https://hdl.handle.net/10680/1580 星期五，2022年12月23日08:04:52格林尼治标准时间 2022-12-23T08：04：52Z https://hdl.handle.net/10680/2000 利用引导的反向传播来选择用于植物分类的卷积神经网络Mostafa，Sakib；Mondal，Debajyoti；贝克，迈克尔·A。Bidinosti，Christopher P。；亨利，克里斯托弗·J。Ian Stavness，最先进的卷积神经网络（CNN）的发展使研究人员能够执行以前认为不可能并依靠人类判断的植物分类任务。研究人员经常开发复杂的CNN模型以实现更好的性能，引入过度参数化并迫使该模型在培训数据集上过度拟合。在深度学习模型中评估过度拟合的最流行的过程是使用准确性和损失曲线。火车和损失曲线可能有助于了解模型的性能，但没有提供有关如何修改模型以实现更好性能的指导。在本文中，我们分析了模型学到的功能与其容量所学的功能之间的关系，并表明具有较高代表性的模型可能会学习许多微妙的功能，这些功能可能会对其性能产生负面影响。 Next, we showed that the shallow layers of a deep learning model learn more diverse features than the ones learned by the deeper layers. Finally, we propose SSIM cut curve, a new way to select the depth of a CNN model by using the pairwise similarity matrix between the visualization of the features learned at different depths by using Guided Backpropagation. We showed that our proposed method could potentially pave a new way to select a better CNN model. 星期三，2022年5月11日，格林尼治标准时间 https://hdl.handle.net/10680/2000 2022-05-11T00：00：00z https://hdl.handle.net/10680/1999 低场NMR和Pierre-Jean MRI NACHER的快速MOSFET RF开关；kumaragamage，萨希卡（Sashika）；Tastevin，Geneviève；Bidinosti，Christopher传输阵列空间编码（TRASE）MRI使用了由不同的发射线圈产生的RF脉冲的火车。对于低和超低的MRI而言，涉及销钉二极管的常用线圈开关太慢，并且通常在脉冲之间引入等待时间，通常只要每个脉冲中的每个脉冲中的几毫升中的每个脉冲。描述并表征了基于MOSFET的RF开关。它最多有数百个kHz，可以将RF电流从单个放大器转换为几个线圈，具有足够的隔离比和脉冲之间可忽略不计的线圈。另外，可用于以串联的RF线圈突然停止或启动脉冲，以避免与Q-因子相关的上升和降落时间。RF能量可以有效地存储在调谐电容器中长达几秒钟。除Trase MRI外，这种能量存储方法可能会在快速重复的自旋回波实验中找到应用。 Here, a threefold acceleration of TRASE phase-encoding is demonstrated when MOSFET switches are used instead of fast reed relays. This open-access version originally appeared in the HAL Archives (https://hal.archives-ouvertes.fr), ID: hal-02266979. 星期六，2019年11月2日00:00:00格林尼治标准时间 https://hdl.handle.net/10680/1999 2019-11-02T00：00：00z https://hdl.handle.net/10680/1936 磁扩散，电感屏蔽和拉普拉斯转化克罗斯尼，亚历山大E。朗，迈克尔；Weirathmueller，Jakob J。；Bidinosti，Christopher P.在绝对极限中，导体内部的时变磁场受扩散方程的控制。尽管在许多流行的物理演示中发生了这种情况，但磁扩散的概念似乎并没有引起很多关注本身作为教学的主题。我们在时间变化的轴向场中采用薄导电管的模型来引入磁扩散，并将其连接到电感屏蔽的相关现象。我们描述了一种非常简单的设备，该设备利用宽带霍尔效应传感器用各种样品来测量这些效果。扩散时间常数和屏蔽截止频率的定量结果与由管半径，厚度和电导率的乘积给出的单个样品特异性参数一致。在此处介绍的时间和频域解决方案方面，自然产生了拉普拉斯变换，并且该技术的实用性在多个地方突出显示。 星期三，2021年4月21日00:00：00 GMT https://hdl.handle.net/10680/1936 2021-04-21T00：00：00z https://hdl.handle.net/10680/1882 一种用于自动生成标记的植物图像的嵌入式系统，以在农业贝克（Michael A。）中启用机器学习应用。刘，陈-YI；Bidinosti，Christopher P。；亨利，克里斯托弗·J。Godee，Cara M。；马尼沙（Ajmani），马尼沙（Manisha）缺乏足够的培训数据，无论是多样性和数量而言，通常都是机器学习开发（ML）应用程序中任何域中的瓶颈。对于农业应用，基于ML的模型旨在执行诸如自主植物分类之类的任务，通常仅耦合到一种或可能的几种植物物种。结果，每个特定于作物的任务很可能需要其自己的专业培训数据，以及如何满足对数据需求的问题，现在通常会掩盖更常规的实际训练此类模型。为了解决这个问题，我们开发了一个嵌入式机器人系统，以自动生成和标记大型植物图像，以用于农业中的ML应用。该系统几乎可以从任何角度对植物进行成像，从而确保各种各样的数据。 and with an imaging rate of up to one image per second, it can produce lableled datasets on the scale of thousands to tens of thousands of images per day. As such, this system offers an important alternative to time- and costintensive methods of manual generation and labeling. Furthermore, the use of a uniform background made of blue keying fabric enables additional image processing techniques such as background replacement and image segementation. It also helps in the training process, essentially forcing the model to focus on the plant features and eliminating random correlations. To demonstrate the capabilities of our system, we generated a dataset of over 34,000 labeled images, with which we trained an ML-model to distinguish grasses from nongrasses in test data from a variety of sources. We now plan to generate much larger datasets of Canadian crop plants and weeds that will be made publicly available in the hope of further enabling ML applications in the agriculture sector. 星期四，2020年12月17日00:00：00 GMT https://hdl.handle.net/10680/1882 2020-12-17T00：00：00z