XiaoMi-AI文件搜索系统
World File Search System单精度
利用准双精度提高单精度：在跨尺度预测模型中实现双精度精度——大气（MP
摘要：高性能计算（HPC）的局限性严重制约着数值模型的发展。传统数值模型通常采用双精度来保证结果的准确性，但这种做法计算成本较高。虽然使用较低的精度可以大幅降低计算成本，但可能会引入舍入误差，这在特定条件下会影响精度。准双精度算法（QDP 算法）通过保留修正值来补偿这些舍入误差，从而提高结果精度。为了探究该算法对提高数值模型结果精度的有效性，本文将其应用于单精度版本的跨尺度预测模型——大气（MPAS-A），并在两个理想情况和两个真实数据案例中评估其性能。结果表明，应用QDP算法在三种情况下可使表面压力偏差分别降低68%、75%、97%和96%。与双精度试验相比，运行时间分别减少了28.6%、28.5%、21.1%和5.7%。本研究表明，QDP算法为数值模型提供了有效且经济的计算能力。
基于单精度浮点非迭代粗到精配准...
摘要。可变形图像配准是医学图像分析中的关键步骤，用于找到一对固定图像和运动图像之间的非线性空间变换。基于卷积神经网络 (CNN) 的深度配准方法已被广泛使用，因为它们可以快速、端到端地执行图像配准。然而，这些方法通常对具有较大变形的图像对性能有限。最近，迭代深度配准方法已被用来缓解这一限制，其中变换以由粗到细的方式迭代学习。然而，迭代方法不可避免地延长了配准运行时间，并且倾向于在每次迭代中学习单独的图像特征，这阻碍了利用这些特征来促进以后的迭代配准。在本研究中，我们提出了一种用于可变形图像配准的非迭代由粗到细配准网络 (NICE-Net)。在 NICE-Net 中，我们提出了：(i) 单次深度累积学习 (SDCL) 解码器，可以在网络的单次（迭代）中累积学习从粗到细的转换；(ii) 选择性传播特征学习 (SFL) 编码器，可以学习整个从粗到细配准过程的常见图像特征并根据需要选择性传播这些特征。在 3D 脑磁共振成像 (MRI) 的六个公共数据集上进行的大量实验表明，我们提出的 NICE-Net 可以胜过最先进的迭代深度配准方法，而只需要与非迭代方法类似的运行时间。