XiaoMi-AI文件搜索系统
World File Search System低分辨率
低分辨率面部表达识别的硬样品感知一致性
面部表达识别（FER）在计算机视觉应用中起着关键作用，包括视频不存在和人类计算机的相互作用。尽管FER的进展没有局部进步，但在处理在现实世界情景和数据集中遇到的低分辨率面部图像时，性能仍然会摇摆不定。一致性约束技术引起了人们的关注，以产生强大的卷积神经网络模型，从而通过增强来适应变化，但它们的功效在低分辨率FER的领域中得到了影响。这种性能下降可以归因于网络难以提取表达特征的增强样本。在本文中，我们确定了在考虑各种程度的分辨率时引起过度拟合问题的硬样品，并提出了新颖的硬样品感知一致性（HSAC）损失函数，其中包括组合注意力同意和标签分布学习。通过结合高分辨率和翻转低分辨率图像的激活图，将注意力图与适当的目标注意图与适当的目标注意图与适当的目标注意力图相结合的注意图与适当的目标注意力图的注意力图对齐。我们通过结合原始目标和高分辨率输入的预测来测量低分辨率面部图像的分类难度，并适应标签分布学习。我们的HSAC通过有效管理硬样品来赋予网络能够实现概括。各种FER数据集上的广泛实验证明了我们提出的方法比现有方法的多尺度低分辨率图像的优越性。此外，我们在原始RAF-DB数据集中达到了90.97％的最新性能。
针对低分辨率和非连续切片的临床 MRI 数据集的最优脑肿瘤分割算法
摘要背景：从磁共振图像（MRI）中分割脑肿瘤及其组成区域对于规划诊断和治疗非常重要。在临床实践中，经验丰富的放射科医生通常使用多模态 MRI 来描绘肿瘤区域。但这种手动分割容易出现重现性差且耗时。此外，常规临床扫描通常分辨率较低。为了克服这些限制，需要一种基于计算机视觉的自动精确分割算法。方法：我们研究了三种广泛使用的分割方法的性能，即区域增长、模糊 C 均值和深度神经网络 (deepmedic)。我们通过随机选择 48 名患者数据（高级别，n = 24 和低级别，n = 24）在 BRATS 2018 数据集上以及在我们的常规临床 MRI 脑肿瘤数据集（高级别，n = 15 和低级别，n = 28）上评估了这些算法。我们使用骰子相似系数、豪斯多夫距离和体积测量来测量它们的性能。结果：与模糊 C 均值 (FCM) 和 deepmedic 网络相比，区域增长法表现非常差。对于 BRATS 和临床数据集，FCM 和 deepmedic 算法的 Dice 相似系数得分彼此接近。这两种方法的准确率一般都低于 70%。结论：尽管 deepmedic 网络在 BRATS 脑肿瘤分割挑战中表现出非常高的准确率，但它必须针对低分辨率常规临床扫描进行定制训练。它还需要大量训练数据才能用作临床应用的独立算法。尽管如此，与区域增长或 FCM 相比，deepmedic 可能是脑肿瘤分割的更好算法。关键词：脑肿瘤、分割、深度神经网络、MRI
低成本低分辨率非接触位置传感器开发Sebastian Brunner（1），FelixGäde（2）
位置传感器是一个反馈设备，也是任何闭环致动空间机构的组成部分。此反馈设备通常是电位计。电位器给出了与机械输入相关的电压变化。电位仪自太空飞行开始以来就使用了，并且相对具有成本效益。它们可从较低的交货时间较低的几家供应商那里获得。但是，机械滑动触点引入了其他机械电阻，并限制了寿命和速度。物理传感范围也可能受到限制，并且在寿命的后期，电输出是嘈杂的。要克服这一限制并补充Ruag的Inhouse产品组合，开始了开发工作。目标是开发一个简单的低成本位置传感器，能够替换或提供有效的电位仪。将非接触式工作原则设定为发展目标。关于成本和空间遗产的重点比解决方案更重视。光学编码器的工作原理适用于不锈钢缝面膜，永久磁铁和霍尔传感器开关的组合。所得的低分辨率非接触传感器已成功原型并在功能上进行了测试。简介
低分辨率上的鱼类鉴定 - 一项具有增强的超级分辨率生成对抗网络（ESRGAN），YOLO和VGG -16
迫切需要对摄像机镜头的鱼类物种的智能检测和识别模型，因为填充物有助于世界经济的很大一部分，这些高级模型可以大规模帮助填充。这种包含拾取机器的模型可以有益于在不干预的情况下批量排序不同的鱼类，这显着降低了大规模杂种行业的成本。现有用于检测和识别鱼类物种的方法具有许多局限性，例如有限的可伸缩性，检测准确性，未能检测到多种物种，以较低分辨率降解性能，或者指出了最佳位置的确切位置。可以使用具有预训练的权重的引人注目的深度学习模型的头部，即VGG-16，可用于检测曲面的物种，并通过实现修改的YOLO来找到图像中的确切位置，以结合边界盒回归标题。我们提出了使用ESRGAN算法和提出的神经网络来扩大图像分辨率4的因子。使用此方法，已经获得了96.5％的总体检测准确性。该实验是根据分布在9种的9460张图像的基础上进行的。进一步改进了模型后，可以集成拾取机器以根据其物种在不同大规模的工业中的物种快速分类。
投影莫尔条纹与阴影莫尔条纹在先进封装翘曲测量和故障分析中的应用
阴影莫尔条纹仅限于低分辨率相机。该技术依赖于 Ronchi 光栅上的线条与投射到样品上的阴影之间产生的干涉图案。如果使用分辨率更高的相机，Ronchi 线条将会被分辨，从而防止形成干涉图案。另一方面，投影莫尔条纹并不局限于低分辨率相机，因为它不依赖于干涉图案。因此，相机分辨率不受限制；当今的标准投影莫尔条纹系统使用 5 百万像素相机，视野小至 75 x 75 毫米。相反，阴影莫尔条纹系统可用的最高分辨率相机为 1.4 百万像素，视野为 200 x 200 毫米，有效数据密度为同类投影莫尔条纹的 1/25。
神经计算和应用
摘要：癫痫尖峰是脑电图中互补的信息来源，可以诊断和定位癫痫的起源。但是，不仅对脑电图劳动的视觉检查不仅是耗时，而且耗时且容易出现人为错误，而且还需要长期培训才能获得识别癫痫释放所需的技能水平。因此，采用了计算机辅助方法，目的是节省时间并提高检测和来源定位精度。由于形态相似，可能被混淆为癫痫尖峰的最重要伪影之一是眼睛眨眼。只有少数研究考虑在检测前去除此伪像，并且大多数使用视觉检查或计算机辅助方法需要专家监督。因此，在本文中，开发了一个无监督和基于脑电图的系统，具有嵌入式眼睛眨眼伪影的去除剂，以检测癫痫尖峰。所提出的系统包括三个阶段：眼睛眨眼伪影，特征提取和分类。小波变换均用于移除和特征提取步骤，以及用于分类目的的自适应神经模糊推理系统。使用公开可用的脑电图数据集对所提出的方法进行了验证。与类似的研究相比，结果显示了使用低分辨率EEG使用低分辨率EEG，计算复杂性，最高灵敏度和较小的人类相互作用的低分辨率EEG检测癫痫尖峰的效率。此外，由于癫痫尖峰检测是癫痫源定位的重要组成部分，因此该算法可用于基于脑电图的癫痫病前术前评估。
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI
UCLA
摘要 - 扩散模型在各种图像生成任务（包括图像超分辨率）上实现了令人印象深刻的性能。尽管它们令人印象深刻，但由于大量的降级步骤，扩散模型的计算成本很高。在本文中，我们提出了一种新型的加速扩散模型，称为部分扩散模型（PDMS），用于磁性成像（MRI）超分辨率。我们观察到，扩散一对低分辨率和高分辨率的图像的潜力逐渐收敛，并在一定的噪声水平后变得难以区分。这激发了我们使用某些潜在的低分辨率来对相应的高分辨率潜在。使用近似值，我们可以跳过一部分扩散和降解步骤，从而减少训练和推理的计算。为了减轻近似误差，我们进一步引入了“潜在对齐”，该误差逐渐插入并接近低分辨率潜在的高分辨率潜在潜在的潜在。部分扩散模型与潜在对齐结合，基本上建立了一种新的轨迹，与原始分化模型中的那些相比，潜伏期逐渐从低分辨率转变为高分辨率图像。在三个MRI数据集上进行的实验表明，部分扩散模型可实现比起原始扩散模型比原始扩散模型更少的固定步骤。另外，它们可以与最近的加速扩散模型合并，以进一步提高效率。
MRI超分辨率具有部分扩散模型-Kai Zhao
摘要 - 扩散模型在各种图像生成任务（包括图像超分辨率）上实现了令人印象深刻的性能。尽管它们令人印象深刻，但由于大量的降级步骤，扩散模型的计算成本很高。在本文中，我们提出了一种新型的加速扩散模型，称为部分扩散模型（PDMS），用于磁性成像（MRI）超分辨率。我们观察到，扩散一对低分辨率和高分辨率的图像的潜力逐渐收敛，并在一定的噪声水平后变得难以区分。这激发了我们使用某些潜在的低分辨率来对相应的高分辨率潜在。使用近似值，我们可以跳过一部分扩散和降解步骤，从而减少训练和推理的计算。为了减轻近似误差，我们进一步引入了“潜在对齐”，该误差逐渐插入并接近低分辨率潜在的高分辨率潜在潜在的潜在。部分扩散模型与潜在对齐结合，基本上建立了一种新的轨迹，与原始分化模型中的那些相比，潜伏期逐渐从低分辨率转变为高分辨率图像。在三个MRI数据集上进行的实验表明，部分扩散模型可实现比起原始扩散模型比原始扩散模型更少的固定步骤。另外，它们可以与最近的加速扩散模型合并，以进一步提高效率。