XiaoMi-AI文件搜索系统
World File Search System图像分析
AVHYAS：用于高级高光谱图像分析的免费开源 QGIS 插件
摘要 — 高级高光谱数据分析软件 (AVHYAS) 插件是一个基于 Python-3 的量子 GIS (QGIS) 插件，旨在处理和分析高光谱 (Hx) 图像。从 1.0 版开始，AVHYAS 是一个免费的开源平台，用于在研究学者、科学家和潜在最终用户之间共享和分发 Hx 数据分析方法。它旨在保证现在和将来 Hx 机载或星载传感器的充分利用，并提供用于 Hx 数据处理的高级算法。该软件可免费使用，并提供一系列基本和高级工具，例如大气校正（用于机载 AVIRIS-NG 图像）、标准处理工具以及用于 Hx 数据分析的强大的机器学习和深度学习接口。本文概述了 AVHYAS 插件，解释了典型的工作流程和用例，以使其成为高光谱遥感应用的常用平台。索引词 —AVHYAS、QGIS、Python 3.0、高光谱数据分析、分类、深度学习、分离、融合、回归、目标检测
使用基于人工智能的图像分析的交通安全措施和问题
这些数据是从配备有车载设备的车辆收集的，因此本质上是一项抽样调查。 因此，根据位置的不同，由于样本数量较少，数据的重要性存在问题，并且数据的可靠性偏向某些属性。另一方面，利用AI进行的图像分析，基本上是检测（感知）所安装摄像头的视角内拍摄到的内容，因此只要能够检测，就能够掌握物体的总数。 第二个优点是它可以可靠地捕获偶尔发生的事件。交通事故和危险行为是罕见事件，长时间的人工观察是不现实的。但是，通过AI进行图像分析，可以进行每天24小时、每年365天的观察，通过预先设定异常行为和不正常事件的定义，可以可靠地捕捉到偶尔发生的事件。 另一方面，使用人工智能进行图像分析的最大挑战是“如果你看不到它，你就无法检测到它”。针对各事件的具体对策如下。
使用机器学习模型的图像分析
计算机视觉领域正在迅速发展，并随之而来的公开研究，数据集，工具和预训练的模型。本论文涉及此类模型的研究，它们的合并应用以及与付费的零件的比较。首先，我们在计算机视觉和神经网络领域中介绍了基本概念。然后选择了四个免费可用的模型，并将其合并到一个应用程序中，并与三个外部服务进行了比较。使用比较结果，提出了基于模型输出的决策逻辑并将其实施到我们的应用程序中。它决定我们的模型的预测是可靠的还是应将图像发送给外部服务的进一步分析。
文章基于人工智能的隐私内容共享政策和图像分析
摘要：由于个人移动设备的普及，越来越多的不同类型的私人内容（例如图像和视频）在社交网络应用程序上共享。虽然内容共享可能是增强社会关系的有效做法，但它也是相关隐私问题的根源。不幸的是，用户很难理解应用程序和服务的隐私政策的条款和含义。此外，在社交网络上做出有关内容共享的隐私决策很麻烦，而且容易出错，从而导致隐私泄露。在本文中，我们提出了两种技术，旨在支持用户在线共享个人内容时做出隐私选择。我们的技术基于机器学习和自然语言处理来分析隐私政策，并基于计算机视觉来帮助用户在有隐私意识的情况下共享多媒体内容。使用真实数据进行的实验显示了我们解决方案的潜力。我们还介绍了正在进行的用于自然语言用户协助的系统原型和聊天机器人的工作。
考古学中的机载和航天遥感和数字图像分析 7
摘要 遥感在探测和绘制人类活动在景观中的考古痕迹方面有着悠久而成功的记录。自二十世纪初以来，航空考古的工具和程序逐渐发展，而地球观测遥感经历了技术和方法进步和创新的重大步骤，如今能够以前所未有的精度、分辨率和复杂性监测地球表面。在此过程中获得的大部分遥感数据可能包含有关考古遗址和物体的位置和背景的重要信息。考古学已经开始利用这一巨大潜力，开发基于数字遥感数据和相关工具和程序的考古痕迹探测和绘制新方法。本章回顾了考古遥感和数字图像分析的历史、工具、方法、程序和产品，强调了航空考古和地球观测遥感融合的最新趋势。
原创文章 一项利用人工智能驱动的乳腺癌医学图像分析的初步研究
摘要：本研究探索了如何建立一种深度学习模型，以准确判断乳房 X 光检查结果中的病变是良性还是恶性。数据来源于一家大型三级医院乳腺中心接受活检的女性的筛查乳房 X 光检查结果。从 215 张乳房 X 光检查中获取的 900 张乳房图像用于训练和建立基于深度学习的模型，该模型能够准确预测病变的良性还是恶性。与癌症诊断的金标准（即手术病理学）相比，所建立模型的敏感性为 95.7%，特异性为 87%，总体准确率为 90.7%，AUROC 为 0.76。放射科医生对这组患者的读数敏感性为 86%，特异性为 46%，总体准确率为 79%。基于深度学习的模型通过提高特异性和减少假阳性读数，显著提高了诊断准确率。该模型还可以对放射科医生报告中被归类为 BI-RADS 0 的乳房 X 光检查结果提供结论性解读，从而减少在做出最终诊断之前进行进一步影像学研究的需要。关键词：乳腺癌；计算机辅助诊断；深度学习；乳房 X 光检查解读
用于医学图像分析的 GAN
生成对抗网络 (GAN) 及其扩展开辟了许多令人兴奋的方法来解决众所周知且具有挑战性的医学图像分析问题，例如医学图像去噪、重建、分割、数据模拟、检测或分类。此外，它们以前所未有的真实感合成图像的能力也使人们希望借助这些生成模型解决医学领域长期缺乏标记数据的问题。在这篇评论论文中，对 GAN 在医学应用方面的最新文献进行了广泛的概述，彻底讨论了所提出方法的缺点和机会，并阐述了未来的潜在工作。我们回顾了截至提交日期发表的最相关的论文。为了快速访问，我们将基本细节（例如底层方法、数据集和性能）制成表格。http://livingreview.in.tum.de/GANs_for_Medical_Applications/ 提供了一个交互式可视化界面，对所有论文进行了分类以保持评论的活力。
10:30 UTC组织病理学图像分析A 5月5日
黄，中Yi; ding，Yao;歌曲，鸟着；王，林； Geng，Ruizhe；他，洪林； DU，Shan；刘，夏；天，钟； Liang，Yongsheng；周，凯文； Chen，Jie电子和计算机工程学院，北京大学基于点注释弱监督的核分段：一种粗到精细的自我刺激的学习策略
添加剂制造的图像分析方法...
Figure 1- Flowchart of typical Additive manufacturing .............................................................. 1 Figure 2 – Schematic representation of the gas turbine [1]........................................................ 3 Figure 3 – Schematic explanation of the PBF process with Laser and Electron beam as the energy source [5]............................................................................................................................... 6 Figure 4 – Schematic explanation of DED [33]...............................................................................................................................................................................................................................................................................................................................................................................................粘合剂喷射[6] ................................................................................................................................................................... - 图像分析中的方法[11]。.................................................................................. 13 Figure 9 - Symbolic expression of Image processing................................................................ 14 Figure 10 - Flowchart of the Automated Image Analysis [11] ................................................. 18 Figure 11 - MIPAR software ......................................................................................................... 20 Figure 12 – Image J software ........................................................................................................ 22 Figure 13 – Grain size measurement objective .......................................................................... 23 Figure 14 – Defect Analysis Objective ........................................................................................ 23 Figure 15 – Manual measurement of defect Analysis ................................................................ 25 Figure 16 – MIPAR recipe ……................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................... Defect Analysis measurement .................................................................................. 30 Figure 21 – Porosity defect analysis plot ..................................................................................... 31 Figure 22 – Stitched image of the entire sample.
利用表征学习进行深度医学图像分析和
1. 概述 深度学习在医学成像中的应用越来越广泛，改进了处理链中的许多步骤，从采集到分割，从异常检测到结果预测。然而，仍然存在重大挑战：（1）基于图像的诊断取决于局部模式之间的空间关系，而卷积和池化通常无法充分捕捉这些关系；（2）数据增强是学习 3D 姿势不变性的实际方法，需要指数级增长的点数才能实现稳健的改进；（3）标记的医学图像比未标记的图像少得多，尤其是对于异质性病理病例；（4）磁共振成像 (MRI) 等扫描技术速度慢且成本高，通常没有在线学习能力来关注临床感兴趣的区域。为了应对这些挑战，需要新的算法和硬件方法，以使深度学习充分发挥其在医学成像中的潜力