deep convolutional neural network
PulseAugur coverage of deep convolutional neural network — every cluster mentioning deep convolutional neural network across labs, papers, and developer communities, ranked by signal.
-
AI模型从流式细胞术数据预测AML突变
研究人员开发了一种可解释的多实例学习模型，可以从急性髓系白血病（AML）的常规流式细胞术数据中预测关键的分子改变。这种方法将患者样本建模为单个细胞的集合，在预测NPM1和FLT3-ITD突变方面取得了高精度。该模型的预测在一个独立的队列中得到了验证，并证明了其识别既定免疫表型特征的能力，为传统的分子检测提供了一种更快、更具成本效益的替代方案。
-
深度学习通过新颖的合并器设计提升功率放大器效率
研究人员开发了一种新颖的深度学习方法，用于设计包含像素化输出合并器网络的Doherty功率放大器（PAs）。该方法利用深度卷积神经网络（CNN）作为电磁代理模型，快速预测这些复杂合并器的性能。通过将此CNN集成到黑盒框架中并采用遗传算法，研究团队成功合成了在更宽功率范围内提高效率的Doherty合并器。原型机展示了令人印象深刻的效率和输出功率，在9 dB回退水平下保持超过52%的漏极效率，并在使用类似5G NR的波形进行测试时，在具有…
-
AI模型利用WiFi信号进行隐私保护的人类活动识别
研究人员开发了使用WiFi信号进行人类活动识别的新深度学习框架，提供了比基于摄像头的系统更具隐私保护性的替代方案。一种名为WISE-HAR的方法利用了五个CNN架构的集成和积极的数据增强，在识别行走和挥手等活动方面达到了94.87%的准确率。另一种方法采用了一种轻量级的Temporal Convolutional Network (TCN)，并结合了物理引导的注意力机制，以有效地从WiFi CSI数据中捕获运动动力学，在降低计算成本的…
-
膨胀卷积神经网络提供低复杂度周期信号处理
研究人员开发了一种新的、计算效率高的方法，称为 R-DCNN，用于处理周期信号，适用于资源受限的环境。该方法利用膨胀卷积神经网络 (DCNN) 和重采样，以低复杂度实现去噪和准确的波形估计。R-DCNN 方法可以使用单个观测进行训练，从而泛化到具有不同基频的信号，并取得与现有最先进技术相当的性能。