计算智能与神经科学

立体视觉是一个蓬勃发展的领域，受到许多研究者的关注。近年来，立体匹配算法凭借深度学习的发展，取得了远远超过传统方法的显著性能。本文综述了基于深度学习的立体匹配算法。为了方便起见，我们将算法分为三类:(1)非端到端学习算法，(2)端到端学习算法，(3)无监督学习算法。我们全面介绍了每个类别的显著方法，并分别总结了它们的优点、缺点和主要挑战。采用速度、精度和时间消耗比较不同的算法。

阅读全文

利用神经成像和机器学习技术(ML)来区分精神分裂症(SZ)患者与正常对照组(NCs)，并检测精神分裂症患者的大脑异常区域，具有多方面的好处，可以为精神分裂症的临床诊断提供参考。在本研究中，我们使用来自SZ患者和NCs的结构磁共振图像(sMRIs)进行鉴别分析。本研究提出了一种基于粗到精特征选择的ML框架。该框架采用双样本结构t-首先进行组间差异提取测试，然后使用递归特征消除法(RFE)进一步剔除不相关和冗余的特征，最后使用支持向量机(SVM)学习具有所选灰质(GM)和白质(WM)特征的决策模型。以往的研究倾向于报告群体层面的差异，而不是个体层面的差异，因此不能广泛应用。该方法将诊断扩展到个体水平，具有较高的识别率。本研究的实验结果表明，该框架将SZ患者与NCs区分开来，最高分类准确率达85%以上。识别的生物标志物也与以前的文献发现一致。作为一种通用的方法，该框架可以扩展到其他疾病的诊断。

阅读全文

模糊c均值（FCM）是最知名的聚类方法来组织各种各样自动数据集和获取准确的分类之一，但它有陷入局部最小值的倾向。为了克服这些缺点，一些方法，对于聚类杂交PSO和FCM已经在文献中提出，并且其证明这些混合方法比传统的分区聚类的改进的精度接近，而基于PSO-聚类方法有差的执行时间比较划分的聚类技术，而目前的PSO算法需要调整一系列参数，他们都能够找到好的解决办法之前。因此，本文介绍了模糊聚类的混合方法，命名为FCM-ELPSO，其目的是解决这些缺点。它结合FCM与PSO的改进版本，称为ELPSO，它采用了新的增强的对数惯性权重策略，为勘探和开发之间更好的平衡。这种新的混合方法的用途PBM（F）索引和目标函数值作为聚类有效性索引来评估聚类效果。为了验证算法的有效性，两种类型的实验进行，包括PSO聚类混合聚类。实验表明，该方法显著提高收敛速度和集聚效应。

阅读全文

SSD (Single Shot MultiBox Detector)是目前最好的目标检测算法之一，能够实时提供高精度的目标检测性能。但是，SSD在小目标检测方面的性能相对较差，因为其负责检测小目标的浅预测层缺乏足够的语义信息。为了克服这一问题，本文提出了一种改进的多尺度特征映射跳跃连接的SSD，通过高、低层次特征映射的跳跃融合来增强预测层的语义信息和细节。在融合方法的细节部分，我们设计了两个特征融合模块和多个融合策略来提高SSD探测器的灵敏度和感知能力。在PASCAL VOC2007测试集上的实验结果表明，SKIPSSD显著提高了检测性能，并优于许多最先进的对象检测器。输入尺寸为300×300时，SKIPSSD在单1080 GPU上以38.7 FPS(帧/秒)的速度达到了79.0%的mAP(平均精度)，比SSD的mAP高1.8%，但仍保持了实时检测速度。

阅读全文

近年来，云计算技术引起了学术界和工业界的广泛关注。云计算的流行源于它能够通过web将核心基础设施、平台和应用程序等全球IT服务交付给云客户。此外，它还承诺提供随需应变服务，并提供新形式的定价方案。然而，云作业调度仍然是np完备的，并且由于资源动态性和随需应变的消费者应用程序需求等因素而变得更加复杂。为了填补这一空白，本文提出了一种改进的基于模拟退火(SA)的Harris hawks优化(HHO)算法，用于在云环境中调度作业。在HHOSA方法中，利用SA作为局部搜索算法，提高了标准HHO算法的收敛速度和求解质量。将HHOSA方法的性能与最先进的作业调度算法进行了比较，这些算法都是在CloudSim工具包中实现的。使用标准工作负载和合成工作负载来分析所提出的HHOSA算法的性能。结果表明，与标准HHO算法和其他已有的调度算法相比，HHOSA算法能显著降低作业调度问题的最大完工时间。当搜索空间变大时，收敛速度加快，适用于大规模调度问题。

阅读全文

创伤性脑损伤(TBI)是一种因医疗延误而导致严重后果的损伤。一般情况下，需要对计算机断层扫描(CT)或磁共振成像(MRI)进行分析，以确定中度TBI患者的严重程度。然而，由于目前TBI患者的数量不断增加，对每个潜在的患者进行CT扫描或MRI扫描不仅昂贵，而且耗时。因此，在这篇文章中，我们探讨了利用脑电图(EEG)和计算智能作为另一种方法来检测中度脑损伤患者严重程度的可能性。脑电图检查比CT或MRI便宜得多。与CT和MRI相比，脑电图虽然空间分辨率不高，但时间分辨率较高。利用传统的计算智能方法对脑电中度脑损伤进行分析和预测是一项繁琐的工作，通常涉及到信号的复杂预处理、特征提取或特征选择。因此，我们提出了一种利用卷积神经网络(CNN)自动分类健康受试者和中度TBI患者的方法。该计算智能系统的输入是静止状态的闭眼脑电图，无需进行预处理和特征选择。所使用的脑电图数据集包括15名健康志愿者和15名中度脑外伤患者，这些数据是在马来西亚吉兰丹的塞斯大学医院获得的。 The performance of the proposed method has been compared with four other existing methods. With the average classification accuracy of 72.46%, the proposed method outperforms the other four methods. This result indicates that the proposed method has the potential to be used as a preliminary screening for moderate TBI, for selection of the patients for further diagnosis and treatment planning.

阅读全文