XiaoMi-AI文件搜索系统
World File Search System主干
人工智能的反馈提高了初级内镜医师对胃病变组织学预测的学习
使用人工智能辅助图像分类器对初级内镜医师进行胃病变组织学预测培训的初步效果。方法 在具有五个卷积层和三个完全连接层的卷积神经网络上构建人工智能图像分类器，通过 2,000 个未放大的内镜胃图像训练 Resnet 主干。独立验证集由来自 100 个胃病变的另外 1,000 个内镜图像组成。六名初级内镜医师审查了验证集的第一部分，然后向其中三名（A 组）披露人工智能的预测，而其余三名（B 组）未提供此信息。所有内镜医师都独立审查了验证集的第二部分。结果 AI 的总体准确率为 91.0 %（95 % CI：89.2 – 92.7 %），敏感度为 97.1 %（95 % CI：95.6 – 98.7 %），特异度为 85.9 %（95 % CI：83.0 – 88.4 %），ROC 曲线下面积 (AUROC) 为 0.91（95 % CI：0.89 – 0.93）。在两个验证集中，AI 的准确度和 AUROC 均优于所有初级内镜医师。在第二个验证集中，A 组内镜医师的表现有所提高，但 B 组内镜医师没有提高（准确度为 69.3 % 到 74.7 %；P = 0.003）。结论 训练后的 AI 图像分类器可以准确预测胃病变中是否存在肿瘤成分。人工智能图像分类器的反馈还可以加快初级内窥镜医师预测胃病变组织学的学习曲线。
SFOD：脉冲融合物体探测器 - CVF 开放存取
事件相机具有高时间分辨率、高动态范围、低功耗和高像素带宽等特点，为特殊环境中的物体检测提供了独特的功能。尽管有这些优势，事件数据固有的稀疏性和异步性对现有的物体检测算法提出了挑战。脉冲神经网络 (SNN) 受到人脑编码和处理信息方式的启发，为这些困难提供了潜在的解决方案。然而，在当前的实现中，它们在使用事件相机进行物体检测方面的性能受到限制。在本文中，我们提出了脉冲融合物体检测器 (SFOD)，一种基于 SNN 的简单有效的物体检测方法。具体而言，我们设计了一个脉冲融合模块，首次实现了应用于事件相机的 SNN 中不同尺度特征图的融合。此外，通过整合我们在 NCAR 数据集上对主干网络进行预训练期间进行的分析和实验，我们深入研究了脉冲解码策略和损失函数对模型性能的影响。从而，我们建立了基于 SNN 的当前最佳分类结果，在 NCAR 数据集上实现了 93.7% 的准确率。在 GEN1 检测数据集上的实验结果表明，SFOD 实现了 32.1% 的当前最佳 mAP，优于现有的基于 SNN 的方法。我们的研究不仅强调了 SNN 在事件摄像机物体检测中的潜力，而且推动了 SNN 的发展。代码可在 https://github.com/yimeng-fan/SFOD 获得。
韦斯特波特 - Creative Circle 媒体解决方案
韦斯特波特农贸市场将于 6 月 14 日星期六上午在新址开业，拥有十几家摊位，而且数量还在不断增加。过去几年，该市场一直位于主干道上的 Grange，现在将搬迁至韦斯特波特镇农场，地址为 Drift Road 830 号。“这里非常合适，风景优美，有农场，还有许多摊位和停车位，”农场经理 Steve Connors 说道。“应该会很棒。”农贸市场将在整个季节从上午 8:30 到下午 1 点开放，提供从当地贝类、鲜花、蔬菜到珠宝等各种商品。“将 Westport 农贸市场添加到 Town Farm 是对该地产的农业文化遗产和这个社区如何关爱自己的精神的庆祝，”负责运营 Westport Town Farm 的 Trustees of Reservations 的东南地区主管 John Vasconcellos 说道。Connors 先生表示，此举对市场来说是自然而然的。他说，Grange 很好地承办了这次活动，但组织者面临着停车位和摊位空间短缺的挑战。Connors 先生表示，这两个团体在新地点很好地保持了农贸市场的运转。他说供应商的兴趣一直很强烈——“我一直接到感兴趣的人的电话。”他说，为了名单上的供应商，他们尽量不让太多同类卖家加入。出于某种原因，他说制作肥皂的人对此特别感兴趣——“各种各样的肥皂”。
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
![arXiv:2310.16046v1 [cs.LG] 2023 年 10 月 24 日](/simg/7\705164f248fcc8011f3de675502f5d7209fbaee8.webp)
arXiv:2310.16046v1 [cs.LG] 2023 年 10 月 24 日
我们使用深度学习方法解读神经活动的能力可能会受益于更大的规模，无论是模型大小还是数据集。然而，将许多神经记录整合到一个统一的模型中是一项挑战，因为每个记录都包含来自不同个体动物的不同神经元的活动。在本文中，我们介绍了一个训练框架和架构，旨在模拟跨各种大规模神经记录的神经活动群体动态。我们的方法首先对数据集内的各个尖峰进行标记，以构建神经事件的有效表示，从而捕捉神经活动的精细时间结构。然后，我们使用交叉注意和 PerceiverIO 主干进一步构建神经群体活动的潜在标记。利用这种架构和训练框架，我们构建了一个大规模多会话模型，该模型在来自七种非人类灵长类动物的大型数据集上进行训练，涵盖超过 158 个不同的会话记录，来自超过 27,373 个神经单元和超过 100 小时的记录。在一系列不同的任务中，我们证明了我们的预训练模型可以快速适应新的、未见过的、具有未指定神经元对应的会话，从而以最少的标签实现少量样本的性能。这项工作提出了一种强大的新方法来构建深度学习工具来分析神经数据，并为大规模训练指明了一条清晰的道路。
用于增强全脑分割的曲率引导粗到精框架
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI)，是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道，这些管道虽然准确，但由于其复杂性而耗时且需要专业知识。或者，端到端深度学习方法提供快速的全脑分割，但通常会由于忽略几何特征而牺牲准确性。在本文中，我们提出了一种新颖的框架，将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中，从而实现高精度和高效率。具体而言，我们首先训练一个粗略的解剖分割模型，重点关注高对比度组织类型，即白质 (WM)、灰质 (GM) 和皮层下区域。接下来，我们使用 WM/GM 接口重建皮质表面，并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间，在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程，从而提高了框架的整体效率。此外，我们的框架非常灵活，可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明，与各种深度学习方法相比，分割性能有所提高，速度相当。
韦斯特波特 - 创意圈媒体解决方案
韦斯特波特农贸市场将于 6 月 14 日星期六上午在新址开业，拥有十几家摊位，而且数量还在不断增加。过去几年，该市场一直位于主干道上的 Grange，现在将搬迁至韦斯特波特镇农场，地址为 Drift Road 830 号。“这里非常合适，风景优美，有农场，还有许多摊位和停车位，”农场经理 Steve Connors 说道。“应该会很棒。”农贸市场将在整个季节从上午 8:30 到下午 1 点开放，提供从当地贝类、鲜花、蔬菜到珠宝等各种商品。“将 Westport 农贸市场添加到 Town Farm 是对该地产的农业文化遗产和这个社区如何关爱自己的精神的庆祝，”负责运营 Westport Town Farm 的 Trustees of Reservations 的东南地区主管 John Vasconcellos 说道。Connors 先生表示，此举对市场来说是自然而然的。他说，Grange 很好地承办了这次活动，但组织者面临着停车位和摊位空间短缺的挑战。Connors 先生表示，这两个团体在新地点很好地保持了农贸市场的运转。他说供应商的兴趣一直很强烈——“我一直接到感兴趣的人的电话。”他说，为了名单上的供应商，他们尽量不让太多同类卖家加入。出于某种原因，他说制作肥皂的人对此特别感兴趣——“各种各样的肥皂”。
新西兰：2002 年国防长期发展计划
章节 主题 页码 1.简介 3 2.长期发展计划和国防政策 4-6 3.资金 7-8 4.管理 LTDP 9-10 5.政府原则上批准的项目 11-16 轻型作战车辆 11-12 多用途舰艇 13-14 巡逻舰 15-16 6.避免政策失败所需的项目 17-31 P-3 任务系统升级 17-18 C-130 更换/升级 19-20 C-130/P-3 通信和导航系统升级 21-22 波音 727 更换 23-24 新西兰国防军直升机能力 25-26 特别行动能力 27 联合指挥与控制系统 28-29 Ohakea 跑道重建 30-31 7.为装备精良的陆军提供必要项目 32-42 直接火力支援武器 - 区域 32 中程反装甲武器 33-34 陆地情报监视侦察 (ISR) 35 陆军战术主干通信 36 战斗勤务支援车辆 37-38 陆军工程设备 39-40 陆军在役武器更换 41 超低空防空 42 8.为避免政策出现重大风险而必要项目 43-54 ANZAC 自卫升级 43-44 NZDF 鱼雷更换 45-46 C-130/P-3 自卫 47-48 反舰导弹 49 联合通信现代化50-51 Whenuapai 跑道重建 52 Whenuapai 硬地重建 53 Ohakea 硬地重建 54 9.有好处但对实现政策目标不太重要的项目 55-56
C. richardii 的生物学作为了解植物的工具......
引言 水蕨属 (Ceratopteris) 的分类历史悠久而复杂。它最早由林奈 (Linnaeus) 描述为 Acrostichum 属 (Linnaeus, 1764)，后来布隆尼亚 (Brongniart) (Brongniart, 1821) 将水蕨命名为水蕨 (Ceratopteris)。从那时起，水蕨被归入许多不同的科，属内物种数在 1 到 12 种之间 (Lloyd, 1974)。如今，它被归入蕨科，这是最大的和最具多样性的蕨类植物科之一 (PPG, 2016；图 1)。水蕨属大约有 10 个物种，遍布整个热带地区 (图 2；Masuyama 和 Watano, 2010；Zhang 等, 2020；Yu 等, 2021)。由于形态不一致，这些物种的分类变得困难，需要采用分子方法来重建该属的主干系统发育 ( Adjie 等人，2007 年；Kinosian 等人，2020 年 a)。最近的研究表明，隐蔽种和杂交种在水蕨属中可能相当常见，需要更严格地评估该属物种之间的关系 (例如，Kinosian 等人，2020 年 b)。水蕨属植物最初在 20 世纪 60 年代和 70 年代被开发为蕨类植物的模型系统，主要是因为它易于在实验室中生长并且生命周期短 (图 2 ；Pal 和 Pal，1962 年；Pal 和 Pal，1963 年；Klekowski，
使用说明：
描述 GORE® EXCLUDER® 可适形 AAA 内假体 GORE® EXCLUDER® 可适形 AAA 内假体 (EXCC) 可用于肾下腹主动脉瘤 (AAA) 的血管内治疗。GORE® EXCLUDER® 可适形 AAA 内假体是一个多组件系统，包括躯干同侧腿内假体、对侧腿内假体、用于近端延伸的主动脉延长器内假体和用于远端延伸的髂骨延长器内假体。每个组件的移植物材料均为膨体聚四氟乙烯 (ePTFE) 和氟化乙烯丙烯 (FEP)，由沿其外表面的镍钛诺 (镍钛合金) 丝支撑。镍钛合金锚固件和 ePTFE/FEP 密封套位于主干前端（近端）（图 1A、1B 和 1C），密封套位于主动脉扩展器的前端（近端）（图 4）。所有组件均带有金色不透射线标记，便于观察（图 1、2、4 和 6A）。ePTFE/FEP 套管用于将内置假体限制在输送导管上（图 3A、3B、3C、3D 和 5A）。GORE® EXCLUDER® 可适形 AAA 内置假体的所有组件均采用低渗透性设计，这是唯一可用的设计。GORE® EXCLUDER® 可适形 AAA 内置假体的每个组件如下所述。