本研究提出了一种基于条件互信息的结构化滤波器修剪方法，旨在解决深度卷积神经网络在资源有限硬件上的部署问题。该方法有效减少模型大小，且准确率几乎不变。在CIFAR-10数据集上，VGG16的滤波器数量减少超过三分之一，准确率仅下降0.32%。
本研究提出了一种快速算法，用于重建自然树木的分支结构，并模拟不同形状的分形树。通过深度卷积神经网络进行树木分类，发现分形树参数支持达芬奇的分支规则和黄金比例，为树种检测器的训练提供了有效样本。
本研究提出了一种12层深度卷积神经网络，旨在抑制图像压缩伪影，提升峰值信噪比（PSNR）1.79 dB，并对不同质量因子表现出良好的韧性。
本文介绍了一种基于深度卷积神经网络的自动化脑肿瘤分割和分类模型，采用多尺度方法处理MRI图像。该模型无需去除颅骨，能识别脑膜瘤、胶质瘤和垂体瘤。在233名患者的MRI数据集上测试，分类准确度达到0.973，优于其他方法。
本研究通过比较多种谱特征和节奏特征，发现mel尺度谱图和MFCCs在音频分类中表现最佳，展示了深度卷积神经网络的有效性。
研究探讨了数据增强技术在深度卷积神经网络中的应用，特别是Preset-RandAugment在有限数据下的表现。通过引入RandMSAugment技术，结合现有方法的优势，在CIFAR-100、STL-10和Tiny-Imagenet数据集上实现了显著性能提升，无需调整超参数和复杂优化。
该论文提出了一种动态层级注意力（DLA）架构，用于增强深度卷积神经网络中层间交互。DLA通过递归神经网络块提取上下文特征，并动态刷新特征来更新层间信息。实验结果表明，DLA在图像识别和目标检测任务中优于其他方法。
本文提出了一种新的通道剪枝方法，能够加速深度卷积神经网络。剪枝后的VGG-16实现了5倍速度提升和仅0.3％误差增加。该方法还能加速ResNet和Xception等现代网络，准确度损失较小。
本文介绍了一种基于深度卷积神经网络的乳腺癌筛查分类方法，通过训练和评估超过200,000个检查，该网络在筛查人群中预测乳腺癌的AUC为0.895。研究发现，结合神经网络预测和放射科医生的预测平均值可以提高准确性。
本文提出了一种基于注意力机制的两阶段深度卷积神经网络，用于超分辨率图像重建。通过多层上下文注意力块和重要细化关注块，提高超分辨率性能和视觉效果。
本文介绍了一种使用机器学习技术进行生物种类识别的方法，通过使用公开可用的研究级数据集和Google的AutoML Vision云服务的深度卷积神经网络模型，可以轻松生成准确模型。该方法已在葡萄牙本土植物的案例研究中得到验证，并已集成到公共网站中。
本文提出了一种完全自动化的深度卷积神经网络脑肿瘤分割和分类模型，包括多尺度方法。该模型可分析MRI图像中的三种肿瘤类型，无需预处理输入图像。在包含233名患者3064张切片的MRI图像数据集上，该方法的肿瘤分类准确度明显高于其他方法。
本文介绍了一种基于深度卷积神经网络的乳腺癌筛查方法，通过训练和评估超过200,000个检查，该网络在筛查人群中预测乳腺癌的准确度高。研究发现将神经网络预测的恶性概率与放射科医生的预测结合可以提高准确性。
研究发现13种深度卷积神经网络可有效区分真实和篡改的医学图像。ResNet50V2在精确度和特异度方面表现出色，DenseNet169在准确性、召回率和F1得分方面表现突出。MobileNetV3Large在参数数量较小的情况下具有较高性能。DenseNet和EfficientNet模型族在隐空间分离质量上表现卓越，对医学图像造假检测有价值贡献。
该论文提出了一种使用无标签干扰数据集训练深度卷积神经网络的新型框架。通过无向图模型描述干净和嘈杂标签之间的关系，并在监督学习中学习该模型。该模型在图像标注问题上应用，并在CIFAR-10和MS COCO数据集上展示出有效的标注效果和减少标签噪声的效果。
本文介绍了一种使用机器学习和深度卷积神经网络进行基于图像的生物分类的方法。通过使用公开数据集和Google的AutoML Vision云服务，可以生成准确模型。该方法在葡萄牙本土植物的案例研究中得到验证，并已集成到公共网站中。
本文提出了一种新的图像超分辨率方法，使用深度卷积神经网络联合学习特征提取、上采样和高分辨率重建模块，实现更精确的图像恢复。
研究提出了一种名为MrRegNet的图像配准方法，使用深度卷积神经网络处理大变形图像。实验结果表明，该方法在脑MRI数据集上优于传统方法和深度学习方法VoxelMorph，尤其在局部区域图像配准准确性方面有显著提高。
通过DeepBlurMM多模型方法提高了深度卷积神经网络分类性能，特别在乳腺癌组织学分级任务中表现优异。该模型在中度模糊和混合模糊条件下优于基准模型，有潜力改善研究和临床应用质量。
完成下面两步后，将自动完成登录并继续当前操作。
