XiaoMi-AI文件搜索系统
World File Search System图像数据
SANS-CNN：一种利用宇航员图像数据来诊断航天相关神经眼部综合症的自动机器学习技术
太空飞行相关神经眼综合征 (SANS) 是太空飞行最大的生理障碍之一，需要对未来的行星任务进行评估和缓解。由于太空飞行环境是临床受限的环境，本研究的目的是使用在宇航员 SANS 光学相干断层扫描 (OCT) 图像上训练和验证的机器学习模型提供 SANS 的自动早期检测和预测。在本研究中，我们提出了一个轻量级卷积神经网络 (CNN)，它结合了 EffficientNet 编码器，用于从 OCT 图像中检测 SANS，名为“SANS-CNN”。我们使用 6303 张 OCTB 扫描图像进行训练/验证（80%/20% 分割），并使用 945 张 SANS 图像进行测试，结合地面图像和宇航员 SANS 图像进行测试和验证。使用 NASA 标记的 SANS 图像对 SANS-CNN 进行了验证，以评估准确度、特异性和敏感性。为了评估真实世界的结果，还在这个数据集上采用了两种最先进的预训练架构。我们使用 GRAD-CAM 来可视化中间层的激活图，以测试 SANS-CNN 预测的可解释性。SANS-CNN 在测试集上的准确度为 84.2%，特异性为 85.6%，敏感性为 82.8%，F1 分数为 84.1%。此外，SANS-CNN 的准确度分别比另外两种最先进的预训练架构 ResNet50-v2 和 MobileNet-v2 高出 21.4% 和 13.1%。我们还应用两种类激活图技术来可视化模型感知到的关键 SANS 特征。 SANS-CNN 代表一种使用真实宇航员 OCT 图像进行训练和验证的 CNN 模型，能够快速有效地预测在临床和计算资源极其有限的地球轨道以外的太空飞行任务中出现的类似 SANS 的情况。
伊朗车辆图像数据集用于对象检测算法
训练深神经网络被认为是基本要求之一，因为关于图像的数量和质量和标记精度可以对训练有素的网络的产出准确性产生很大的影响。本文中介绍的数据集包含从在线伊朗汽车销售公司下载的3000张图像，包括Divar和Bama网站，这些图像在三个类中手动标记：汽车，卡车和巴士。标签的形式为5765个边界框，它以高精度来表征图像中的车辆，最终导致了可用于公共使用的独特数据集。在此数据集上训练的Yolov8S算法，对于验证图像，获得了令人印象深刻的最终精度为91.7％。在50％阈值下的平均平均精度（MAP）记录为92.6％。此精度被认为适用于城市车辆检测网络。值得注意的是，当比较了Yolov8S算法与该数据集训练的算法与使用可可数据集训练的Yolov8S时，MAP的MAP率在50％时增加了10％，地图范围为50％至95％。
基于面部图像数据库的内分泌和代谢综合征诊断的人工智能面部识别系统
是国家卫生委员会内分泌委员会，北京北京医学科学院和北京北京的北京大学北京大学医学院医院部内分泌委员会，100730，B。致癌与翻译研究的主要实验室（北京教育部/北京部）（北京部），国家癌症医院，北京癌症医院，疾病学院。多模式人工智能系统，北京工程智能系统和技术研究中心，中国科学院自动化研究所，北京，北京，100190，中国D北国科学院d人工智能学院，北京大学，北京大学，100049，100049北京，100730，中国是国家卫生委员会内分泌委员会，北京北京医学科学院和北京北京的北京大学北京大学医学院医院部内分泌委员会，100730，B。致癌与翻译研究的主要实验室（北京教育部/北京部）（北京部），国家癌症医院，北京癌症医院，疾病学院。多模式人工智能系统，北京工程智能系统和技术研究中心，中国科学院自动化研究所，北京，北京，100190，中国D北国科学院d人工智能学院，北京大学，北京大学，100049，100049北京，100730，中国
CWGAN-GP带有含锂离子电池热图像数据扩展的剩余网络模型
锂电池在储能中找到了广泛的应用。温度是评估锂离子电池状态的关键指标，许多实验需要用于研究目的的锂离子电池的热图像。然而，由于诸如高实验成本和相关风险之类的因素，获取锂离子电池故障的热成像样品是具有挑战性的。为了解决这个问题，我们的研究提议利用有条件的Wasserstein生成对抗网络，该网络具有梯度惩罚和残留网络（带剩余网络的CWGAN-GP），以增强描述锂离子电池故障的热图像的数据集。我们采用各种评估指标来定量分析和比较锂离子电池的热图像。随后，扩展的数据集，包括四种描述锂离子电池故障的热图像的类型的热图像，是输入基于面具区域的卷积神经网络进行训练的。结果表明，就锂离子电池的生成的热图像质量而言，提出的模型超过了传统的生成对抗网络和Wasserstein生成对抗网络。此外，数据集的增强导致基于掩模区域的卷积神经网络的故障诊断准确性提高。
来自 Twitter 的带有元数据的 AI 生成图像数据集
生成式人工智能 (gen-AI) 的最新进展使得只需单击一下即可生成照片般逼真且具有艺术灵感的照片，满足数百万在线用户的需求。要探索人们如何使用 DALLE 和 StableDiffusion 等 gen-AI 模型，了解 AI 生成的照片中的主题、内容和变化至关重要。在这项工作中，我们介绍了 TWIGMA（带有 MetadatA 的 TWItter Generative-ai 图像），这是一个全面的数据集，涵盖了 2021 年 1 月至 2023 年 3 月在 Twitter 上收集的 800,000 多张 gen-AI 图像，以及相关元数据（例如推文文本、创建日期、点赞数），可在 https://zenodo.org/records/8031785 上找到。通过将 TWIGMA 与自然图像和人类艺术作品进行比较分析，我们发现与非 gen-AI 图像相比，gen-AI 图像具有独特的特征，并且平均而言表现出较低的可变性。此外，我们发现 gen-AI 图像与自然图像之间的相似性与点赞数量呈反比。最后，我们观察到 Twitter 上 AI 生成图像的主题发生了纵向变化，用户越来越多地分享艺术上复杂的内容，例如复杂的人类肖像，而他们对自然场景和动物等简单主题的兴趣有所下降。我们的研究结果强调了 TWIGMA 作为研究 AI 生成图像的独特数据资源的重要性。
利用熔池图像数据开发定向能量沉积工艺中基于一维卷积神经网络的高度轮廓预测模型
摘要 定向能量沉积 (DED) 工艺是一种代表性的金属增材制造技术，它使用柔性沉积头，主要用于航天和海洋工业的维修。DED 工艺节省时间和金钱，因为它只修复受损的零件和部件。因此，几何控制对于经济准确地填充目标受损区域的体积非常重要。然而，效率取决于激光功率、扫描速度等工艺参数。本研究提出了一种一维卷积神经网络 (1D-CNN) 模型，利用熔池图像数据预测 DED 部件的高度轮廓。首先，对总共 9 种情况进行了 DED 实验，考虑了激光功率和扫描速度作为参数。对收集到的熔池图像数据进行预处理，只提取与感兴趣区域相关的数据。最初，从熔池图像中提取了大小、形状、位置和亮度等共 15 个特征。然后，通过置换特征重要性评估方法选择 10 个关键特征，将其输入到 1D-CNN 算法中，以预测沉积层的高度轮廓。在测试阶段，平均绝对百分比误差（MAPE）为9.55％，验证了所提模型的适用性。
一种基于SAR与光学图像数据融合的目标检测方法 孙慕涵, 周银清, 徐华平
tib.eu › viewer › content › targetFileName=...MSDF（多传感器数据融合）的概念和技术利用了...计算负担非常大，因此目标算法。
使用...从小型训练数据集进行图像数据增强
图 2.5 激活函数：（a）S 型函数，（b）双曲正切函数，（c）整流线性单位函数，（d）泄漏整流线性单位函数。......................................................................................................................... 18
基于深度学习的糖尿病预测的新建议：将临床数据转换为图像数据
摘要：糖尿病是全球最常见的疾病之一，近年来已成为对人类日益全球化的威胁。但是，糖尿病的早期检测极大地抑制了疾病的进展。这项研究提出了一种基于深度学习的新方法，用于早期检测糖尿病。与许多其他医学数据一样，研究中使用的PIMA数据集仅包含数值值。从这个意义上讲，流行的卷积神经网络（CNN）模型在此类数据中的应用是有限的。这项研究将数值数据转换为图像，基于特征的重要性，用于在早期糖尿病诊断中使用CNN模型的强大表示。然后将三种不同的分类策略应用于所得的糖尿病图像数据。在第一个中，糖尿病图像被送入RESNET18和RESNET50 CNN模型中。在第二个重新网络模型的深度特征中被融合并与支持向量机（SVM）进行分类。在最后的方法中，选定的融合特征由SVM分类。结果证明了糖尿病早期诊断中糖尿病图像的鲁棒性。
使用基于本地非图像数据的人工智能临床医生模型预测 2019 年冠状病毒病患者的氧气需求
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.