XiaoMi-AI文件搜索系统
World File Search System卷积
使用卷积神经网络（CNN）和转移学习技术的原始研究论文遥感图像分类
摘要：本研究研究了描绘变速箱，森林，农田和山脉的航空图像的分类。要完成分类工作，使用卷积神经网络（CNN）体系结构从输入照片中提取功能。然后，使用SoftMax对图像进行分类。要测试模型，我们使用90批量的ADAM优化器和0.001的学习率将其运行了十个时期。培训和评估都是使用数据集进行的，该数据集将Google卫星图像与MLRNET数据集融合在一起的图片。综合数据集包含10,400张图像。我们的研究表明，转移学习模型和MobilenetV2，对于景观分类非常有效。这些模型是实际使用的好选择，因为它们在精度和效率之间很好地结合在一起。我们的方法在内置的CNN模型上以87％的总体准确度获得了结果。此外，我们通过利用验证的VGG16和MobilenEtV2模型作为传输学习的起点，达到更高的精度。具体来说，VGG16的精度为90％，测试损失为0.298，而MobileNetV2的精度优于两个模型，其精度为96％，测试损失为0.119；结果表明，使用Mobilenetv2进行转移学习的有效性来对传输塔，森林，农田和山脉进行分类。关键字：航空图像，图像分类，卷积神经网络（CNN），转移学习
LEO卫星成像，具有自适应光学和边缘化的盲卷积
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
使用卷积神经网络技术的驱动器嗜睡检测模型
摘要 - 一名昏昏欲睡的驾驶员在路上比那个超速驾驶的驾驶员要危险得多，因为他是微骨的受害者。汽车研究人员和制造商试图通过几种避免这种危机的技术解决方案来解决这个问题。本文侧重于使用基于神经网络的方法来检测这种微睡眠和嗜睡。我们以前在此领域的工作涉及使用机器学习与多层感知器来检测相同的工作。在本文中，通过利用摄像机检测到的面部标志来提高准确性，并传递给卷积神经网络（CNN）以对嗜睡进行分类。这项工作的成就是为无眼镜的类别提供了重量超过88％的重量分类模型的轻量级替代品，对于没有眼镜的类别之夜的85％以上。平均在所有类别中都达到了超过83％的准确性。此外，对于模型大小，复杂性和存储，与最大大小为75 kb的基准模型相比，新提出的模型有明显减少。拟议的基于CNN的模型可用于构建嵌入式系统和Android设备的实时驱动器嗜睡检测系统，具有高度准确性和易用性。索引术语 - 驾驶员行为监控系统，淹没检测，实时深度学习，卷积神经网络，面部地标，Android。
通过使用合成小分子来区分癌症干细胞：针对治疗耐药性的新治疗策略 新加坡的新经济地理 欧洲对非侵入性大脑刺激的重新分类为III类医疗设备：行动呼吁 编队的现实路线图，飞行空间干涉法 LEO卫星成像，具有自适应光学和边缘化的盲卷积 澳大利亚经济不确定性冲击的工业影响 透明加热器：评论 使用大规模扩展Granger因果关系从功能性MRI分类 数字足迹的关键方法研究城市旅游区的空间实践：Biarritz（法国）Instagram数据的案例研究
新加坡是在整个大英帝国发展的广泛交易路线网络中成立的。该定居点的价值在于在欧洲/印度，中国和马来群岛之间的高度战略地位，这是在这些地理子系统中运营的商品和商人最方便的十字路口，而在亚洲荷兰人与英国之间的地理政治相互作用的背景下。的确，它的位置是新加坡增长的唯一资源（Huff 1997，7）。在19世纪初期的特定贸易和地理政治模式中，地理位置的早期优势非常重要，并以自由港口地位的补充，促进了新加坡作为大英帝国和亚洲贸易的主要群体的增长。
综合注意力卷积网络用于运动图像EEG分类
在过去的十年中，生成人工智能（GAI）的应用在医学，科学和日常生活中迅速增加。大语言模型（LLMS）为教育开辟了新的途径。llms已用于为学生创建互动的教育内容，刺激他们的好奇心，产生代码解释并提出评估问题（Küchemann等，2023）。但是，将GAI纳入教育时也存在一些挑战。该研究主题旨在解决使用GAI工具来推进学生认知或更广泛的能力的问题，以及如何使教师和学生都可以认真地反映使用GAI工具而不是过分依赖他们。研究主题的重点是研究基于大型语言模型的GAI工具，例如Chatgpt进行学习和认知，以促进有关如何使用GAI工具来支持教师进行形成性评估，诊断学生的努力，实现新颖的认知活动和实现个人意见和个人注意的学生的批判性转移。本社论综合了该研究主题中14项研究的见解，这些研究研究了AI在高等教育中的各种影响，强调了接受，评估，绩效比较，技能发展，互动策略和认知建模的关键主题。
使用卷积神经网络伪造检测
2,3,4 MCA，SCAT，Galgotias University，Uttar Pradesh摘要：为了识别深层假货和其他形式的更改的面部信息，此工作详细介绍了面部伪造探测系统的开发和实施。我们提出了一个系统，该系统使用最新的机器学习技术识别面部图像和视频的细微变化。接受公开可用数据集的培训后，使用关键性能指标（例如精度，精度和召回）评估系统。用于构建系统，使用卷积神经网络或CNN。测试是使用公开可用数据集进行的。为了使其成为强大的模型，还可以构建自定义数据集。我们还研究了如何使用该技术来确保数字身份并打击错误信息，为将来与全球网络安全和数字安全计划的合作打开了大门。关键字：图像处理，生物识别技术，安全性，面部伪造和深层假货。在诸如体育场，火车站和机场码头等地方的公共安全领域以及公司和组织安全的地方，面部识别是身份识别最著名的生物识别方法之一[2，3]。在转向深度学习技术之前，该领域的研究始于1990年代的传统机器学习方法（公制模型，贝叶斯分类和主要成分分析），识别本地特征（LBP，Gabor过滤器）的方法以及识别通用特征的方法。本文提出了一种新颖的面部伪造技术来克服这些挑战。高级技术来操纵媒体（例如Deepfakes）的出现引起了许多关于数字内容真实性的询问。由人工智能创建的深击可以创建真实的图像，从而使区分实际和假信息的挑战。尽管最初是出于艺术和娱乐目的开发了这项技术，但它越来越多地用于恶意将诸如盗用，诽谤和误导信息的传播之类的事物[5]。鉴于社会造成的潜在危险，迫切需要值得信赖和有效的检测方法。由于当前技术有时无法跟上新的锻造方法的复杂性，因此实时检测功能存在差距。尽管在该领域进行了广泛的研究，但开发了可以处理大量数据，使用不同伪造策略并在低计算成本下产生准确结果的系统仍然具有挑战性。
引用：Annant Maheshwari。等。 “使用增强和卷积神经网络的图像操纵检测”。
引用：Annant Maheshwari。等。“使用增强和卷积神经网络检测图像操纵检测”。Medicon工程主题8.2（2025）：49-56。
开发和验证两阶段卷积神经网络算法，用于分割MRI白质超强度，用于纵向研究
背景：卡达西尔（Cadasil）的白质超强度（WMH）的分割是最严重的遗传起源小脑小血管之一，具有挑战性。方法：我们根据卷积神经网络（CNN）al-gorithm进行了自动方法，并使用了132名患者获得的2D和/或3D FLAIR和T1加权图像的大数据集，以在这种情况下测量WMH的进展。结果：使用此方法测量的WMH的体积与专家验证的参考数据密切相关。WMH分割也明显改善。结合了两个连续的学习模型特别感兴趣，从而减少了假阳性体素的数量以及单级过程后检测到的分割不足的程度。使用两阶段方法，WMH进展与从参考掩模中得出的病变的度量随着年龄的增长而增加，以及与单个级别的可变WMH进展轨迹相关。我们还确认了WMH初始负载的预期影响以及MRI获取类型对此进展的测量的影响。结论：总的来说，我们的发现表明，可以通过CNN分割算法自动测量卡达西尔的WMH进展。
Charlson综合征指数预测胰腺癌患者的存活率接受免疫疗法 生物医学，专利路径和前景分析中的反应式纳米材料 单细胞测序显示细胞异质性和与肝细胞癌微血管浸润相关的异质性途径 公共部门参与可持续粮食系统的非国家治理 - 生物多样性的观点 社论：多发性硬化症中的神经可塑性 克服肺癌和结直肠癌的抗药性 综合注意力卷积网络用于运动图像EEG分类 编辑：chatgpt和其他生成AI工具 世界气候研究计划灯塔活动
胰腺癌（PC）是一种高度恶性的消化系统肿瘤，预后极差，通常在晚期阶段被诊断出来并迅速发展（1，2）。目前，PC的治疗仍然主要依赖化学疗法，中位总生存率少于1年（3 - 5）。尽管对PC的免疫疗法进行了连续探索，但与仅化学疗法相比，它并没有改善总体预后（6）。PC患者通常伴有其他慢性疾病，并且合并症的数量较高，表明治疗效率较低，整体生存期较短。Charlson合并症指数（CCI）是一个广泛使用的指标，可以通过计算慢性病的评分和体重来评估患者的整体健康状况。它已经在各种肿瘤类型中进行了广泛的研究，包括前列腺癌（7、8），结直肠癌（9），胰腺癌（10）等，但没有关于CCI指数在PC免疫疗法中的预测作用的报道。因此，我们对现实世界数据进行了分析，以评估PC患者中CCI评分的预后意见。
使用受约束的球形卷积
1。Amunts K，Mohlberg H，Bludau S，Zilles K. Julich-Brain：人类大脑细胞结构的3D概率地图。Science 2020; 369：988-92。 2。 Andersson JL，Sotiropoulos SN。 一种校正方法的综合方法，以扩散MR成像中的非谐波效应和受试者运动。 Neuroimage 2016; 125：1063-78。 3。 Avants BB，Tustison NJ，Song G，Cook PA，Klein A，Gee JC。 对大脑图像注册中蚂蚁相似性表现的可重复评估。 Neuroimage 2011; 54：2033-44。 4。 Calamante F，Tournier JD，Heidemann RM，Anwander A，Jackson GD，Connelly A. 跟踪密度成像（TDI）：超级分辨率属性的验证。 Neuroimage 2011; 56：1259-66。 5。 Fonov V，Evans A，McKinstry R，Almli C，CollinsD。从出生到成年期，无偏见的非线性平均适合年龄的脑模板。 Neuroimage 2009; 47：S102。 6。 Glasser MF，Smith SM，Marcus DS，Andersson JL，Auerbach EJ，Behrens TE等。 人类Connectome项目的神经影像学方法。 Nat Neurosci 2016; 19：1175-87。 7。 Gutierrez CE，Skibbe H，Nakae K，Tsukada H，Lienard J，Watakabe A等。 用神经示踪剂数据作为参考的基于扩散MRI的光纤跟踪的优化和验证。 SCI REP 2020; 10：21285。 8。 Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。 立体定位空间中的道概率图：白质解剖结构和特定于区域的分析。 Neuroimage 2008; 39：336-47。Science 2020; 369：988-92。2。Andersson JL，Sotiropoulos SN。 一种校正方法的综合方法，以扩散MR成像中的非谐波效应和受试者运动。 Neuroimage 2016; 125：1063-78。 3。 Avants BB，Tustison NJ，Song G，Cook PA，Klein A，Gee JC。 对大脑图像注册中蚂蚁相似性表现的可重复评估。 Neuroimage 2011; 54：2033-44。 4。 Calamante F，Tournier JD，Heidemann RM，Anwander A，Jackson GD，Connelly A. 跟踪密度成像（TDI）：超级分辨率属性的验证。 Neuroimage 2011; 56：1259-66。 5。 Fonov V，Evans A，McKinstry R，Almli C，CollinsD。从出生到成年期，无偏见的非线性平均适合年龄的脑模板。 Neuroimage 2009; 47：S102。 6。 Glasser MF，Smith SM，Marcus DS，Andersson JL，Auerbach EJ，Behrens TE等。 人类Connectome项目的神经影像学方法。 Nat Neurosci 2016; 19：1175-87。 7。 Gutierrez CE，Skibbe H，Nakae K，Tsukada H，Lienard J，Watakabe A等。 用神经示踪剂数据作为参考的基于扩散MRI的光纤跟踪的优化和验证。 SCI REP 2020; 10：21285。 8。 Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。 立体定位空间中的道概率图：白质解剖结构和特定于区域的分析。 Neuroimage 2008; 39：336-47。Andersson JL，Sotiropoulos SN。一种校正方法的综合方法，以扩散MR成像中的非谐波效应和受试者运动。Neuroimage 2016; 125：1063-78。3。Avants BB，Tustison NJ，Song G，Cook PA，Klein A，Gee JC。对大脑图像注册中蚂蚁相似性表现的可重复评估。Neuroimage 2011; 54：2033-44。4。Calamante F，Tournier JD，Heidemann RM，Anwander A，Jackson GD，Connelly A.跟踪密度成像（TDI）：超级分辨率属性的验证。Neuroimage 2011; 56：1259-66。5。Fonov V，Evans A，McKinstry R，Almli C，CollinsD。从出生到成年期，无偏见的非线性平均适合年龄的脑模板。Neuroimage 2009; 47：S102。6。Glasser MF，Smith SM，Marcus DS，Andersson JL，Auerbach EJ，Behrens TE等。人类Connectome项目的神经影像学方法。Nat Neurosci 2016; 19：1175-87。7。Gutierrez CE，Skibbe H，Nakae K，Tsukada H，Lienard J，Watakabe A等。用神经示踪剂数据作为参考的基于扩散MRI的光纤跟踪的优化和验证。SCI REP 2020; 10：21285。8。Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。 立体定位空间中的道概率图：白质解剖结构和特定于区域的分析。 Neuroimage 2008; 39：336-47。Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。道概率图：白质解剖结构和特定于区域的分析。Neuroimage 2008; 39：336-47。9。Jenkinson M，Bannister P，Brady M，SmithS。改进了对脑图像的鲁棒和准确的线性注册和运动校正的优化。Neuroimage 2002; 17：825-41。10。Jenkinson M，Beckmann CF，Behrens TE，Woolrich MW，