Xilinx、Spline.AI、AWS 推出 X 射線分型深度學習模型和參考設計
2020-11-19 電子工程專輯
開源的自適應深度學習模型，助力醫療設備製造商和醫療服務提供商快速開發經過訓練的模型，面向臨床和放射醫學應用，加速COVID-19 和肺炎檢測。
賽靈思公司宣布推出全功能醫療 X 射線分型深度學習模型和參考設計套件，這是賽靈思與 Spline.AI 及亞馬遜網絡服務（AWS）強強攜手共同取得的合作成果。這種高性能模型部署在賽靈思 Zynq® UltraScale+™ MPSoC ZCU104 器件之上，並採用了賽靈思深度學習處理器單元（DPU）。該 DPU 是一種軟 IP 張量加速器，它的強大功能足以支持運行各種神經網絡，其中包括用於分型和疾病檢測的神經網絡。
這一合作開發的解決方案使用了開源模型（在賽靈思 Zynq UltraScale+ MPSoC 器件上的 Python 編程平臺上運行），這意味著研究人員可以對其進行調整，以適應不同應用的特定需求。通過採用這樣的開源設計，醫療診斷設備、臨床設備製造商以及醫療服務提供商能夠快速地為行動裝置、可攜式設備或護理點邊緣設備中的大量臨床應用和放射醫學應用開發和部署經過訓練的模型，並提供向雲端擴展的選項。
賽靈思核心市場業務部市場營銷與業務開發副總裁 Kapil Shankar 表示：「AI 是醫療行業中發展速度最快、需求最強勁的應用領域。因此，能夠向業界推出這種自適應的開源解決方案，我們感到十分高興。這種低成本的解決方案兼具低時延、高能效和可擴展能力。此外，由於該模型能夠輕鬆適應相似的臨床應用和診斷應用，醫療設備製造商和醫療服務提供商可以藉助參考設計套件，提前快速開發出適應未來的臨床應用和放射醫學應用。」
該解決方案的 AI 模型使用 Amazon SageMaker 進行訓練，並使用 AWS IoT Greengrass 從雲端部署到邊緣，從而支持遠程機器學習（ML）模型更新、地域分布式推斷，並能夠跨遠程網絡和廣闊地域進行擴展。
亞馬遜網絡服務公司物聯網副總裁 Dirk Didascalou 表示：「能夠支持賽靈思為醫療客戶設計解決方案，滿足醫療客戶對快速開發用於臨床應用和放射醫學應用的受訓模型提出的迫切需求，我們深感欣慰。Amazon SageMaker 幫助賽靈思和 Spline.AI 開發出高質量的解決方案，從而使得使用低成本的醫療設備就可以為實現高準確度的臨床診斷提供支持。集成 AWS IoT Greengrass 後，醫生無需藉助物理醫療設備就能輕鬆地將 X 射線圖上傳到雲端，為更加偏遠的地區提供遠程診療服務。」
Spline.ai 利用 Zynq UltraScale+ MPSoC 的實時功能和圖像處理特性來實施肺部感染及新冠病毒檢測模型，這對於了解感染程度和生成可視化熱圖非常有效。
該解決方案已被用於肺炎和 COVID-19 檢測系統，不僅準確度極高，而且推斷時延低。開發團隊採用了超過 30,000 幅精挑細選且帶有標記的肺炎圖像，以及 500 幅 COVID-19 圖像對深度學習模型進行訓練。這一數據已提供給醫療機構和研究機構用於開展公共研究，如美國國立衛生研究院（NIH）、史丹福大學、MIT 以及世界各地的其他醫院和診所。
Spline.AI 首席技術官 Syed Hussain 表示：「賽靈思 Zynq UltraScale+ MPSoC 是一種理想的邊緣器件，非常適用於在臨床環境下進行高性能深度學習模型的可擴展部署，例如我們在這次合作中訓練開發的新型 COVID-XS 模型就是一個很好的證明。」
進一步了解如何運用該賽靈思開源設計平臺開發放射醫學流，請訪問：https://china.xilinx.com/applications/medical/healthcare-ai.html
相關焦點
-
亞馬遜雲服務(AWS) 為機器學習擴圈 觸及每一位AI工作者
Amazon Aurora是AWS著名的關係型資料庫服務，AWS針對Aurora推出了新功能Amazon Aurora ML。資料庫開發者發起資料庫查詢（SQL）時，只要選擇一個機器學習模型，就會喚醒機器學習服務，Aurora ML自動將查詢結果交給機器學習模型進行推理，返回結果。 -
亞馬遜推出AWS Panorama
AWS準確地嗅到商機，推出AWS Panorama套裝，為有需求的商機提供監控設備的人工智慧大升級。但後續表現如何仍需時間考驗。顯然，AWS意識到了這一問題，所以在設計上，AWS Panorama實現了無網或弱網環節下的部署能力。AWS直接將訓練好的機器學習模型直接部署在AWS Panorama Appliance硬體內部，讓它在徹底無網的情況下也能流暢地進行機器學習計算，擺脫了機器學習對雲端的要求。 -
2020最強終端AI加速晶片Top10排行榜
XMOS的xcore.aixcore.ai旨在實現人工智慧物聯網（AIoT）應用中的語音控制。這款設備是一個交叉處理器（具有應用處理器的性能和微控制器的低功耗、實時操作），專門用於對語音信號進行機器學習推理。它基於XMOS專有的Xcore架構，本身就建立在稱為邏輯核的構建塊上，可以用於I/O、DSP、控制功能或AI加速。 -
深度學習和機器學習的線性代數入門
本文目錄引言機器學習ML和深度學習NN中的線性代數矩陣向量矩陣乘法轉置矩陣逆矩陣正交矩陣對角矩陣正規方程的轉置矩陣和逆矩陣線性方程向量範數L1範數/Manhattan範數L2範數/在模型構建過程中，我們經常設計各種概念，例如維數災難、正則化、二進位、多分類、有序回歸等。神經元是深度學習的基本單位，該結構完全基於數學概念，即輸入和權重的乘積和。至於Sigmoid，ReLU等等激活函數也依賴於數學原理。 -
大牛的《深度學習》筆記,Deep Learning速成教程
，並解釋了深度學習的基本思想，深度與淺度學習的區別和深度學習與神經網絡之間的關係。深度學習，即Deep Learning,是一種學習算法（Learning algorithm）,亦是人工智慧領域的一個重要分支。從快速發展到實際應用，短短幾年時間裡，深度學習顛覆了語音識別、圖像分類、文本理解等眾多領域的算法設計思路，漸漸形成了一種從訓練數據出發，經過一個端到端（end-to-end）的模型，然後直接輸出得到最終結果的一種新模式。那 -
「Hello Kitty x 高達模型」即將推出合作模型商品
「Hello Kitty x 高達模型」即將推出合作模型商品 動漫 178動漫整編 ▪ -
清華、協和等單位開發乳腺癌AI診斷工具,可準確識別惡性腫瘤
在6月21日舉辦的2020北京智源大會開幕上，智源研究院院長黃鐵軍介紹到，清華大學、北京智源人工智慧研究院、協和醫學院和首都醫科大學的研究團隊近日推出一項名為SonoBreast的研究成果，提出了一個經過監督學習與訓練的、基於圖像塊的卷積神經網絡分類器，可以利用超聲波圖像進行乳腺癌診斷篩查。 -
英偉達深度學習Tensor Core全面解析
計算發生在「節點」上，「節點」被組織成「層」：原始輸入數據首先由「輸入層」處理，「輸出層」推出代表模型預測的數據。兩者之間的任何一層都被稱為「隱藏層」，而「deep」則代表著深度神經網絡有許多隱藏層。這些隱藏層可以在不斷增加的抽象層次上運行，使得它們甚至可以從複雜的輸入數據中提取和區分非線性特徵。 -
新型X射線顯微鏡技術全腦高解析度快速成像
高能X射線（> 10 keV）由於其強大的穿透力和亞納米波長，因此在採集三維成像具有高時空解析度，滿足觀察神經亞細胞結構的需求。 XNH技術類似於CT斷層掃面，但與標準X射線成像不同。標準X射線成像依賴於光束穿過組織時X射線衰減的差異，而XNH技術根據樣品引起的光束細微相移的變化獲取圖像。此外XNH技術了提高了成像的靈敏度，有助於保護組織樣本免受X射線能量的損壞。 -
天生一對,硬核微分方程與深度學習的「聯姻」之路
微分方程真的能結合深度神經網絡？真的能用來理解深度神經網絡、推導神經網絡架構、構建深度生成模型？我們將從鄂維南、董彬和陳天琦等研究者的工作中，窺探微分方程與深度學習聯袂前行的路徑。近日，北京智源人工智慧研究院開展了第一次論壇，其以「人工智慧的數理基礎」這一重大研究方向為主題，從數學、統計和計算等角度討論了智能系統應該怎樣融合數學系統。 -
AIOpen 預訓練語言模型專刊徵稿
2018 年 ELMo、BERT 和 GPT 的成功發布，表明了預訓練語言模型（PLM）的成功，隨後又在自然語言理解和生成方面取得了重大突破。目前，在探索更有效的預訓練架構方面，已經做了很多卓有成效的工作，比如使用跨模態數據、跨語言數據和結構化知識等方法改進預訓練語言模型，或將 PLM 創新地應用於各種與 NLP 相關的任務。 -
AI技術將會如何改變遊戲設計?
深度神經網絡改變這一點。 神經網絡會先隨機初始化網絡的權重，就是先隨便弄一個魔法函數Magic'(x)。 我們期望Magic函數的功能是輸入圖片8，輸出分類8 一開始，Magic'(x)和我們要的Magic(x)並不相同。 -
uSens推出手部骨骼追蹤AR SDK,基於計算機視覺和深度學習
文章相關引用及參考：reality.news通過計算機視覺和深度學習來追蹤整隻手的骨骼動態（映維網 2018年06月01日）去年這個時候，計算機視覺公司uSens推出了一款支持手部追蹤的立體攝像頭模型。現在，uSens只需通過智慧型手機攝像頭即可實現相同的功能。 -
英偉達Volta架構深度解讀:專為深度學習而生的Tensor Core到底是什麼?
而解決這些日益複雜的問題則需要日益複雜的深度學習模型，為深度學習提供強大的計算硬體是英偉達努力的目標。圖 1. Tesla V100 加速卡內含 Volta GV100 GPU，以及 SXM2 Form Factor。高性能計算設備（HPC）是現代科學的基礎，從預測天氣、發明新藥到尋找新能源，大型計算系統能為我們模擬和預測世界的變化。 -
萬字長文帶你看盡深度學習中的各種卷積網絡(下篇)
8.2 深度可分離卷積 現在，讓我們移步到深度可分離卷積，它在深度學習中的應用要更普遍得多（例如在 MobileNet 和 Xception 中）。深度可分離卷積由兩步組成：深度卷積以及 1x1 卷積。 在介紹這些步驟前，值得回顧一下前面部分所提到的 2D 卷積核 1x1 卷積。讓我們先快速過一下標準的 2D 卷積。 -
OpenAI追蹤AI模型效率:每16個月翻一番!超越摩爾定律
智東西5月6日消息，昨日，OpenAI宣布將開始追蹤效率最高的機器學習模型，該舉措推出了新的評價指標，可用以量化模型的擴展規模和整體性能，從而可實時公示效率最高的模型，為行業提供參考。OpenAI表示：「行業領袖、決策者、經濟學家和研究人員都在努力更好地了解AI的發展進步，並決定他們應該投入多少注意力，以及把注意力放在哪裡。測量工作可以幫助做出這樣的決定。」論文研究指出，研究者觀察到硬體和算法的效率在有意義的範圍內提高了一倍，這表明，一個好的AI進展模型應該整合兩者的度量。 -
2019 到目前為止的深度學習研究進展匯總
GCN而來。多層神經網絡在文本、語音和圖像處理等多種任務中取得了很好的效果。https://arxiv.org/abs/1808.03578v29.Lingvo:一種用於序列模型的模塊化和可伸縮框架( Lingvo: a Modular and Scalable Framework for Sequence-to-Sequence Modeling)Lingvo是一個Tensorflow框架，為深度學習研究尤其是序列化模型提供了一個完整的解決方案 -
CVPR2017精彩論文解讀:直接處理三維點雲的深度學習模型
與圖像感知領域深度學習幾乎一統天下不同，針對無序點雲數據的深度學習方法研究則進展緩慢。分析其背後的原因，不外乎三個方面：1.點雲具有無序性。受採集設備以及坐標系影響，同一個物體使用不同的設備或者位置掃描，三維點的排列順序千差萬別，這樣的數據很難直接通過End2End的模型處理。 -
夏日專刊AI產品上新升級集錦,50餘項軟硬能力加速場景落地
fbx 文件，配合自定義設計模板，以實現擬人、卡通、動漫等多樣的風格建模效果，解決批量個性化建模問題。>>查看詳情ai.baidu.com/tech/nlp_apply/address飛槳 PaddlePaddle 開源深度學習平臺、零門檻AI 開發平臺 EasyDL、AI 學習與實訓社區 AI Studio 發布多項升級。 -
Paddle2ONNX最新升級:飛槳模型全面支持ONNX格式啦!
簡而言之，ONNX 相當於是一套統一的深度學習模型格式。基於這一套統一的格式，很多廠商的硬體和軟體天然支持運行 ONNX 格式的模型。其中，目標檢測模型套件推出產業實踐最優模型 PP-YOLO，性能和精度都超過原生的 YOLO-V4；在文字識別方向，PP-OCR 在2020年一經開源，便吸引了大量開發者使用，多次登陸 GitHub 技術趨勢榜；另外，在多個國際權威語義評測中獲得冠軍的預訓練模型 ERNIE，也升級至2.0。飛槳進步，永不止步。為了幫助開發同學解決部署環境難題，飛槳也在不斷探索。