...2019 年就开始 AI 智能算法的研究,通过卷积神经网络的深度学习...
思泰克在2019年就开始AI智能算法的研究,通过卷积神经网络的深度学习及训练,提取出检测图像特征,实现部分人工替代及算法提升,包括辅助进行锡膏、字符、元件的智能识别、辅助锡膏不良智能复判,从而全面提升设备的检测精度与检测效率。感谢您的关注。点击进入交易所官方互动平台查看更多关注同花顺财经(ths518),获取更多...
【广发金工】2024精选深度报告系列之四:基于卷积神经网络的ETF...
我们团队于近期发布过《基于卷积神经网络的股价走势AI识别与分类》等深度学习研究报告,样本外跟踪至今仍旧有相对稳定的市场表现。ETF具备持仓透明、交易便利、费用低廉等特征。本报告探索将深度学习因子映射到ETF产品轮动中的效果。因子构建。通过构建标准化的价量数据图表,设计了卷积神经网络识别其中价格和交易量的走势...
微美全息(NASDAQ:WIMI)研究基于深度卷积神经网络的增强现实动态...
为此,微美全息(NASDAQ:WIMI)采用深度卷积神经网络作为图像识别的核心算法,设计了能够实时识别和跟踪动态场景中物体的增强现实系统,从而实现对增强现实场景中物体的识别和定位。深度卷积神经网络具有较强的特征提取和分类能力,能够从复杂的图像中提取出有用的特征信息,并将其用于物体识别和跟踪,并使用大规模的动态图像数据...
三维卷积神经网络(3D-CNN)解码运动过程的脑电图
在新数据集上的测试中,3D-CNN在这些任务中的准确率分别为79.81%、81.23%和82.00%,优于二维卷积神经网络(2D-CNN)架构的1.1%到6.74%。此外,研究确定了对分类决策关键的EEG传感器和时间段,这与运动规划和执行中的神经生理学知识一致。这表明生物相关性对准确解码EEG重要,暗示实时分类复杂大脑活动的可能...
特斯联研发新突破 Transformer架构中的动态一元卷积神经网络
近日,特斯联首席科学家、特斯联国际总裁邵岭博士及其合作团队发表最新研究成果,探索将卷积神经网络(ConvNets)的优势与Transformer架构相结合的并行设计方法。该研究成果可广泛应用于多模态学习、图像分类、图像分割、图像检索等场景,并能够有效提升模型在计算机视觉任务中的性能、提供更佳的灵活度,改善医疗诊断、自动驾驶等现实...
深入解析卷积神经网络的池化层:优化特征提取与减少计算量
池化层作为卷积神经网络中的重要组成部分,发挥着优化特征提取和减少计算量的关键作用(www.e993.com)2024年10月23日。通过汇总特征图中的信息,池化层能够提取出图像或数据的主要特征,减少冗余信息的干扰。同时,池化层具有平移不变性和参数数量减少的优势,使得CNN在处理平移不变性问题时具有更好的鲁棒性和泛化能力。然而,池化层也存在一些问题和局限性,...
量化专题 · 几种神经网络模型预测效果对比及简析
我们利用期货市场的行情数据,对不同类型的神经网络模型预测效果进行探索,并用一些简单模型预测效果进行对比。主要涉及单步单层线性模型、单步多层线性模型、多步模型、卷积神经网络、循环神经网络等。在实际操作中,我们首先对数据集按照7:2:1的比例划分为测试集、验证集、训练集,然后将数据进行简单归一化、带入模型进行...
我国数据分类分级研究进展与企业实施路径建议
此外,考虑数据传输、共享安全问题,贾婧针对医疗领域多模态数据资源,融合同态加密技术构建了安全卷积神经网络模型,实现了密文多模态资源特征的提取和正确分类。凌天斌等人针对网络涉密信息欠缺分类检测和传输易泄露等问题,提出了基于扩展贝叶斯分类算法的信息安全传输方法。4企业数据分类分级实施路径基于以上研究,本文尝试...
车路协同感知技术研究进展及展望丨中国工程科学
①点云网格化法是将点云转换成网格,再利用卷积神经网络进行特征提取的方法,可以较好地提取点云邻域特征,但因点云具有稀疏性、在网格上呈不均匀分布,对部分不存在点云数据的网格进行计算时会带来一定的计算浪费。后续研究仍需不断改进点云网格化方法,减少计算量,提升运行速度。例如,目前主流的点云网格化方法是基于...
AI让失语者重新说话,纽约大学发布全新“神经-语音”解码器|Nature...
这项名为“Aneuralspeechdecodingframeworkleveragingdeeplearningandspeechsynthesis”的研究,介绍了一个创新的可微分语音合成器。该合成器结合了轻量级卷积神经网络,能够将语音编码为一系列可解释的语音参数,如音高、响度和共振峰频率等,并利用可微分的技术重新合成语音。