破裂。在AAA疾病的诊断、预后和随访评估中，一个显著未满足的需求是确定破裂风险，目前是基于在选定的计算机断层扫描血管造影（CTA）扫描中手动测量动脉瘤直径。然而，由于缺乏强大的自动化动脉瘤分割工具来定量分析AAA，因此缺乏确定疾病进展程度和速度的标准化。在这项工作中，我们的目标是提出第一个三维卷积神经网络的动脉瘤术前和术后CTA扫描分割。我们在直径测量方面对其性能进行了广泛验证，以测试其在临床实践中的适用性，以及相对体积差异以及Dice和Jaccard评分。该方法的平均直径测量误差为3.3 mm，相对体积差为8.58%，Dice和Jaccard评分分别为87%和77%。在临床水平上，动脉瘤扩大10 mm被认为是相关的，因此，我们的方法适用于自动确定AAA直径，并为更复杂的动脉瘤分析提供了机会。
2019-03-03 cs.CV
Raman spectral analysis of mixtures with one-dimensional convolutional neural network
National Research Council Canada（加拿大国家研究委员会）
近年来，一维卷积神经网络（1-D CNN）和拉曼光谱的结合在快速准确识别未知物质方面显示出了巨大的潜力。使用这种技术，研究人员可以识别纯化合物，并将其与混合物中的未知物质区分开来。这种方法的新颖之处在于，经过训练的神经网络自动运行，无需对数据进行任何预处理或后处理。一些研究试图将这种技术扩展到未知混合物中的纯化合物的分类。然而，一维CNN的应用通常仅限于纯化合物的二元分类。在这里，我们将突出一个新的方法，在光谱识别和定量的化学成分的多组分混合物。两个1-D CNN模型，RaMixNet I和II，已开发用于此目的。前者用于混合物中组分的快速分类，而后者用于这些组分的定量测定。在所提出的方法中，对混合物中化合物的数量没有限制。还介绍了一种通过向拉曼光谱中添加随机基线的数据增强方法。实验结果表明，RaMixNet I和II的分类准确率为100%的未知测试混合物的分析，同时，RaMixNet II模型可以实现88%的回归准确率为每个组件的量化。
2021-06-01 cs.AI cs.CV cs.LG
TumorNet: Lung Nodule Characterization Using Multi-View Convolutional Neural Network with Gaussian Process
University of Central Florida（中佛罗里达大学）；H. Lee Moffitt Cancer Center and Research Institute（H·李·莫菲特癌症中心与研究所）；CuraCloud Corporation（库拉云公司）
肺结节的良恶性鉴别是肺癌诊断、分期和治疗计划制定的重要任务之一。虽然结节外观的变化仍然很大，但需要一种快速和强大的计算机辅助系统。在这项工作中，我们提出了一个端到端的可训练的多视图深度卷积神经网络（CNN）的结节表征。首先，我们使用中值强度投影来获得对应于每个维度的2D补丁。然后将这三个图像连接起来形成一个张量，其中图像用作输入图像的不同通道。为了增加训练样本的数量，我们通过缩放、旋转和向输入图像添加噪声来执行数据增强。训练的网络用于从输入图像中提取特征，然后进行高斯过程（GP）回归以获得恶性程度评分。我们还根据经验确定了不同的高级别结节属性（如钙化、球形度等）对恶性判定的意义。发现这些属性与深度多视图CNN特征互补，并且获得了相对于其他方法的显著改进。
2017-03-02 cs.CV stat.ML
Analysis Of Multi Field Of View Cnn And Attention Cnn On H&E Stained Whole-slide Images On Hepatocellular Carcinoma
肝细胞癌（HCC）是世界范围内癌症相关死亡的主要原因。全载玻片成像是一种扫描载玻片的方法，已用于诊断HCC。对于卷积神经网络应用，使用高分辨率的全切片图像是不可行的。因此，平铺整个切片图像是分配卷积神经网络进行分类和分割的常用方法。由于小视场不能捕获较大尺度上的信息，而大视场不能捕获细胞尺度上的信息，因此瓦片大小的确定影响算法的性能。在这项工作中，瓦片大小对分类问题的性能的影响进行了分析。此外，多视场CNN被分配用于利用由不同图块大小提供的信息，并且注意力CNN被分配用于给出投票最有贡献的图块大小的能力。据发现，采用一个以上的瓦片大小显着增加了3.97%的分类性能，这两种算法被发现成功的算法，它只使用一个瓦片大小。
2020-02-18 cs.CV cs.LG
Positive-unlabeled convolutional neural networks for particle picking in cryo-electron micrographs
Columbia University（哥伦比亚大学）；New York Structural Biology Center（纽约结构生物学中心）
冷冻电子显微镜（cryoEM）是一种越来越流行的蛋白质结构测定方法。然而，识别足够数量的颗粒用于分析（通常> 100，000）可能需要数月的人工努力。目前的计算方法受到高假阳性率的限制，需要大量的特设后处理，特别是对于形状异常的颗粒。为了解决这一缺点，我们开发了Topaz，这是一种高效准确的粒子拾取管道，使用神经网络进行训练，通过正向未标记（PU）学习的框架重新利用剩余的未标记粒子。值得注意的是，尽管使用最少的标记颗粒，Topaz允许我们在三个公共cryoEM数据集上将重建分辨率提高高达0.15 μ m，而无需任何后处理。此外，我们表明，我们的新的广义期望标准方法PU学习优于现有的一般PU学习方法时，应用于粒子检测，特别是具有挑战性的非球状蛋白质数据集。我们预计托帕石将成为cryoEM分析的重要组成部分。
2018-10-08 cs.CV q-bio.QM stat.ML
Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data
Technical University of Darmstadt（达姆施塔特工业大学）；Institute of Structural Mechanics and Design（结构力学与设计研究所）
提出VADER仅用桥梁加速度原始数据实时检测列车车轴，并提出依据目标尺寸优化CNN超参数的MRF规则，实现高精度、低延迟检测。
2024-12-02 cs.CV
A System for Accurate Tracking and Video Recordings of Rodent Eye Movements using Convolutional Neural Networks for Biomedical Image Segmentation
Harvard University（哈佛大学）
针对啮齿动物眼部图像参数多变、毛发干扰和尺寸小的问题，本文提出可增量训练的卷积神经网络分割模型，并结合自动化红外视频记录系统，实现高精度瞳孔与角膜反射识别。
2025-06-09 cs.CV eess.IV
Finding Optimal Kernel Size and Dimension in Convolutional Neural Networks An Architecture Optimization Approach
R V College of Engineering（R V 工程学院）
本文提出BKSEF框架，通过信息论等方法逐层确定CNN最优卷积核大小，在多个数据集上实现最高3.1%精度提升和42.8%计算量减少，并验证了其在医疗和边缘场景的有效性。
2025-06-16 cs.AI cs.CV eess.IV
VINNAS: Variational Inference-based Neural Network Architecture Search
University College London（伦敦大学学院）；Imperial College London（帝国理工学院）
近年来，神经结构搜索（NAS）由于其能够为诸如图像分类或目标检测的各种人工智能任务找到具有高精度的神经结构而受到了强烈的科学和工业兴趣。特别是，基于梯度的NAS方法由于其在搜索过程中的计算效率而成为最受欢迎的方法之一。然而，这些方法经常经历模式坍塌，其中由于算法诉诸于为整个网络选择单个操作类型，或者对于各种数据集或搜索空间停滞在局部最小值，所找到的架构的质量很差。针对这些缺陷，我们提出了一种基于可微变分推理的NAS方法来搜索稀疏卷积神经网络。我们的方法通过使用具有自动相关性确定先验的变分丢弃来丢弃过参数化超图中的候选操作，从而找到最优神经架构，这使得算法逐渐去除不必要的操作和连接，而不会冒模式坍塌的风险。通过搜索两种类型的卷积单元来进行评估，所述两种类型的卷积单元形成用于对不同图像数据集进行分类的神经网络。我们的方法找到了不同的网络单元，同时显示出最先进的精度，非零参数减少了近2倍。
2021-01-14 cs.CV cs.LG stat.ML
Real-Time Convolutional Neural Network-Based Star Detection and Centroiding Method for CubeSat Star Tracker
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种基于CNN的立方星星敏感器星点检测与质心计算方法，通过UNet变体生成分割图与距离图，利用最小二乘法求解三边测量问题，在低功耗边缘AI处理器上实现实时高精度质心计算，对高噪声和杂散光具有卓越鲁棒性。
2025-03-07 astro-ph.IM cs.CV eess.IV
Noise2Params: Unification and Parameter Determination from Noise via a Probabilistic Event Camera Model
Department of Physics and Astronomy, CUNY Hunter College（物理与天文学系，CUNY 哈佛学院）
本文提出Noise2Params方法，通过概率模型统一事件相机噪声描述，确定相机参数，无需动态光源。
2026-05-04 cs.CV physics.optics
A Computer Vision Pipeline for Automated Determination of Cardiac Structure and Function and Detection of Disease by Two-Dimensional Echocardiography
Cardiovascular Research Institute, University of California, San Francisco（加州大学旧金山分校心血管研究所）；Department of Electrical Engineering and Computer Science, University of California at Berkeley（加州大学伯克利分校电气工程与计算机科学系）；Department of Medicine, University of California, San Francisco（加州大学旧金山分校医学系）；Division of Cardiology, Department of Medicine, and Feinberg Cardiovascular Research Institute（医学系心脏病学科及范伯格心血管研究所）
自动心脏图像判读有可能以多种方式改变临床实践，包括在初级保健和农村环境中实现低成本的心脏功能系列评估。我们假设，计算机视觉的进步可以为超声心动图（回波）解释构建一个完全自动化、可扩展的分析管道。我们的做法包括：1）预处理; 2）卷积神经网络（CNN），用于视图识别、图像分割和心动周期定相; 3）心室容积和左心室质量的量化; 4）粒子跟踪以计算纵向应变;以及5）靶向疾病检测。CNN准确地识别了视图（例如，99%的心尖4腔）和分割的单个心腔。心脏结构测量值与研究报告值一致（例如，2918项研究中左心室舒张期容积指数的平均绝对偏差（MAD）为7.7 mL/kg/m2）。我们计算了自动射血分数和纵向应变测量值（在2个队列内），其与商业软件得出的值一致[射血分数，MAD= 5.3%，N=3101项研究;应变，MAD=1.5%（n=197）和1.6%（n=110）]，并证明适用于连续监测乳腺癌患者的曲妥珠单抗心脏毒性。总体而言，我们发现，与手动测量相比，自动测量在七个内部一致性指标上具有更好的性能，斯皮尔曼相关系数平均增加0.05（p=0.02）。最后，我们开发了肥厚型心肌病和心脏淀粉样变性的疾病检测算法，C统计量分别为0.93和0.84。我们的产品线为使用自动化解释来支持床旁手持心脏超声和对医疗系统中存档的数百万回波进行大规模分析奠定了基础。
2018-01-12 cs.CV
Single Image Deraining using Scale-Aware Multi-Stage Recurrent Network
National University of Singapore（新加坡国立大学）；Yale-NUS（耶鲁-新加坡国立大学学院）
我们的目标是在给定的单输入雨图像，从视觉上消除雨条纹和雨条纹和雨滴的散射和传输所造成的面纱效应。我们特别关注大雨，不同大小和方向的雨带可以相互重叠，面纱效应严重降低了对比度。为了实现我们的目标，我们引入了一个尺度感知的多级卷积神经网络。我们的主要想法是，不同大小的雨条纹在视觉上以不同的方式降低场景。较大的近处条纹会遮挡较大的区域，并且可能比较小的远处条纹更显著地反射镜面反射高光。不同条纹的这些不同效果在其图像特征上各有特点，因而需要区别对待。为了实现这一点，我们创建了并行子网络，这些子网络经过训练并意识到这些不同尺度的雨纹。据我们所知，这种并行子网络的想法是新颖的，根据其独特的子类来处理同一类对象，特别是在除雨的背景下。为了验证我们的想法，我们在合成图像和真实图像上进行了实验，发现我们的方法是有效的，并且优于最先进的方法。
2017-12-19 cs.CV
Lecture video indexing using boosted margin maximizing neural networks
Illinois Institute of Technology（伊利诺伊理工学院）
本文提出了一种使用增强型深度卷积神经网络系统进行讲座视频索引的新方法。通过将高质量的幻灯片图像（其文本是已知的或提取的）与可能具有噪声、透视失真和遮挡的较低分辨率的视频帧相匹配来执行索引。我们提出了一个集成了boosting框架的深度神经网络，该框架由两个子网络组成，分别针对特征提取和相似性确定来执行匹配。训练后的网络作为输入的一对幻灯片图像和候选视频帧图像，并产生它们之间的相似性。在训练过程中，一个增强框架被集成到我们提出的网络中。实验结果表明，该方法是更有能力处理遮挡，空间变换，和其他类型的噪声相比，已知的方法。
2017-12-02 cs.CV
Face mask detection using convolution neural network
Nirma University（尼尔玛大学）
最近，冠状病毒是一个不同病毒的大家族，已经变得非常普遍，传染性和危险的整个人类。它通过呼出感染呼吸在人与人之间传播，这会在不同的表面留下病毒液滴，然后被其他人吸入并感染。因此，保护我们自己和我们周围的人免受这种情况的影响变得非常重要。我们可以采取预防措施，如社交距离，每两小时洗手一次，使用消毒剂，保持社交距离，最重要的是戴口罩。现在，在全世界范围内，公共场合戴口罩已经变得非常普遍。受影响最严重和最具破坏性的情况是印度，因为它的极端人口在小面积。本文提出了一种方法来检测口罩是否戴上办公室，或任何其他工作场所与许多人来上班。我们已经使用了卷积神经网络进行同样的处理。该模型在真实世界的数据集上进行了训练，并通过实时视频流进行了测试，具有良好的准确性。此外，不同的超参数和多个人在不同的距离和位置的帧的模型的准确性。
2021-06-10 cs.CV eess.IV
Exploring Racial Bias within Face Recognition via per-subject Adversarially-Enabled Data Augmentation
Durham University（杜伦大学）；COSMONiO
虽然人脸识别应用在我们的日常生活中变得越来越普遍，但该领域的主要方法仍然存在性能偏见，这对社会中的一些种族形象造成了损害。在这项研究中，我们提出了一种新的对抗性派生数据增强方法，旨在通过使用图像到图像的转换来转移敏感的种族特征面部特征，从而在每个受试者的水平上实现数据集平衡。我们的目标是自动构建一个合成的数据集，通过变换不同种族域的面部图像，同时仍然保留身份相关的功能，使种族依赖的功能，随后成为无关的主题身份的确定。我们构建了三个重要的人脸识别变体的实验：Softmax，CosFace和ArcFace损失在一个共同的卷积神经网络骨干。在并排比较中，我们显示了我们所提出的技术可以通过减少性能的赛前方差对最初不平衡的训练数据集中的（种族）少数群体的识别性能产生积极影响。
2020-04-19 cs.CV
Classifying topological sector via machine learning
Research Center for Nuclear Physics, Osaka University（大阪大学核物理研究中心）
本文利用机器学习技术对真空中SU（3）Yang-Mills理论中规范位形的拓扑荷$Q$进行了估计。作为第一次尝试，我们将具有和不具有平滑的四维拓扑电荷密度馈送到卷积神经网络中，并对其进行训练以估计$Q$的值。我们发现，训练好的神经网络可以估计的值$Q$的拓扑电荷密度在小流量的时间与高精度。接下来，我们对输入数据进行降维作为预处理，并通过神经网络分析低维数据。我们发现，神经网络的精度不具有显著的依赖于输入数据的维数。从这个结果中，我们认为，神经网络没有找到负责确定$Q$在高维空间的特征。
2019-12-28 cs.CV hep-lat
Effect of Different Batch Size Parameters on Predicting of COVID19 Cases
Zonguldak Bulent Ecevit University（宗古尔达克·比伦特·埃杰维特大学）
2019新型冠状病毒又称COVID 19，是一种非常严重的疫情，自2019年12月以来，已经导致数千人甚至数百万人死亡。世界卫生组织于二零二零年三月将其定义为大流行病。据称，这种病毒通常通过打喷嚏或咳嗽引起的飞沫传播，或通过接触受感染的表面传播。病毒的存在是通过实时逆转录酶聚合酶链反应（rRT-PCR）检测的帮助下，从鼻子或喉咙拭子。此外，X射线和CT成像方法也被用来支持这种方法。由于已知rRT-PCR检测的准确性灵敏度较低，因此辅助诊断方法具有非常重要的地位。计算机辅助诊断和检测系统特别是在X射线和CT图像的帮助下开发。文献中关于COVID 19检测的研究日益增多。在本研究中，使用属于4个不同类别（病毒性肺炎、COVID 19、正常、细菌性肺炎）的数据，研究了不同批量（BH=3、10、20、30、40和50）参数值对其检测COVID 19和其他类别性能的影响。该研究使用预先训练的ResNet 50卷积神经网络进行。根据获得的结果，他们对训练和测试数据的表现非常接近。然而，观察到随着批量值的增加，检测数据中的稳态延迟。BH = 3时COVID 19检测的最高值为95.17%，而BH = 20时的总体准确度值为97.97%。根据研究结果，可以说批量值不会显著影响整体性能，但批量值的增加会延迟获得稳定结果。
2020-12-10 cs.CV cs.LG eess.IV
