ACENET: contexto anatômico para a codificação de neuroanatomia rede segmentada
FIG estendida rede convolutional: explícita aprendizagem de máquina multiscale FIG sua aplicação no sistema biológico Modeling
Intercalação sequência utilizada para a detecção de fraude RNNs
DialogueGCN: Diálogo para reconhecimento de emoções na Figura convolução modelo de rede neural
Quantização convolutional neural de rede do dispositivo móvel
Tese Título: ACENET: Anatomical Contexto-Encoding Rede para Neuroanatomia Segmentação
Autor: Li Yuemeng / Li Hongming / Fan Yong
Publicado: 2020/02/13
Papers link: https :? //Paper.yanxishe.com/review/11638 from = leiphonecolumn_paperreview0224
recomendado razão
Este artigo considerar é a questão da divisão de estruturas cerebrais por digitalização de imagens de ressonância magnética.
Para este problema, aprendendo profundidade métodos 2D existentes não pode efetivamente capturar informações de contexto estrutura de divisão do cérebro espacial 3D necessário. Este trabalho apresenta uma codificação ACENET contexto anatômica de rede chamado, eo espaço 3D à rede anatômica 2D contexto merge convolutional neural de forma eficiente e precisa estruturas cerebrais separou da ressonância magnética. ACNnet compreende três componentes importantes: 1, que codificam contexto anatómica módulo, a informação anatómica para a CNN 2D; 2, contexto espacial que codificam módulo, e a informação de imagem 3D combinados em 2D CNN; 3, crânio decapagem guia módulo 2DCNN para modelar a estrutura do cérebro. Experimentos com três conjuntos de dados de referência indicam, ACNnet superior aos métodos convencionais de precisão segmentação e eficiência computacional.
Tese Título: Gráfico Prolongamento Convolucional Networks: Explicitamente Multiscale Machine Learning em Gráficos, com aplicações em Modelagem de Sistemas Biológicos
Autor: Scott C. B. / Mjolsness Eric
Publicado: 2020/02/14
Papers link: https :? //Paper.yanxishe.com/review/11637 from = leiphonecolumn_paperreview0224
recomendado razão
Este documento define um novo modelo integrado rede convolucional Fig (GCN), utilizando o operador de projecção otimizado linear mapeamento entre o rácio de espaço do padrão, as proporções de cada um resumo de estudo para a previsão final. Estes operadores de projecção como uma função linear da quantidade de informações associadas com cada matriz estrutura GCN alvo é calculada. Depois da informação de projecção que contém o novo modelo de rede da FIG estendido subunidades monoméricas convolucionais previsão do potencial químico na simulação de dobragem microtubo máquina de grão grosseiro, melhor do que outro modelo de integração GCN.
Nome papéis: RNNs Interleaved seqüência para Detecção de Fraude
Autor: Branco Bernardo / Abreu Pedro / Gomes Ana Sofia / Almeida Mariana S. C. / Ascensão João Tiago / Bizarro Pedro
Publicado: 2020/02/14
Papers link: https: //paper.yanxishe.com/review/11636 from = leiphonecolumn_paperreview0224?
recomendado razão
Este trabalho considerando os problemas de detecção de fraude em tempo real no sistema financeiro.
Para resolver este problema, o uso de papel recorrentes redes neurais, eo pagamento considerado seqüência escalonada (em que cada história cartão é seqüências ilimitados, irregulares), de modo que todo o sistema, independentemente da complexidade das características de engenharia. Este documento apresenta uma estrutura completa para detecção em tempo real RNN fraude e propor gasoduto efetiva aprendizagem de máquina de pré-tratamento para a implantação. Experimentos mostram que, sem esses recursos, seqüência múltipla RNN melhor do que o melhor modelo atual, e devido ao uso de menos recursos de computação, e podem economizar milhões de dólares em custos de detecção de fraude.
Tese Título: DialogueGCN: Um Gráfico Convolucional rede neural para reconhecimento de emoções em Conversação
Autor: Ghosal Deepanway / Majumder Navonil / Poria Soujanya / Chhaya Niyati / Gelbukh Alexander
Publicado: 2019/08/30
Papers link: https: //paper.yanxishe.com/review/11635 from = leiphonecolumn_paperreview0224?
recomendado razão
1. Diálogo declaração emoção reconhecimento (ERC) é a base, mas também tarefa extremamente importante, a última solução é geralmente a sequência que codifica a declaração, então classificação sentimento. Este trabalho considerando as seqüências de fala e fatores que afetam o nível de dois alto-falantes, propôs mapa baseado em convolução DialogueGCN da rede, para obter o reconhecimento emoção. SOTA obtenção de resultados em três conjuntos de dados emoção reconhecimento.
2. O autor declarações diálogo inteligentes, tais interlocutores heterogêneos até mesmo informações abstrato de modelagem para a figura, a rede neural a FIG.
3. Os dados relativos à aprendizagem de redes neurais de pessoas, como aplicar redes neurais, tendo em vista o cenário atual é muito importante, este artigo fornece um cenário muito simples, vale a pena aprender.
Tese Título: Quantized Convolucionais Redes Neurais para dispositivos móveis
Autor: Jiaxiang Wu / Cong Leng / Yuhang Wang
Publicado: 2016/05/16
Papers link: https: //paper.yanxishe.com/review/11543 from = leiphonecolumn_paperreview0224?
recomendado razão
O problema central: a rede CNN está desempenhando um papel cada vez mais importante em muitos aspectos, mas o modelo universal CNN grande, computação complexa, o presente trabalho foi realizado para melhorar.
Inovação: Neste artigo, os autores propuseram um modelo Quantized CNN, este modelo pode acelerar e pesos da camada de convolução e camada de compressa CNN, sua idéia central é totalmente conectados quantificar e minimizar cada camada erro de resposta.
Significado: Experiências realizadas em um conjunto ILSVRC-12 de dados, para a tarefa de classificação demonstrou apenas uma pequena perda de precisão, o método pode conseguir um aumento de velocidade 4-6, 15 a 20 vezes, e compressão, pode ver claramente o efeito.
A fim de melhor servir os nossos jovens AI, AI Yanxishe lançou oficialmente uma nova seção "documentos" na esperança de que como um "ponto de interesse" papel de polimerização AI estudante juventude, recomenda classificando papéis, comentários interpretar o código para se reproduzir. Para se tornar o aprendizado de ponta em casa e no exterior para discutir os resultados da investigação e publicou um local de encontro, mas também para a excelente pesquisa mais amplamente difundido e reconhecido.
Esperamos que você ama o acadêmico, os autores podem se juntar à nossa equipe.
Adira autores equipe que você pode obter
1. Departamento do artigo com seu nome, você vai lutar contra a estrela mais brilhante acadêmico
2. royalties lucrativos
Interpolando 3.ai empresas famosas, bilhetes de bem-estar da Assembléia, lembranças, etc., etc. exclusivo circundante.
Junte-se a autores equipe que você precisa:
1. Você gosta papel recomendado para a maioria dos Yanxishe rotarianos
2. Os documentos de leitura Compose
Se você está pronto para se juntar a AI Yanxishe equipa a tempo parcial dos autores do artigo, você pode adicionar a irmã mais nova de operações de micro-canais, observa que "parte da tese"
