XiaoMi-AI文件搜索系统
World File Search System准确
最佳大脑压缩：准确的训练后量化和修剪框架
我们考虑深度神经网络 (DNN) 在具有挑战性的一次性/后训练环境中的模型压缩问题，在该环境中，我们获得了一个经过精确训练的模型，并且必须仅基于少量校准输入数据对其进行压缩，而无需进行任何重新训练。鉴于新兴的软件和硬件支持通过加速剪枝和/或量化来执行压缩模型，这个问题变得很普遍，并且已经针对这两种压缩方法分别提出了性能良好的解决方案。在本文中，我们介绍了一种新的压缩框架，该框架在统一的环境中涵盖权重剪枝和量化，具有时间和空间效率，并且大大提高了现有后训练方法的实际性能。在技术层面，我们的方法基于 [LeCun、Denker 和 Solla，1990] 的经典最佳脑外科医生 (OBS) 框架的精确和高效实现，该框架扩展到还涵盖现代 DNN 规模的权重量化。从实际角度来看，我们的实验结果表明，它可以显著改善现有后训练方法的压缩-准确度权衡，并且可以在后训练环境中实现修剪和量化的准确复合应用。
![b'）lqdoo \\ wkdqnvwrduwl \ xe2 \ x80 \ xb9fldolq whooljhqfhqfhdqglpdjhdqdo \ \ \ \ \ vlvwrrovduhhhrovduhhhhhqjwwrrovduhhqjlqjwkdwkdwzloohqdepr ymorecly inters inters inters inters inters suste suste suste生物学做出更准确的诊断。 One of the major consequences of these numerous developments is the fragmentation of cancer pathology into a VHULHVRIUDUHVSHFL\xe2\x80\xb9FGLVHDVHVZKLFKXQGHUSLQVWKHGHYHORSPHQWRIWDUJHWHGWKHUDSLHV7KLVSHUVRQDOL]HGDSSURDFKWR phglflqhsurpswvxvwruh \ xef \ xac \ x81hfwsduwlfxoduo \\ rqkrzrzwrfrqgxfwfwfolqlfdowuldowuldovov'](/simg/d/d18ded32ab39b84c53854a513b668c1853945a52.webp)
b'）lqdoo \\ wkdqnvwrduwl \ xe2 \ x80 \ xb9fldolq whooljhqfhqfhdqglpdjhdqdo \ \ \ \ \ vlvwrrovduhhhrovduhhhhhqjwwrrovduhhqjlqjwkdwkdwzloohqdepr ymorecly inters inters inters inters inters suste suste suste生物学做出更准确的诊断。 One of the major consequences of these numerous developments is the fragmentation of cancer pathology into a VHULHVRIUDUHVSHFL\xe2\x80\xb9FGLVHDVHVZKLFKXQGHUSLQVWKHGHYHORSPHQWRIWDUJHWHGWKHUDSLHV7KLVSHUVRQDOL]HGDSSURDFKWR phglflqhsurpswvxvwruh \ xef \ xac \ x81hfwsduwlfxoduo \\ rqkrzrzwrfrqgxfwfwfolqlfdowuldowuldovov'
b'）lqdoo \\ wkdqnvwrduwl \ xe2 \ x80 \ xb9fldolq whooljhqfhqfhdqglpdjhdqdo \ \ \ \ \ vlvwrrovduhhhrovduhhhhhqjwwrrovduhhqjlqjwkdwkdwzloohqdepr ymorecly inters inters inters inters inters suste suste suste生物学做出更准确的诊断。这些众多发展的主要后果之一是将癌症病理分裂为vhulhvriuduhvshfl \ xe2 \ x80 \ xb9fglvhdvhvhvzklfkxqghuslqghuslqvwkhghghghghyhorsphqwriwdujhdujhgwkhudslhv7klvshuvssurdol] phglflqhsurpswvxvwruh \ xef \ xac \ x81hfwsduwlfxoduo \\ rqkrzrzwrfrqgxfwfwfolqlfdowuldowuldovov'
放射科医生、非放射科医生和普通人从“墨卡托地图”曲线重建中识别大脑皮层萎缩儿童的准确性
背景：使用文本报告向父母和对赔偿权提出异议的法律专业人士传达患有长期缺氧缺血性损伤 (HII) 的儿童的双侧、对称性和区域性皮质脑萎缩可能很困难。使用标准的横截面图像向外行人解释双侧、区域性脑成像也具有挑战性。大脑表面的单一平面图像，就像从地球仪中得出地球地图一样，可以通过磁共振成像 (MRI) 扫描的曲面重建生成，即墨卡托地图。外行人在未经事先培训的情况下识别异常“墨卡托脑图”的能力需要在非医疗环境中使用前进行评估。目的：确定外行人在未经事先培训的情况下检测异常儿童墨卡托平面脑图的灵敏度和特异性。方法和材料：向 111 名参与者分别提供 10 张墨卡托脑图。这些地图包括 5 个 HII、1 个皮质发育不良和 4 个正常病例。参与者需要识别异常扫描。计算了总体和参与者亚组的敏感性和特异性。结果：总体敏感性和特异性分别为 67% 和 80%。普通放射科医生（n = 12）的敏感性和特异性分别为 91.2% 和 94.6%。外行人（n = 54）的敏感性为 67%，特异性为 80%。结论：放射科医生的高特异性和敏感性验证了该技术在区分皮质病理异常扫描方面的有效性。外行人使用墨卡托地图识别异常大脑的高特异性表明，这是一种向外行人展示儿童 HII 皮质 MRI 异常的可行沟通工具。
I-AI：一种可控制、可解释的人工智能系统，用于解读放射科医生对准确 CXR 诊断的高度关注
摘要 在胸部 X 光 (CXR) 诊断领域，现有研究通常仅侧重于确定放射科医生的注视点，通常是通过检测、分割或分类等任务。然而，这些方法通常被设计为黑盒模型，缺乏可解释性。在本文中，我们介绍了可解释人工智能 (I-AI)，这是一种新颖的统一可控可解释流程，用于解码放射科医生在 CXR 诊断中的高度关注度。我们的 I-AI 解决了三个关键问题：放射科医生注视的位置、他们在特定区域关注的时间以及他们诊断出的发现。通过捕捉放射科医生凝视的强度，我们提供了一个统一的解决方案，可深入了解放射学解释背后的认知过程。与当前依赖黑盒机器学习模型的方法不同，这些方法在诊断过程中很容易从整个输入图像中提取错误信息，而我们通过有效地屏蔽不相关的信息来解决这个问题。我们提出的 I-AI 利用视觉语言模型，可以精确控制解释过程，同时确保排除不相关的特征。为了训练我们的 I-AI 模型，我们利用眼球注视数据集来提取解剖注视信息并生成地面真实热图。通过大量实验，我们证明了我们方法的有效性。我们展示了旨在模仿放射科医生注意力的注意力热图，它编码了充分和相关的信息，仅使用 CXR 的一部分即可实现准确的分类任务。代码、检查点和数据位于 https://github.com/UARK-AICV/IAI。1. 简介
准确、高效地重建右心室形状和
从时间分辨的医学图像中精确重建右心几何形状和运动可增强基于图像可视化的诊断工具以及通过计算方法进行的心脏血液动力学分析。由于右心形态和运动的特殊性，常用的分割和/或重建技术仅采用短轴电影 MRI，在右心相关区域（如心室底部和流出道）缺乏准确性。此外，重建过程非常耗时，并且在生成计算域的情况下需要大量的人工干预。本文提出了一种从时间分辨 MRI 中精确高效地重建右心几何形状和运动的新方法。具体而言，所提出的方法利用表面变形来合并来自多系列电影 MRI（如短/长轴和 2/3/4 腔采集）的信息并重建重要的心脏特征。它还通过利用合适的图像配准技术自动提供完整的心脏收缩和放松运动。该方法既适用于健康病例，也适用于病理（法洛四联症）病例，并且比标准程序产生更准确的结果。所提出的方法还用于为计算流体动力学提供重要输入。相应的数值结果证明了我们的方法在计算临床相关血液动力学量方面的可靠性。© 2023 Elsevier BV 保留所有权利。
深度学习准确的鸟类鉴定
4 md.devendran@gmail.com摘要：鸟类鉴定在生物多样性保护和生态学研究中起着至关重要的作用，为栖息地健康和物种分布提供了见解。识别鸟类物种的传统方法是时间密集型，容易出现人为错误，因此需要自动解决方案。这个项目是使用深度学习的鸟类识别，提出了一个先进的系统，以利用深度学习的力量准确地从图像中识别鸟类。该系统利用卷积神经网络（CNN），以其在图像分类任务方面的熟练程度而闻名。一个包含多种鸟类图像的数据集进行了预处理并增强，以增强模型的鲁棒性和泛化。模型架构旨在提取复杂的特征，即使在诸如不同的照明条件，遮挡或类似物种的外观等挑战性的情况下，也可以准确识别。使用准确性，精度，召回和F1得分等指标评估模型的性能，以确保全面验证。结果表明，对传统机器学习方法的准确性改善了，这表明了物种识别中深度学习的潜力。该项目对野生动植物监测，生态研究和教育工具的应用有望，从而促进了意识和保护工作。未来的工作可能包括将系统集成到移动应用中，或将其部署在现场条件下的实时鸟类识别。
nvautonet：快速准确的360DEG 3D自动驾驶视觉感知
实现强大而实时的3D感知是自动驾驶汽车的基础。虽然大多数现有的3D感知方法优先考虑检测准确性，但十个忽略了关键方面，例如计算效率，板载芯片部署友好性，对传感器安装偏差的韧性以及对各种VE-HILE类型的适应性。为了应对这些挑战，我们提出了nvautonet：一种专业的鸟类视图（BEV）感知网络 - 针对自动化车辆的明确量身定制。nvautonet将同步的相机图像作为输入，并预测3D信号（例如障碍物，自由空间和停车位）。NVAUTONET架构（图像和Bev Back-bones）的核心依赖于有效的卷积网络，该网络使用Tensorrt优化了高性能。我们的图像到BEV转换采用简单的线性层和BEV查找表，从而确保了快速推理速度。Nvautonet在广泛的专有数据集中受过培训，在NVIDIA DRIVE ORIN SOC上以每秒53帧的速度运行，始终达到升高的感知精度。值得注意的是，Nvautonet表现出对不同汽车模型产生的偏差偏差的韧性。此外，Nvautonet在适应各种车辆类型方面表现出色，这是通过廉价模型的微调程序来促进的，可以加快兼容性调整。
准确指导硬膜外或脊柱麻醉
所有专家都说，当前的脊柱或硬膜外麻醉程序是在脊柱地标触及椎间盘上。两个指出，可以使用常规超声波，但这不是很常见，因为需要专业技能。两位专家说，该设备具有创新性，因为它可以通过在超声图像上叠加的椎骨图像来轻松找到椎间盘空间。也有人指出，使用该设备需要最少的训练，并且它是手持式设备，因此很容易在床边使用。一位专家说，该设备可以在产妇护理中帮助超声引导的脊柱或硬膜外块，因为它比较大的机器更容易使用，并且在给予脊柱块时遇到困难时。四位专家认为，除标准护理外，还可以使用该设备。一个人认为它可以随着时间的流逝而取代当前的标准护理。
1型糖尿病的 TNF-α抑制剂：探索A ... 的路径 致病空气中真菌和细菌的综述 肠道微生物群在溃疡性结肠炎中的作用 社论：单基因糖尿病的个性化疗法 利用AI进行公共卫生：印度的路线图 含面包的荞麦：对胰岛素的科学调查... 一类新型的口头，非免疫抑制，β细胞 - 引用Kim J，Shon B，Kim S，Cho J，Seo J-J，Jang Sy和Jeong S（2024）ECG数据分析以确定ST段升高的心肌梗塞 empagliflozin：一种治疗SIAD的神奇药物？ 实现整个葡萄酒链可持续发展目标的策略：评论 案例报告：一种与妊娠糖尿病，先天性高胰岛素和二氮氧化物超敏反应相关的新型HNF1A变体 在抗爆炸性/敏感性中涉及的麦芽糖蛋白蛋白蛋白蛋白蛋白蛋白蛋白蛋白蛋白酶的作用 睡眠剥夺引起的记忆障碍 社论：神经应用的计算机视觉和图像综合 爱泼斯坦 - 巴尔病毒，维生素D和免疫反应 tirzepatide，GIP（1-42）和GIP（1-30）在两个常见的GIP受体变体中显示独特的信号填充，E354和Q354 脑损伤后的消化系统疾病的研究进度 在Aquafeeds中使用单细胞蛋白质桥接蛋白质间隙 糖尿病对肌腱病理学的影响 绿豆种子的快速准确分类...
1型糖尿病（T1D）是一种自身免疫性疾病，其特征是胰腺中产生胰岛素的B细胞。这种破坏会导致慢性高血糖，因此需要终身胰岛素治疗来管理血糖水平。通常在儿童和年轻人中被诊断出，T1D可以在任何年龄段发生。正在进行的研究旨在揭示T1D潜在的确切机制并开发潜在的干预措施。其中包括调节免疫系统，再生B细胞并创建高级胰岛素输送系统的努力。新兴疗法，例如闭环胰岛素泵，干细胞衍生的B细胞替代和疾病改良疗法（DMTS），为改善T1D患者的生活质量并有潜在地朝着治疗方向前进。目前，尚未批准用于第3阶段T1D的疾病改良疗法。在第3阶段中保留B -cell功能与更好的临床结局有关，包括较低的HBA1C和降低低血糖，神经病和视网膜病的风险。肿瘤坏死因子α（TNF-A）抑制剂在三阶段T1D患者的两项临床试验中，通过测量C肽来保存B细胞功能，证明了效率。然而，在T1D的关键试验中尚未评估TNF-A抑制剂。解决T1D中TNF-A抑制剂的有希望的临床发现，突破T1D召集了一个主要意见领导者（KOLS）的小组。研讨会
糖尿病对肌腱病理学的影响绿豆种子的快速准确分类...
mung豆种子在农业生产和食品加工中非常重要，但是由于它们的多样性和相似的外观，传统的分类方法都具有挑战性，以解决这一问题，这项研究提出了一种基于学习的方法。在这项研究中，基于深度学习模型MobilenetV2，提出了DMS块，并通过引入ECA块和Mish激活函数，即提出了高度优势网络模型，即HPMobileNet，提出，该模型被提出，该模型是在eLBIND中探索的，可用于分类和精确的图像识别。在这项研究中，收集了八种不同的绿豆种子，并通过阈值分割和图像增强技术获得了总共34,890张图像。hpmobilenet被用作主要网络模型，并通过在大规模的绿豆种子图像数据集上进行训练和精细调整，实现了有效的特征提取分类和识别能力。实验结果表明，HPMobileNet在Mung Bean Seed Grain Grain分类任务中表现出色，其准确性从87.40％提高到测试集的94.01％，并且与其他经典网络模型相比，结果表明，HPMobileNet可以达到最佳结果。此外，本研究还分析了学习率动态调整策略对模型的影响，并探讨了将来进一步优化和应用的潜力。因此，这项研究为开发绿豆种子分类和智能农业技术提供了有用的参考和经验基础。