Hitachi r e 6800 xu x: Холодильник Hitachi R-E 6800 XU X

Содержание

Отзывы Холодильник многодверный Hitachi R-E 6800 XU X

Серия модели

Дизайнерская коллекцияОтделка под стекло

Габаритные размеры

Габаритные размеры (В*Ш*Г)183.3*82.5*72.8 см

Объем

Общий объем537 л
Объем холодильной камеры317 л
Объем камеры для овощей87 л
Объем настраиваемой камеры6 л
Объем зоны свежести16 л
Объем морозильной камеры111 л
Количество камер5
Расположение мороз.камерынижнее

Компрессор

Количество компрессоров1
Тип компрессораинверторный

Уровень шума

Уровень шума41 дБ

Система размораживания

Разм. холод. камерыавтомат.(No Frost)
Разм. мороз. камерыавтомат.(No Frost)
Система No Frostв холодильном и морозильном отделении

Класс энергопотребления

Класс энергоэффективностиA++
Энергопотребление в год305 кВтч

Климатический класс

Климатический классST

Замораживание

Мощность замораживания9.2 кг/сутки

Управление

Тип управлениясенсорный

Освещение

Тип освещениясветодиодное

Функции

ЛёдогенераторДа
Режим суперзамораживанияДа
Режим суперохлажденияДа
Режим “приготовление льда”Да
Режим энергосбереженияДа
Режим “отпуск”Да
Автоматика выдвижения ящиковДа

Индикация

Тип дисплеясенсорный
Индикация режима работыДа

Системы безопасности

Свет. сиг. повышения темп.Да
Звук.сиг. повышения темп.Да
Свет.сиг. двери холод.к-рыДа
Звук.сиг. двери холод.к-рыДа
Свет.сиг. двери мороз.к-рыДа
Звук.сиг. двери мороз.к-рыДа
Хранение при откл. питания18 ч

Полки холодильной камеры

Полок в холодильной камере5
Складных полок1
Материал полокстекло
Полок на двери хол. камеры7

Вакуумное отделение

Вакуумное отделениеДа
Ящиков в вакуумном отделении1

Настраиваемая камера

Выдвижная настр. камераДа
Режимы работы настр. камеры2
Режим “легкая заморозка”Да
Режим “полное замораживание”Да
Режим “быстрое охлаждение”Да

Отделение для овощей

Выдвижное отд. для овощейДа

Зона сохранения свежести

Зона сохранения свежестинастраиваемая
Регул. темп. в зоне сохр. свежестиДа
Отделений в зоне сохр. свежести1
Ящиков в зоне сохр. свежести3
Телеск.направляющ.ящиков зоны свежестиДа

Отделения в морозильной камере

Выдвижная мороз. камераДа
Отделений в мороз. камере1
Ящиков в мороз. камере3
Полок на двери мороз. камеры1
Контейнер для льдаДа

Внутреннее оснащение

Очистка воздухаантибактериальный фильтр
Вентилятор для распр. темп.Да
Фильтр очистки водыДа

Дверь

Внеш. покрытие дверистекло
Защит. покрытие от отпеч. пальцевДа
Количество дверей6
Авт. доводчик дверцы морозильной камерыДа
Открытие дверцысенсорное

Комплектация

Поднос для замораживанияДа
Лоток для яицДа

Цвет и вес

Цвет“зеркальный”
Вес137 кг

Основные характеристики

Гарантия1 год
СтранаЯпония
Высота183.3 см
Ширина82.5 см
Глубина72.8 см

Служебная информация

Базовый цветЦветной

HITACHI R-E 6800 XU X. Честные отзывы. Лучшие цены.

На этой странице вы найдёте описание, продавцов и цены, чтобы купить дешевле, видеообзоры и отзывы владельцев о холодильнике HITACHI R-E 6800 XU X. И можете оставить свой отзыв о модели в комментариях внизу страницы.

Быстрый Переход к Нужному Месту:

Технические характеристики

Общий объем537 л
Объем холодильной камеры317 л
Объем камеры для овощей87 л
Объем зоны свежести16 л
Объем настраиваемой камеры6 л
Объем морозильной камеры111 л
Расположение мороз.камерынижнее
Количество камер5
Тип компрессораинверторный
Количество компрессоров1
Защитное покрытие от отпечатков пальцевДа
Открытие дверцысенсорное
Максимальный уровень шума41 дБ
Разм. холод. камерыавтомат.(No Frost)
Разм. мороз. камерыавтомат.(No Frost)
Система No Frostв холодильном и морозильном отделении
Класс энергоэффективностиA++
Энергопотребление в год305 кВтч
Климатический классST
Мощность замораживания9. 2 кг/сутки
Тип управлениясенсорный
Тип освещениясветодиодное
ЛёдогенераторДа
Автоматика выдвижения ящиковДа
Очистка воздухаантибактериальный фильтр
Режим суперзамораживанияДа
Режим суперохлажденияДа
Режим «приготовление льда»Да
Режим «отпуск»Да
Режимы работы настр. камеры2
Режим «легкая заморозка»Да
Режим «полное замораживание»Да
Режим «быстрое охлаждение»Да
Режим энергосбереженияДа
Тип дисплеясенсорный
Индикация режима работыДа
Свет.сиг. повышения темп.Да
Хранение при откл. питания18 ч
Звук.сиг. повышения темп.Да
Свет.сиг. двери холод.к-рыДа
Звук.сиг. двери холод.к-рыДа
Свет.сиг. двери мороз.к-рыДа
Звук.сиг. двери мороз.к-рыДа
Полок в холодильной камере5
Полок на двери хол. камеры7
Складных полок1
Материал полокстекло
Зона сохранения свежестинастраиваемая
Регул. темп. в зоне сохр. свежестиДа
Отделений в зоне сохр. свежести1
Ящиков в зоне сохр. свежести3
Телеск.направляющ.ящиков зоны свежестиДа
Вакуумное отделениеДа
Ящиков в вакуумном отделении1
Выдвижная настр. камераДа
Отделений в мороз. камере1
Ящиков в мороз. камере3
Полок на двери мороз. камеры1
Вентилятор для распр. темп.Да
Выдвижное отд. для овощейДа
Выдвижная мороз. камераДа
Контейнер для льдаДа
Количество дверей6
Внеш. покрытие дверистекло
Авт. доводчик дверцы морозильной камерыДа
Поднос для замораживанияДа
Лоток для яицДа
Фильтр очистки водыДа
Цвет«зеркальный»
Вес137 кг
Габаритные размеры (В*Ш*Г)183.3*82.5*72.8 см
Глубина72.8 см
СтранаЯпония
Гарантия1 год
Дизайнерская коллекцияОтделка под стекло
Срок службы7 лет

Холодильник Hitachi R-E 6800 XU X оснащён вакуумной камерой, гарантирующей длительное сохранение свежести овощей и фруктов. Кроме того, в нём имеется специальная ёмкость с температурой, близкой к нулю, которая отлично подходит для мяса и рыбы. Противоокислительный катализатор, расположенный в ней, значительно увеличивает срок хранения таких продуктов.
МАКСИМАЛЬНОЕ УДОБСТВО
В устройстве предусмотрена система автоматического выдвижения ящиков с сенсорным управлением. Она значительно облегчает доступ к нужному отделению — в особенности, если оно заполнено.
ПРОДОЛЖИТЕЛЬНОЕ ХРАНЕНИЕ
Пользователю не придётся беспокоиться о быстрой порче продуктов. Холодильник оборудован системой вентиляции с многоступенчатым фильтром, который помогает бороться с вредоносными микроорганизмами и устранять неприятные запахи.
ДОПОЛНИТЕЛЬНАЯ ФУНКЦИЯ
Встроенный лёдогенератор дополнен фильтром тонкой очистки, помогающим удалять вредные вещества из воды. Он помогает быстро получить аккуратные ледяные кубики, подходящие для приготовления коктейлей и охлаждения горячих напитков.
ЭКОНОМИЧНОСТЬ
Холодильник укомплектован инверторным компрессором, который позволяет ему расходовать мало электроэнергии, несмотря на большой объём. Уровень его годового энергопотребления составляет 305 кВт·ч, что соответствует классу А+.
О БРЕНДЕ
Мир вокруг нас беспрестанно развивается. Вместе с ним меняется и наша жизнь. Инженеры и дизайнеры Hitachi пристально следят за этими изменениями, внедряя всё новые и новые технологии в свои произведения – бытовую технику. Компания активно использует в своей работе искусственный интеллект, что нашло явное отражение в функциональности её приборов.


Видео


Отзывы и обзоры

Смотрите видео (выше) и обзоры (ниже), они часто лучше текстовых отзывов. Прочитать больше отзывов или оставить свой вы можете в комментариях к этой странице. Спасибо за ваш отзыв или оценку!

Олег

Холодильник хороший. Работает без проблем, морозит как надо, места нам тоже на все хватает. Почти год как купили и ни разу не пожалели о своем выборе.

Оцените эту модель:

Рейтинг модели: 4.7 / 5. Количество оценок: 11

Цены и продавцы

⬆️Все цены и скидки

Повышение эффективности автоматического обнаружения COVID-19 с самоконтролируемым обучением и группированием знаний

1. Андерсен К.Г., Рамбо А., Липкин В.И., Холмс Э.К., Гарри Р.Ф. Проксимальное происхождение SARS-CoV-2. Природа Мед. 2020;26(4):450–452. [PMC free article] [PubMed] [Google Scholar]

2. Пуджадас Э., Ибех Н., Эрнандес М.М., Валушко А., Сидоренко Т., Флорес В., Шиффрин Б., Чиу Н., Янг-Франсуа А., Новак М.Д. и соавт. Сравнение обнаружения SARS-CoV-2 в образцах мазка из носоглотки с помощью теста Roche cobas 6800 SARS-CoV-2 и разработанного в лаборатории теста ОТ-ПЦР в реальном времени. Дж. Мед. Вирол. 2020;92 (9): 1695–1698. [Бесплатная статья PMC] [PubMed] [Google Scholar]

3. Драме М., Тегуо М.Т., Пройе Э., Хеке Ф., Хенцин М., Канагаратнам Л., Годарт Л. Следует ли считать ОТ-ПЦР золотым стандарт в диагностике Covid-19? Дж. Мед. Вирол. 2020 [Google Scholar]

4. Li Q., ​​Wang H., Li X., Zheng Y., Wei Y., Zhang P., Ding Q., Lin J., Tang S., Zhao Y. и др. др. Роль традиционной китайской медицины в профилактике и лечении COVID-19 в Китае. Передний. Мед. 2020;14(5):681–688. [Бесплатная статья PMC] [PubMed] [Google Scholar]

5. Рубин Г.Д., Райерсон С.Дж., Харамати Л.Б., Сверзеллати Н., Канне Дж.П., Рауф С., Шлюгер Н.В., Вольпи А., Йим Дж.-Дж., Мартин И.Б. и др. Роль визуализации органов грудной клетки в лечении пациентов во время пандемии COVID-19: многонациональное согласованное заявление общества Флейшнера. Радиология. 2020;296(1):172–180. [Бесплатная статья PMC] [PubMed] [Google Scholar]

6. Shi H., Han X., Jiang N., Cao Y., Alwalid O., Gu J. , Fan Y., Zheng C. Рентгенологические данные от 81 пациент с COVID-19пневмония в Ухане, Китай: описательное исследование. Ланцет Инфекция. Дис. 2020;20(4):425–434. [Бесплатная статья PMC] [PubMed] [Google Scholar]

7. Chen Y., Lin Y., Xu X., Ding J., Li C., Zeng Y., Liu W., Xie W., Huang J. , Классификация легких, инфицированных COVID-19, на основе изображений Inception-ResNet. вычисл. Методы Программы Биомед. 2022;225 [Google Scholar]

8. Шойби А., Ходатарс М., Ализадехсани Р., Гассеми Н., Джафари М., Моридиан П., Хадем А., Садеги Д., Хуссейн С., Заре А. , и другие. 2020. Автоматизированное обнаружение и прогнозирование covid-19с использованием методов глубокого обучения: обзор. Препринт arXiv arXiv: 2007.10785. [Google Scholar]

9. Chaddad A., Hassan L., Desrosiers C. Глубокий радиомикологический анализ для прогнозирования коронавирусной болезни 2019 года по компьютерной томографии и рентгеновским снимкам. IEEE транс. Нейронная сеть. Учиться. Сист. 2021;33(1):3–11. [Google Scholar]

10. Кумар С., Чаубе М.К., Алсамхи С.Х., Гупта С.К., Гуизани М., Гравина Р., Фортино Г. Новая мультимодальная система слияния для ранней диагностики и точной классификации COVID-19пациентов с использованием рентгеновских изображений и методов обработки речевого сигнала. вычисл. Методы Программы Биомед. 2022;226 [Google Scholar]

11. Гулакала Р., Маркерт Б., Стоффель М. Быстрая диагностика инфекций Covid-19 с помощью постоянно растущей оптимизации GAN и CNN. вычисл. Методы Программы Биомед. 2022 [Google Scholar]

12. Minaee S., Kafieh R., Sonka M., Yazdani S., Soufi G.J. Deep-covid: прогнозирование covid-19 по рентгеновским снимкам грудной клетки с использованием глубокого трансферного обучения. Мед. Анальный образ. 2020;65 [Google Академия]

13. К. Хе, С. Чжан, С. Рен, Дж. Сун, Глубокое остаточное обучение для распознавания изображений, в: Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов, CVPR, 2016, стр. 770 –778.

14. Ф.Н. Яндола, С. Хан, М. В. Москевич, К. Ашраф, В. Дж. Далли, К. Койцер, SqueezeNet: точность на уровне AlexNet с в 50 раз меньшим количеством параметров и размером модели ¡ 0,5 МБ, в: Proceedings of the International Conference on Learning Representations, ICLR, 2018. С. 1–13.

15. Г. Хуан, З. Лю, Л. Ван Дер Маатен, К.К. Вайнбергер, Плотно связанные сверточные сети, в материалах конференции IEEE/CVF по компьютерному зрению и распознаванию образов, CVPR, 2017, стр. 4700–4708.

16. Исмаэль А.М., Шенгюр А. Подходы глубокого обучения для обнаружения COVID-19 на основе рентгенограмм грудной клетки. Эксперт Сист. заявл. 2021;164 [Google Scholar]

17. Г. Ли, Р. Того, Т. Огава, М. Хасейама, Самоконтролируемое обучение на основе дистилляции самопознания для обнаружения covid-19 на рентгенограммах грудной клетки, в: Материалы Международной конференции IEEE по акустике, обработке речи и сигналов, ICASSP, 2022 г., стр. 1371–1375.

18. Субраманиан Н., Эльхаррусс О. , Аль-Маадид С., Чоудхури М. Обзор методов обнаружения COVID-19, основанных на глубоком обучении.. вычисл. биол. Мед. 2022 [Google Scholar]

19. Мохаммед М.А., Аль-Хатиб Б., Юсиф М., Мостафа С.А., Кадри С., Абдулкарим К.Х., Гарсия-Запираин Б. Новый алгоритм оптимизации вороньего роя и подход к выбору для оптимального глубокого обучения COVID -19 диагностическая модель. вычисл. Интел. Неврологи. 2022;2022 [Google Scholar]

20. Rahaman M.M., Li C., Yao Y., Kulwa F., Rahman M.A., Wang Q., Qi S., Kong F., Zhu X., Zhao X. Identification of the Образцы COVID-19 из рентгеновских изображений грудной клетки с использованием глубокого обучения: сравнение подходов к трансфертному обучению. J. X-Ray Sci. Технол. 2020; 28(5):821–839. [Google Scholar]

21. Тареш М.М., Чжу Н., Али Т.А.А., Хамид А.С., Мутар М.Л. Перенос обучения для автоматического обнаружения covid-19 по рентгеновским изображениям с использованием сверточных нейронных сетей. Междунар. Дж. Биомед. Визуализация. 2021;2021 [Google Scholar]

22. Jin W., Dong S., Dong C., Ye X. Модель гибридного ансамбля для дифференциальной диагностики COVID-19 и обычной вирусной пневмонии с помощью рентгенографии грудной клетки. вычисл. биол. Мед. 2021;131 [Google Scholar]

23. Ибрагим А.У., Озсоз М., Серте С., Аль-Турджман Ф., Якои П.С. Классификация пневмонии с использованием глубокого обучения на рентгеновских снимках грудной клетки во время COVID-19. Познан. вычисл. 2021: 1–13. [Google Scholar]

24. Умар Ибрагим А., Озсоз М., Серте С., Аль-Турджман Ф., Хабиб Колапо С. Сверточная нейронная сеть для диагностики вирусной пневмонии и заболеваний, сходных с COVID-19. Эксперт Сист. 2022;39(10) [Google Scholar]

25. Наги А.Т., Аван М.Дж., Мохаммед М.А., Махмуд А., Маджумдар А., Тиннукул О. Анализ эффективности диагностики COVID-19 с использованием пользовательских и современных методов диагностики. художественные модели глубокого обучения. заявл. науч. 2022;12(13):6364. [Академия Google]

26. А. Крижевский, И. Суцкевер, Г. Е. Хинтон, Классификация Imagenet с глубокими свёрточными нейронными сетями, в: Proceedings of the Advances in Neural Information Processing Systems, NeurIPS, 2012, стр. 1097–1105.

27. К. Симонян, А. Зиссерман, Очень глубокие сверточные сети для крупномасштабного распознавания изображений, в: Материалы Международной конференции по обучающим представлениям, ICLR, 2015, стр. 1–14.

28. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Переосмысление исходной архитектуры компьютерного зрения. Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов; ЦВПР; 2016. С. 2818–2826. [Академия Google]

29. Раджпуркар П., Ирвин Дж., Чжу К., Ян Б., Мехта Х., Дуан Т., Динг Д., Багул А., Ланглотц К., Шпанская К. и соавт. 2017. Chexnet: Обнаружение пневмонии на уровне рентгенолога на рентгенограммах грудной клетки с помощью глубокого обучения. Препринт arXiv arXiv: 1711.05225. [Google Scholar]

30. M. Tan, B. Chen, R. Pang, V. Vasudevan, M. Sandler, A. Howard, Q.V. Ле, Мнаснет: поиск нейронной архитектуры с учетом платформы для мобильных устройств, в материалах конференции IEEE/CVF по компьютерному зрению и распознаванию образов, CVPR, 2019 г., стр. 2820–2828.

31. Хасун Дж. Н., Фадель А. Х., Хамид Р. С., Мостафа С. А., Халаф Б. А., Мохаммед М. А., Недома Дж. Метод обнаружения и классификации аномалий COVID-19 на основе контролируемого машинного обучения рентгеновских изображений грудной клетки. Результаты Физ. 2021;31 [Google Scholar]

. Всестороннее исследование методов извлечения и классификации признаков машинного обучения для автоматической диагностики covid-19.на основе рентгеновских снимков. вычисл. Матер. Континуа. 2021;66:3289–3310. [Google Scholar]

33. Гаятри Дж., Абрахам Б., Суджарани М., Наир М.С. Компьютерная диагностическая система для классификации пневмонии COVID-19 и не-COVID-19 на рентгенограммах грудной клетки путем интеграции CNN с разреженным автоэнкодером и нейронной сетью с прямой связью. вычисл. биол. Мед. 2022;141 [Google Scholar]

34. Аслан М.Ф., Сабанджи К., Дурду А., Унлерсен М.Ф. Диагностика COVID-19 с использованием современных функций архитектуры CNN и байесовской оптимизации. вычисл. биол. Мед. 2022 [Google Академия]

35. Мохаммед М.А., Мааши М.С., Ариф М., Наллапанени М.К., Геман О. Интеллектуальные системы и вычислительные методы в решениях для медицины и здравоохранения с их проблемами во время пандемии COVID-19. Дж. Интелл. Сист. 2021;30(1):976–979. [Google Scholar]

36. Бен-Гур А., Уэстон Дж. Методы интеллектуального анализа данных для наук о жизни. Спрингер; 2010. Руководство пользователя по поддержке векторных машин; стр. 223–239. [Google Scholar]

37. Gou J., Ma H., Ou W., Zeng S., Rao Y., Yang H. Обобщенный классификатор k ближайших соседей на основе среднего расстояния. Эксперт Сист. заявл. 2019;115:356–372. [Google Scholar]

38. Webb G.I., Keogh E., Miikkulainen R. Encyclopedia of Machine Learning, Vol. 15. 2010. Наивный Байес; стр. 713–714. [Google Scholar]

39. Myles A.J., Feudale R.N., Liu Y., Woody N.A., Brown S.D. Введение в моделирование дерева решений. Дж. Чемом. Дж. Чемом. соц. 2004;18(6):275–285. [Google Scholar]

40. Робник-Шиконя М., Кононенко И. Теоретический и эмпирический анализ рельефа и рельефа. Мах. Учиться. 2003;53(1):23–69. [Академия Google]

41. Сюй Дж., Сян Л., Лю К., Гилмор Х., Ву Дж., Тан Дж., Мадабхуши А. Многоуровневый разреженный автоэнкодер (SSAE) для обнаружения ядер на гистопатологических изображениях рака молочной железы. IEEE транс. Мед. Визуализация. 2015;35(1):119–130. [Бесплатная статья PMC] [PubMed] [Google Scholar]

42. Тивари С., Джайн А. Сверточная капсульная сеть для обнаружения COVID-19 с использованием рентгенографических изображений. Междунар. Дж. Система обработки изображений. Технол. 2021;31(2):525–539. [Бесплатная статья PMC] [PubMed] [Google Scholar]

43. Афшар П., Хейдариан С., Надерхани Ф., Ойконому А., Платаниотис К. Н., Мохаммади А. Covid-caps: капсульная сетевая структура для идентификации ковид-19случаев по рентгеновским снимкам. Распознавание образов. лат. 2020; 138: 638–643. [Бесплатная статья PMC] [PubMed] [Google Scholar]

44. Тораман С., Алакус Т.Б., Туркоглу И. Сверточная капсульная сеть: новый подход искусственной нейронной сети для обнаружения болезни COVID-19 по рентгеновским изображениям с использованием капсульных сетей. Фракталы солитонов хаоса. 2020;140 [Google Scholar]

45. Lin Z., He Z., Xie S., Wang X., Tan J., Lu J., Tan B. Aanet: Адаптивная сеть внимания для обнаружения COVID-19 на грудной клетке Рентгеновские снимки. IEEE транс. Нейронная сеть. Учиться. Сист. 2021;32(11):4781–4792. [PubMed] [Google Scholar]

46. Zhang J., Xie Y., Pang G., Liao Z., Verjans J., Li W., Sun Z., He J., Li Y., Shen С. и др. Скрининг вирусной пневмонии на рентгенограммах грудной клетки с использованием достоверного обнаружения аномалий. IEEE транс. Мед. Визуализация. 2020;40(3):879–890. [Google Scholar]

47. Шамси А., Асгарнежад Х., Джокандан С.С., Хосрави А., Кебрия П.М., Нахаванди Д., Нахаванди С., Шринивасан Д. Основанная на неопределенности концепция переноса обучения для covid-19 диагноз. IEEE транс. Нейронная сеть. Учиться. Сист. 2021;32(4):1408–1417. [Бесплатная статья PMC] [PubMed] [Google Scholar]

48. Донг С., Ян К., Фу Ю., Тянь М., Чжо К. Rconet: максимизация деформируемой взаимной информации и обучение с учетом неопределенности высокого порядка для надежного обнаружения covid-19. IEEE транс. Нейронная сеть. Учиться. Сист. 2021;32(8):3401–3411. [Бесплатная статья PMC] [PubMed] [Google Scholar]

49. Liu X., Zhang F., Hou Z., Mian L., Wang Z., Zhang J., Tang J. Самоконтролируемое обучение: генеративное или контрастный. IEEE транс. Знай. Инж. данных 2021 [Google Scholar]

50. Миндерер М., Бахем О., Хоулсби Н., Чаннен М. Международная конференция по машинному обучению. ПМЛР; 2020. Автоматическое удаление ярлыков для самостоятельного обучения представлению; стр. 6927–6937. [Google Scholar]

51. Дерш К., Гупта А., Эфрос А.А. Неконтролируемое обучение визуальному представлению путем прогнозирования контекста. Материалы Международной конференции IEEE/CVF по компьютерному зрению; ИКЦВ; 2015. С. 1422–1430. [Google Scholar]

52. М. Норузи, П. Фаваро, Неконтролируемое изучение визуальных представлений путем решения головоломок, в: Труды Европейской конференции по компьютерному зрению, ECCV, 2016, стр. 69–84.

53. Т. Чен, С. Корнблит, М. Норузи, Г. Хинтон, Простая структура для контрастного обучения визуальным представлениям, в: Труды Международной конференции по машинному обучению, ICML, 2020, стр. 1597–1607.

54. Ж.-Б. Гриль, Ф. Страб, Ф. Альче, К. Таллек, П. Ришемон, Э. Бучацкая, К. Дёрш, Б. Авила Пирес, З. Гуо, М. Гешлаги Азар и др., Запустите свой собственный латентный новый подход к самоконтролируемому обучению, в: Proceedings of the Advances in Neural Information Processing Systems, NeurIPS, 2020, стр. 21271–21284.

55. X. Чен, К. Хе, Изучение простого сиамского репрезентативного обучения, в материалах конференции IEEE по компьютерному зрению и распознаванию образов, CVPR, 2021, стр. 15750–15758.

56. Тянь Ю., Ю Л., Чен С., Гангули С. 2020. Понимание самоконтролируемого обучения с двойными глубокими сетями. Препринт arXiv arXiv: 2010.00578. [Google Scholar]

57. O. Pantazis, G.J. Бростоу, К.Е. Джонс, О. Мак Аодха, Сосредоточьтесь на положительных моментах: обучение с самоконтролем для мониторинга биоразнообразия, в: Труды Международной конференции IEEE/CVF по компьютерному зрению, ICCV, 2021, стр. 10583–10592.

58. З. Чжоу, В. Содха, М.М.Р. Сиддики, Р. Фенг, Н. Тайбахш, М.Б. Готвей, Дж. Лян, Генезис моделей: общие автодидактические модели для анализа трехмерных медицинских изображений, в: Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам, MICCAI, 2019 г., стр. 384–393.

59. Азизи С., Мустафа Б., Райан Ф., Бивер З. , Фрейберг Дж., Дитон Дж., Лох А., Картикесалингам А., Корнблит С., Чен Т. и др. 2021. Большие модели с самостоятельным наблюдением совершенствуют классификацию медицинских изображений. Препринт arXiv arXiv: 2101.05224. [Google Scholar]

60. Хинтон Г., Виньялс О., Дин Дж. 2015. Извлечение знаний в нейронной сети. Препринт arXiv arXiv: 1503.02531. [Google Scholar]

61. Гоу Дж., Ю Б., Мэйбэнк С.Дж., Тао Д. Дистилляция знаний: опрос. Междунар. Дж. Вычисл. Вис. 2021;129: 1789–1819. [Google Scholar]

62. Тарвайнен А., Валпола Х. Подлые учителя — лучшие образцы для подражания: усредненные целевые показатели согласованности улучшают результаты глубокого обучения с полуучителем. Труды достижений в области нейронных систем обработки информации; НейриПС; 2017. С. 1–10. [Google Scholar]

63. K. He, H. Fan, Y. Wu, S. Xie, R. Girshick, Контраст Momentum для обучения визуальному представлению без учителя, в: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern. Признание, ЦВПР, 2020, стр. 9729–9738.

64. Рахман Т., Хандакар А., Киблави Ю., Тахир А., Кираньяз С., Кашем С.Б.А., Ислам М.Т., Аль Маадид С., Зугайер С.М., Хан М.С. и др. Изучение влияния методов улучшения изображения на обнаружение COVID-19 с использованием рентгеновских изображений грудной клетки. вычисл. биол. Мед. 2021;132 [Google Scholar]

65. Ли Г., Того Р., Огава Т., Хасейама М. 2021. Самостоятельное обучение обнаружению гастрита с помощью рентгенографии желудка. Препринт arXiv arXiv: 2104.02864. [Академия Google]

66. Ли Г., Того Р., Огава Т., Хасейама М. Обнаружение COVID-19 на основе самоконтролируемого трансферного обучения с использованием рентгенограмм грудной клетки. Международный журнал компьютерной радиологии и хирургии. 2022: 1–8. [PubMed] [Google Scholar]

67. Мисра И., Маатен Л.в.д. Самоконтролируемое обучение претекст-инвариантным представлениям. Материалы конференции IEEE/CVF по компьютерному зрению и распознаванию образов; ЦВПР; 2020. стр. 6707–6717. [Google Scholar]

68. Досовицкий А., Бейер Л., Колесников А., Вайссенборн Д., Чжай Х., Унтертинер Т., Дегани М., Миндерер М., Хейгольд Г., Гелли С., Ушкорейт Дж. ., Хоулсби Н. ICLR. 2021. Изображение стоит 16х16 слов: Трансформеры для распознавания изображений в масштабе; стр. 1–21. [Академия Google]

69. Ли Г., Того Р., Огава Т., Хасейама М. 2022. RGMIM: Моделирование маскированных изображений с ориентацией по регионам для обнаружения COVID-19. Препринт arXiv arXiv: 2211.00313. [Google Scholar]

70. К. Хе, X. Чен, С. Се, Ю. Ли, П. Доллар, Р. Гиршик, Маскированные автоэнкодеры — это масштабируемые обучающиеся по зрению, в: CVPR, 2022, стр. 16000–16009. .

71. Алхаласе Ю.Н., Эльшабрави Х.А., Эрашди М., Шахаит М., Абу-Хумдан А.М., Аль-Хусейни М. Распределение «уже» ограниченных медицинских ресурсов в условиях COVID-19пандемия, повторяющаяся этическая встреча, включающая предлагаемые решения из реальной жизни. Передний. Мед. 2021;7:1076. [Google Scholar]

72. Циммерер Д., Исенси Ф., Петерсен Дж., Коль С., Майер-Хайн К. Неконтролируемая локализация аномалии с использованием вариационных автокодировщиков. Международная конференция по обработке медицинских изображений и компьютерному вмешательству; МИККАИ; Спрингер; 2019. С. 289–297. [Google Scholar]

73. Нарин А., Кая С., Памук З. Автоматическое определение коронавирусной болезни (covid-19) с использованием рентгеновских изображений и глубоких сверточных нейронных сетей. Анальный узор. заявл. 2021;24:1207–1220. [Бесплатная статья PMC] [PubMed] [Google Scholar]

74. Вахид А., Гоял М., Гупта Д., Ханна А., Аль-Турджман Ф., Пинейро П.Р. Ковидган: увеличение данных с использованием вспомогательного классификатора для улучшения обнаружение ковид-19. IEEE-доступ. 2020; 8: 91916–91923. [Бесплатная статья PMC] [PubMed] [Google Scholar]

75. Озтюрк Т., Тало М., Йылдырым Э.А., Балоглу У.Б., Йылдырым О., Ачарья У.Р. Автоматическое обнаружение COVID-19случаях с использованием глубоких нейронных сетей с рентгеновскими изображениями. вычисл. биол. Мед. 2020;121 [Google Scholar]

76. Zhang R., Guo Z., Sun Y., Lu Q., Xu Z., Yao Z., Duan M., Liu S., Ren Y., Huang L. , и другие. COVID19 XrayNet: двухэтапная модель обучения для решения проблемы обнаружения COVID-19, основанная на ограниченном количестве рентгенограмм грудной клетки. междисциплинарный науч. вычисл. Жизнь наук. 2020;12:555–565. [Google Scholar]

77. Toğaçar M., Ergen B., Cömert Z. Обнаружение COVID-19 с использованием моделей глубокого обучения для использования оптимизации социальной имитации и структурированных рентгеновских изображений грудной клетки с использованием подходов нечеткого цвета и наложения. вычисл. биол. Мед. 2020;121 [Google Академия]

78. Джанчандани Н., Джайсвал А., Сингх Д., Кумар В., Каур М. Быстрая диагностика COVID-19 с использованием ансамблевых моделей глубокого переноса обучения по рентгенографическим изображениям грудной клетки. Дж. Окружающий интеллект. гуманиз. вычисл. 2020: 1–13. [Google Scholar]

79. Ван Л., Лин З.К., Вонг А. Covid-net: адаптированный дизайн глубокой сверточной нейронной сети для обнаружения случаев COVID-19 по рентгенограммам грудной клетки. науч. Отчет 2020; 10 (1): 1–12. [Бесплатная статья PMC] [PubMed] [Google Scholar]

80. Гоур М., Джайн С. Сверточная нейронная сеть с учетом неопределенности для COVID-19Классификация рентгеновских снимков. вычисл. биол. Мед. 2022;140 [Google Scholar]

81. Бхаттачарья С., Маддикунта П.К.Р., Фам К.-В., Гадекаллу Т.Р., Чоудхари С.Л., Алазаб М., Пиран М.Дж. и др. Глубокое обучение и обработка медицинских изображений при пандемии коронавируса (COVID-19): опрос. Устойчивые города Soc. 2021;65 [Google Scholar]

82. Феки И., Аммар С., Кессентини Ю., Мухаммад К. Федеративное обучение скринингу на COVID-19 по рентгенограммам грудной клетки. заявл. Мягкий компьютер. 2021;106 [Google Академия]

83. Dou Q., So T.Y., Jiang M., Liu Q., Vardhanabhuti V., Kaissis G., Li Z., Si W., Lee H.H., Yu K., et al. Объединенное глубокое обучение для выявления аномалий легких при COVID-19 при КТ: многонациональное проверочное исследование с сохранением конфиденциальности. цифра НПЖ. Мед. 2021;4(1):1–11. [Бесплатная статья PMC] [PubMed] [Google Scholar]

84. Peiffer-Smadja N., Maatoug R., Lescure F.-X., D’ortenzio E., Pineau J., King J.-R. Машинное обучение для борьбы с COVID-19 требует глобального сотрудничества и обмена данными. Нац. Мах. Интел. 2020;2(6):293–294. [Google Scholar]

85. Латиф С., Усман М., Манзур С., Икбал В., Кадир Дж., Тайсон Г., Кастро И., Рази А., Булос М.Н.К., Веллер А. и др. Использование науки о данных для борьбы с covid-19: всесторонний обзор. IEEE транс. Артиф. Интел. 2020;1(1):85–103. [Google Scholar]

86. Z. Liu, Y. Lin, Y. Cao, H. Hu, Y. Wei, Z. Zhang, S. Lin, B. Guo, Swin Transformer: Преобразователь иерархического зрения с использованием сдвинутых окон, в: Материалы Международной конференции IEEE/CVF по компьютерному зрению, 2021 г., стр. 10012–10022.

87. С. Мехта, М. Растегари, Mobilevit: легкий, универсальный и удобный для мобильных устройств преобразователь зрения, в: Материалы Международной конференции по обучающим представлениям, ICLR, 2022, стр. 1–26.

88. Y. Li, G. Yuan, Y. Wen, E. Hu, G. Evangelidis, S. Tulyakov, Y. Wang, J. Ren, EfficientFormer: Vision Transformers at MobileNet Speed, in: Proceedings of the Advances в системах обработки нейронной информации, NeurIPS, 2022, стр. 1–19.

89. Губайш А., Салман Т., Золанвари М., Унал Д., Аль-Али А., Джайн Р. Последние достижения в области безопасности систем Интернета медицинских вещей (IoMT). IEEE Internet Things J. 2020;8(11):8707–8718. [Академия Google]

90. Дхар Т., Дей Н., Борра С., Шеррат Р.С. Проблемы глубокого обучения в анализе медицинских изображений — повышение объяснимости и доверия. IEEE транс. Технол. соц. 2023 [Google Scholar]

91. G. Li, R. Togo, T. Ogawa, M. Haseyama, Soft-Label Anonymous Gastric X-Ray Distillation, in: Proceedings of the IEEE International Conference on Image Processing, ICIP, 2020, стр. 305–309.

92. Ли Г., Того Р., Огава Т., Хасейама М. Генерация сжатых изображений желудка на основе дистилляции набора данных с программной меткой для обмена медицинскими данными. вычисл. Методы Программы Биомед. 2022;227 [Google Академия]

93. Ли Г., Того Р., Огава Т., Хасейама М. 2022. Дистилляция набора данных с использованием сокращения параметров. Препринт arXiv arXiv: 2209.14609. [Google Scholar]

94. Г. Ли, Р. Того, Т. Огава, М. Хасейама, Дистилляция набора данных для обмена наборами медицинских данных, в: Труды конференции AAAI по искусственному интеллекту (AAAI), Workshop, 2023, стр. 1–6.

Сравнение 8-битных процессоров | Big Mess o’ Wires

Набор инструкций BMOW был близким родственником 6502, поэтому, когда я начал работать с процессором CPLD, я изначально намеревался попробовать что-то другое. Я посмотрел на Intel 8008 и 8080, Zilog Z80 и Motorola 6800 и 6809., которые были популярными 8-битными процессорами в 1970-х и 80-х годах. Изучив архитектуру всех этих различных процессоров, я решил, что 6502 по-прежнему является лучшим выбором для использования в качестве модели, потому что я считаю, что его можно реализовать с минимальными ресурсами CPLD.

Сравнения между процессорами были очень интересными. Ключевые различия между этими ранними 8-битными процессорами сводились к четырем основным областям: количество регистров данных, поддержка 16-битных инструкций, адресные регистры, индексированная адресация.

Количество регистров данных

Больше регистров почти всегда лучше, за исключением случаев, когда вам не хватает логических ресурсов в крошечном CPLD. Хотя 6502 имеет три 8-битных регистра A, X и Y, я планирую включить только A и X в набор инструкций ЦП CPLD.

8-битные регистры данных ЦП:

  • 8008 – 7, ABCDEHL
  • 8080 – 7, АБКДЭХЛ
  • Z80 – 7, АБКДЭХЛ
  • 6800 – 2, АБ
  • 6809 – 2, АБ
  • 6502 – 3, АКСИ

16-разрядные расширения

Хотя все процессоры этой группы имеют 8-разрядную конструкцию, некоторые поддерживают также ограниченное количество 16-разрядных операций. Это очень удобно для программиста, но любая 16-битная операция также может быть выполнена как серия 8-битных операций, поэтому разница заключается в скорости, а не в возможностях.

CPU 16-бит Поддержка:

  • 8008 – нет
  • 8080 — BC, DE, HL могут быть объединены в 16-битные регистры. Они поддерживают загрузку/сохранение 16-битных значений и увеличение/уменьшение. Сложение/вычитание 16-битных регистров поддерживается, когда HL используется в качестве аккумулятора.
  • Z80 — то же, что и 8080, с некоторой дополнительной гибкостью поддерживаемых операций.
  • 6800 – нет
  • 6809 — AB можно объединить в 16-битный регистр D. Он поддерживает загрузку/сохранение 16-битных значений, а также сложение/вычитание/сравнение с 16-битным значением в памяти.
  • 6502 – нет

Адресные регистры

Большинство современных процессоров хранят адрес в видимом пользователю регистре, а затем используют другие инструкции для управления данными по этому адресу.

Это могут быть регистры, используемые специально для хранения адресов, или регистры данных/адресов общего назначения, но в любом случае размер регистра должен быть не меньше адресного пространства ЦП. Например, у 8008 и 8080 есть регистр M, который может содержать 16-битный адрес. Затем байт может быть извлечен из этого адреса в аккумулятор с помощью инструкции 9.0206 МОВ А,М . Это удобно, потому что вы можете делать такие вещи, как выполнять арифметические действия над M, чтобы построить правильный адрес для значения в структуре.

Другой способ приблизиться к адресам состоит в том, чтобы включить их непосредственно в саму инструкцию. Например, 6502 может получить байт с адреса $0123 в аккумулятор с помощью инструкции LDA $0123 . Это имеет то преимущество, что вам не нужно сначала загружать $0123 в адресный регистр, но это означает, что вы не можете выполнять произвольные арифметические действия с адресом.

ЦП, который поддерживает абсолютные адреса непосредственно в инструкции, должен иметь скрытый регистр временного адреса. Этот адрес в программном коде должен быть где-то загружен, чтобы затем он мог управлять адресной шиной, и адресный регистр, скрытый пользователем, прекрасно отвечает всем требованиям.

В ЦП CPLD и для видимого, и для скрытого пользователем адресного регистра требуется место: одна макроячейка на бит. 10 макроячеек для адресного регистра — это дорого, когда все ваше устройство имеет только 128. Наличие только видимого пользователем адресного регистра создает довольно громоздкий опыт программирования, потому что он исключает использование абсолютных адресов в инструкции и вынуждает программиста вручную загружать адресный регистр перед каждым обращением к памяти. Это то, что делает 8008. Большинство процессоров имеют оба. 6502 уникален в этой группе тем, что имеет только скрытый адресный регистр, а не видимый пользователю. Это снижает некоторую гибкость, но по-прежнему является работоспособным решением и устраняет один большой регистр из CPLD. Режим нулевой страницы 6502 также может превратить первые 256 байтов памяти в 128 псевдоадресных регистров.

ЦП имеет видимый пользователем адресный регистр?

  • 8008 – Да, HL (также называется M). ВСЕ обращения к памяти должны выполняться с этим (без абсолютной адресации). Необходимо загружать L и H отдельно.
  • 8080 – Да, Британская Колумбия, Германия, HL. Можно поменять местами DE<->HL. Также поддерживает абсолютные адреса памяти.
  • Z80 — да, то же, что и 8080. Добавляет некоторую дополнительную гибкость для режимов адресации.
  • 6800 — Да, имеет 16-битный X-регистр. Это работает как адресный регистр при использовании с абсолютным базовым адресом 0. Только ограниченная поддержка арифметики с X. Также поддерживаются абсолютные адреса памяти.
  • 6809 — Да, имеет 16-битные регистры X и Y. В остальном то же, что и 6800.
  • 6502 — Нет. Поддерживает абсолютные адреса памяти и страницу 0 памяти как набор псевдоадресных регистров.

Индексированная адресация

Очень распространенный шаблон в программировании на языке ассемблера — ссылка на ячейку памяти с использованием комбинации базового адреса и смещения. При выполнении какой-либо операции со многими последовательными ячейками памяти это, как правило, быстрее и удобнее, чем изменение базового указателя каждый раз в цикле. Например, 6502 может загрузить байт в аккумулятор по некоторому смещению от адреса $0123 с помощью инструкции 9.0206 LDA $0123,X

. Это берет текущее значение в регистре X, добавляет его к $1023 и использует полученный адрес в качестве местоположения, из которого загружается байт. Вот пример программирования 6502 с использованием индексной адресации для суммирования всех значений в ячейках памяти от $1000 до $100F:


  ldx #$0F ; инициализировать индекс X
  lda #$00 ; регистр A содержит сумму, инициализируется значением 0
  clc ; очистить флаг переноса
- adc $1000,X ; добавить байт из памяти к нарастающей сумме
  dex ; уменьшить индекс X
  bpl - ; если индекс >= 0, перейти к началу цикла и продолжить

Не все эти ранние 8-битные процессоры поддерживали индексную адресацию.