您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 深度学习卷积神经网络可检测和分类番茄植物叶病

  2. 番茄作物是市场上的重要主食,并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降; 因此,对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型,例如细菌斑,晚疫病,裁缝叶斑,番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前,智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗? 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络(CNN)的技术,而卷积神经网络是机器学习的一
  3. 所属分类:其它

    • 发布日期:2020-05-13
    • 文件大小:1048576
    • 提供者:weixin_38694566
  1. 医学中坑你出现所有种类疾病名称

  2. 对于中文文本病例中可能出现的所朋友种类的疾病i,这有利于对医疗文本信系,进行提取和分类,可以在其中提出相关度信息。
  3. 所属分类:深度学习

    • 发布日期:2020-04-10
    • 文件大小:183296
    • 提供者:weixin_45133592
  1. 11111基于深度学习的电子鼻白酒识别方法研究_赵为.caj

  2. 基于人工智能的电子鼻技术,基于深度学习的电子鼻白酒识别方法研究。电子鼻是一种模拟生物嗅觉系统的检测仪器,主要由气体传感器阵列,预处 理模块和模式识别系统三部分组成。自诞生以来,电子鼻以其在检测识别上快速 和便携的优点,已经广泛应用于食品安全、环境监测和疾病诊断等领域。数据处 理是电子鼻技术的一个重要部分,传统的电子鼻数据处理主要包括预处理、特征 提取(特征生成和降维)和分类识别等步骤。
  3. 所属分类:机器学习

    • 发布日期:2020-02-11
    • 文件大小:3145728
    • 提供者:qq_24887639
  1. 卷积神经网络在肝包虫病CT图像诊断中的应用

  2. 探讨卷积神经网络(Convonlutional Neural Network,CNN)在肝包虫病CT图像诊断中的应用。选取两种类型的肝包虫病CT图像进行归一化、改进的中值滤波去噪和数据增强等预处理。以LeNet-5模型为基础提出改进的CNN模型CTLeNet,采用正则化策略减少过拟合问题,加入Dropout层减少参数个数,对二分类肝包虫图像进行分类实验,同时通过反卷积实现特征可视化,挖掘疾病潜在特征。结果表明,CTLeNet模型在分类任务中取得了较好的效果,有望通过深度学习方法对肝包虫病提供辅助
  3. 所属分类:其它

    • 发布日期:2020-10-15
    • 文件大小:312320
    • 提供者:weixin_38634037
  1. 10-Tomato-Disease-Detection-and-Classification-:10种番茄疾病检测和分类,准确度达94%-源码

  2. 9番茄病害检测与分类(准确度94%) 番茄是印度饮食中不可分割的一部分,这就是为什么在2020财年印度番茄产量超过2100万吨的原因。 但是,如果番茄田受到恶意疾病的保护,甚至会进一步推高这一数字,这将给农民造成金钱和时间方面的严重损失。 为了解决这个问题,我创建了一个深度学习模型,该模型能够识别健康的番茄植物和9种最有害和流行的番茄病,这些病包括细菌斑,早疫病,晚疫病,叶霉病,棕褐色斑病,蜘蛛螨,目标点,黄叶卷曲病毒和番茄花叶病毒。 使用的图书馆 张量流 凯拉斯 脾气暴躁的 大熊猫 Matp
  3. 所属分类:其它

    • 发布日期:2021-03-16
    • 文件大小:25165824
    • 提供者:weixin_42100188
  1. 通过多模式深度学习增强对疾病与基因关联的预测

  2. 动机:以计算方式预测疾病基因有助于科学家优化深入的实验验证,并加快对与疾病相关的真实基因的鉴定。 现代高通量技术已经生成了大量的组学数据,并将其集成在一起,有望提高计算预测的准确性。 作为一种集成模型,多模态深层信任网(DBN)可以捕获来自异构数据集的跨模态特征,以对复杂系统进行建模。 研究表明其在图像分类和肿瘤亚型预测中的作用。 但是,多峰DBN尚未用于预测疾病与基因的关联。结果:在这项研究中,我们提出了一种通过多峰DBN(dgMDL)预测疾病与基因的关联的方法。 具体来说,蛋白质-蛋白质相互
  3. 所属分类:其它

    • 发布日期:2021-03-15
    • 文件大小:421888
    • 提供者:weixin_38554193
  1. 深度卷积神经网络对囊性纤维化肺病肺组织的分类

  2. 通过计算机断层扫描(CT)扫描获得的肺组织中疾病区域的定量分类是评估囊性纤维化肺病(CFLD)病变程度的关键步骤之一。 在本文中,我们提出了一个基于深层卷积神经网络(CNN)的框架,用于使用CFLD对肺组织进行自动分类。 该框架的核心是将深层CNN集成到分类工作流程中。 为了训练和验证深层CNN的性能,我们分别构建了灵感CT扫描和呼气CT扫描的数据集。 我们采用转移学习技术来微调深层CNN的参数。 具体来说,我们训练Resnet-18和Resnet-34并验证所构建数据集的性能。 在平均精度和接
  3. 所属分类:其它

    • 发布日期:2021-03-15
    • 文件大小:1048576
    • 提供者:weixin_38570519
  1. CoronaHack--Chest-X-Ray:该项目基于深度学习中的人工神经网络。 该项目的目的是预测该人是否受到冠状病毒的感染。 该预测是基于对人体的胸部X射线分析得出的-源码

  2. CoronaHack--胸部X射线 该项目基于深度学习中的人工神经网络。 该项目的目的是预测该人是否受到冠状病毒的感染。 该预测是基于对人体的胸部X射线分析而得出的。 数据集: ://www.kaggle.com/praveengovi/coronahack-chest-xraydataset电晕-COVID19病毒影响健康个体的呼吸系统和胸部X射线是识别电晕病毒的重要成像方法之一。 使用Chest X-Ray数据集,开发一个机器学习模型以对健康与肺炎(Corona)受影响的患者的X射线进
  3. 所属分类:其它

    • 发布日期:2021-03-08
    • 文件大小:388096
    • 提供者:weixin_42131367
  1. hdruk-rl:Spring项目-源码

  2. HDRUK-图灵强化学习项目 项目概况 强化学习(RL)是一种动态学习范例,其中“代理”通过根据“策略”执行“动作”与环境进行交互。 优化(学习)策略,以使从环境中获得的预期回报最大化。 结果,在无法使用静态建模方法(例如分类任务)解决的健康问题中,强化学习可以应对某些复杂性,通常涉及随时间变化的组件。 最近,“深度强化学习”的发展已经发生变化,这是通过利用深度神经网络的效用来克服有限的参数假设并提供基于有效优化的学习框架而进行的。 该项目的目的是提供一个集中的时间来学习RL,从而为您提供一项
  3. 所属分类:其它

    • 发布日期:2021-03-08
    • 文件大小:152576
    • 提供者:weixin_42146086
  1. cxr:数据科学在胸部X射线研究中的最新技术探索-源码

  2. cxr 数据科学在胸部X射线研究中的最新技术探索 数据集 CheXpert:具有不确定性标签和专家比较的大型胸部X射线照片数据集 参考 我们可以信任深度学习模型诊断吗? 域移位对胸部X光片分类的影响 ChestX-ray8:医院规模的胸部X射线数据库以及对普通胸腺疾病进行弱监督分类和定位的基准 VinDr-CXR:带有放射线医生注释的胸部X射线开放数据集
  3. 所属分类:其它

    • 发布日期:2021-03-07
    • 文件大小:5120
    • 提供者:weixin_42137028
  1. 基于磁共振成像的Atlas配准和基于深度卷积神经网络的前列腺分割

  2. 在磁共振(MR)图像中对前列腺的自动分割已越来越多地应用于前列腺疾病的诊断和各种临床应用。 然而,由于前列腺边界周围的解剖结构不均匀且变化,因此前列腺MR图像的分割面临着巨大的挑战。 由于深度学习在计算机视觉中显示出优异的性能,因此我们提出了一种使用深度神经网络的粗细细分策略,以分别解决直肠内线圈前列腺图像和非直肠内线圈前列腺图像的分割问题。 首先,我们将基于配准的粗略分割呈现给预处理的前列腺MR图像,以获得潜在的边界区域。 其次,我们训练深度神经网络作为基于像素的分类器,以预测潜在边界区域中的
  3. 所属分类:其它

    • 发布日期:2021-03-07
    • 文件大小:917504
    • 提供者:weixin_38620741
  1. SIIM-PCR-Pneumothorax-Segmentation-源码

  2. SIIM-PCR-气胸分割 业务问题: 气胸是一种医学病症,当空气泄漏到肺与胸壁之间的空间中时出现。 这种空气会推动肺部的外部并使其塌陷。 因此,气胸可以是完全的肺塌陷,也可以是一部分肺塌陷。 气胸可能是钝性胸部损伤,潜在的肺部疾病所致,或者有时根本没有明显原因。 这可能是威胁生命的事件。 气胸通常是由放射科医生在胸部X光片上诊断出来的,有时可能很难确认。 该案例研究要解决的问题是,该疾病将在给定的胸部X射线图像中是否存在这种状况,如果存在,它将分割受影响的肺部。 准确的预测在许多临床情况下将
  3. 所属分类:其它

    • 发布日期:2021-03-06
    • 文件大小:3145728
    • 提供者:weixin_42099815
  1. Disease_Classification_of_Chest_X_Rays:深度学习计算机视觉项目使用在AWS GPU上运行的PyTorch按疾病状态对胸部X射线图像数据进行分类-源码

  2. 胸部X光片的疾病分类 Lea Genuit和Nick Parker 受斯坦福大学的启发 链接到数据: 深度学习计算机视觉项目可使用在AWS GPU上运行的PyTorch按疾病状态对胸部X射线图像数据进行分类。
  3. 所属分类:其它

    • 发布日期:2021-02-14
    • 文件大小:619520
    • 提供者:weixin_42099176
  1. 准时成熟:计算机视觉和NN项目可对水果成熟度进行分类并预测剩余保质期-源码

  2. 时间成熟了 项目描述 我想以此项目为契机,研究新兴的“智能农业”领域,以及计算机视觉和机器学习如何改善农业实践。 智能农业旨在将现代信息和通信技术引入经典的农场管理系统,以提高产品数量和质量,同时降低成本和环境影响。 机器学习技术已经在生长和收获周期的几乎所有阶段中得到了令人印象深刻的应用。 深度学习算法通过识别很有可能对植物产生有益性状的基因来帮助农民进行物种育种。 在大型植物图像数据集上训练的模型可以对许多物种进行高特异性分类。 农民还可以将机器学习技术应用于田间管理,特别是可以更好地监督
  3. 所属分类:其它

    • 发布日期:2021-02-10
    • 文件大小:2048
    • 提供者:weixin_42149145
  1. covid-19分类器:基于fastai2的Covid-19分类器-源码

  2. covid-19分类器 一个基于Covid-19分级。 主页: : 概要 此Covid-19分类器是一种基于深度学习的图像分类器,能够将肺部CT扫描分为COVID或非COVID(将病毒性肺炎,细菌性肺炎,脓肿,类脂性肺炎,特发性肺纤维化,肺癌等疾病)。 验证集的准确性为94.5%,而我们更困难的测试集(包含更多难以区分的案例)的准确性为88.9% 。 我们最新的模型始终可以下载。 请参阅以获取有关我们如何实现如此高的检出率的更多详细信息。 准确性 VALIDATION SET: sta
  3. 所属分类:其它

    • 发布日期:2021-01-31
    • 文件大小:419840
    • 提供者:weixin_42118770
  1. 基于卷积神经网络的脑部CT智能辅助诊断分析方法研究

  2. 针对临床医学工作量大、诊断效率较低的问题,基于深度学习理论对计算机辅助诊断分析方法进行了研究。基于传统神经网络的结构,引出更深层次的卷积神经网络(CNN),对该网络中的卷积、池化操作进行深入的讨论,引入方差代价函数实现网络误差的反向传播训练。在仿真实验的设计上,基于临床的脑部CT数据库,考虑到医学影像数据的特殊性,对CNN网络的结构进行了定制,设计包含一个输入层,7个卷积层,5个池化层与3个全连接层的网络结构。与Alex-Net网络的对比测试实验结果表明,提出的网络结构对脑部疾病CT的分类准确率
  3. 所属分类:其它

    • 发布日期:2021-01-12
    • 文件大小:1048576
    • 提供者:weixin_38522795
  1. TechLabs-COVID-19-Recognition-from-Chest-X-Rays-using-Deep-Learning-源码

  2. 健康是幸福的最关键因素之一。 深度学习模型为改进对不同疾病的识别提供了机会。 通过我们的项目,我们旨在发掘这种潜力,以从胸部X射线中准确识别出COVID-19。 因此,我们使用PyTorch训练了卷积神经网络。 二进制分类模型区分covid-19和正常患者,准确度为94%。 资料来源: : 贡献者:AnnabelleNeuäuslerElisa Ritter
  3. 所属分类:其它

    • 发布日期:2021-03-30
    • 文件大小:74752
    • 提供者:weixin_42114046