随着世界各地的COVID-19病毒感染的下降，Monkeypox病毒正在缓慢地出现。人们害怕它，认为它看起来像是Covid-19的大流行。因此，在广泛的社区传播之前，至关重要的是检测到它们。基于AI的检测可以帮助他们在早期识别它们。在本文中，我们首先比较了13个不同的预训练的深度学习（DL）模型，以检测蒙基氧基病毒。为此，我们首先将它们添加到所有这些层中，并使用四个完善的措施进行分析：精度，召回，F1得分和准确性。在确定了表现最佳的DL模型之后，我们将它们整合以利用从其获得的概率输出的多数投票来提高整体绩效。我们在公开可用的数据集上执行实验，这表明我们的集合方法提供了精度，召回，F1得分和精度为85.44 \％，85.47 \％，85.40 \％和87.13 \％。这些令人鼓舞的结果表明，所提出的方法适用于卫生从业人员进行大规模筛查。
translated by 谷歌翻译
如今，随着深度学习算法的兴起，大数据上的场景图像表示方法（例如，Sun-397）在分类方面取得了重大的性能。但是，性能仍然受到限制，因为场景图像在本质上大多是复杂的，具有较高的阶层差异和类间相似性问题。为了解决此类问题，文献中提出了几种具有自己的优势和局限性的方法。必须对以前的作品进行详细研究，以了解其图像表示和分类方面的利弊。在本文中，我们回顾了广泛用于图像分类的现有场景图像表示方法。为此，我们首先使用本日期中文献中提出的开创性现有方法来设计分类法。接下来，我们将它们的性能进行定性比较（例如，产出，优点/缺点等）和定量（例如准确性）。最后，我们推测场景图像表示任务中的突出研究方向。总体而言，这项调查提供了有关传统计算机视觉（CV）方法，基于深度学习（DL）的方法和基于搜索引擎（SE）基于基于的基于的计算机视觉方法（CV）的最新场景图像表示方法的深入见解和应用。
translated by 谷歌翻译
听诊器录制的胸部声音为新生儿的偏远有氧呼吸健康监测提供了机会。然而，可靠的监控需要高质量的心脏和肺部声音。本文介绍了新生胸部声音分离的新型非负基质分子（NMF）和非负矩阵协同分解（NMCF）方法。为了评估这些方法并与现有的单源分离方法进行比较，产生人工混合物数据集，包括心脏，肺和噪音。然后计算用于这些人造混合物的信噪比。这些方法也在现实世界嘈杂的新生儿胸部声音上进行测试，并根据生命符号估计误差评估，并在我们以前的作品中发达1-5的信号质量得分。此外，评估所有方法的计算成本，以确定实时处理的适用性。总的来说，所提出的NMF和NMCF方法都以2.7db到11.6db的下一个最佳现有方法而言，对于人工数据集，0.40至1.12的现实数据集的信号质量改进。发现10S记录的声音分离的中值处理时间为NMCF和NMF的342ms为28.3。由于稳定且稳健的性能，我们认为我们的提出方法可用于在真实的环境中弃绝新生儿心脏和肺部。提出和现有方法的代码可以在：https://github.com/egrooby-monash/heart-and-lung-sound-eparation。
translated by 谷歌翻译