嵌入幾何深度學習的快速資料密度泛函轉換之研究與其在多維度醫學特徵之快速辨識、追蹤與重建;Research on Fast Data Density Functional Transform Embedded in Geometry Deep Learning and Its Fast Recognition, Tracking, and Reconstruction of Multi-Dimensional Medical Features

NCU Institutional Repository > 生醫理工學院 > 生醫科學與工程學系 > 研究計畫 > Item 987654321/91114

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/91114

題名:	嵌入幾何深度學習的快速資料密度泛函轉換之研究與其在多維度醫學特徵之快速辨識、追蹤與重建;Research on Fast Data Density Functional Transform Embedded in Geometry Deep Learning and Its Fast Recognition, Tracking, and Reconstruction of Multi-Dimensional Medical Features
作者:	陳健章
貢獻者:	國立中央大學生醫科學與工程學系
關鍵詞:	幾何深度學習;快速資料密度泛函轉換;全域捲積;醫學影像分割;高維重構;電腦視覺;流形代數;微分幾何;可解釋深度學習網路;對稱性;不變性;;Geometric Deep Learning;Fast Data Density Functional Transform;Global Convolutions;Medical Image Segmentation;High-dimensional Reconstruction;Computer Vision;Manifold Algebra;Differential Geometry;Interpretable Deep Learning Networks;Symmetry;Invariance.
日期:	2023-07-17
上傳時間:	2024-09-18 14:14:43 (UTC+8)
出版者:	國家科學及技術委員會
摘要:	快速資料密度泛函深度學習網路兼備可解釋性、快速物件辨識推論與超輕量型模型結構，同時在系統設計上具備自學能力故能給予系統最佳化的模型架構與訓練方案。於學術發展上，本技術能將統計機械學習與深度學習雙方架構進行整併，並在具備統計意義的流形空間裡進行解釋與對應，故能進一步對於正處於發散發展中人工智慧技術進行理論架構之統一與整合。於工程實務上，適用於腦內手術導航、病灶定位分割與三維視覺化之臨床輔助診斷。另本技術結構易於嵌入於低成本之微處理器或微控制器甚是感測模組，故將能裨益於TinyML以及邊緣運算等相關機械視覺等技術開發，也因此可帶動醫學智慧感測技術、工業人員安全維護等議題與AIoT締合之連動成長。
關聯:	財團法人國家實驗研究院科技政策研究與資訊中心
顯示於類別:	[生醫科學與工程學系] 研究計畫

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	24	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....