XiaoMi-AI文件搜索系统
World File Search System图像格式
计算机视觉模型的比较
步骤1：获取图像•我们发现Google Earth Engine是获取图像的最佳方法。它有几种具有不同分辨率和频段的卫星数据集的选项。最适合我们目的的数据集是NAIP数据集，因为它的分辨率最高，每个像素为1米。•一旦我们有了获得图像的方法，我们就必须将这些图像转换为更容易访问的格式。•Python中的OpenCV软件包是最好的选择。此软件包包括许多边缘检测算法，可以将我们的图像格式作为输入，并输出标准格式（如PNG）。步骤2：Canny Edge检测•我们决定使用最适合Purdue这两个课程的方法，然后再将其推广。OPENCV包装中最有希望的边缘检测方法是Chany，Sobel，PreWitt和Laplacian。精明的边缘检测是最好的。•使用CANNY时，即使参数进行了调整，也存在很多多余的噪音，因此我们进行了额外的处理。•我们使用HSV掩码拍摄图像，仅保留适合给定颜色范围的图像的一部分。•颜色范围设置为球道和绿色的颜色，以隔离高尔夫球场。•为了减少HSV面膜产生的盐和胡椒噪声，我们使用了“非本地含量降解”技术，应用了降噪过滤器。•然后，我们采用了HSV过滤器的输出，并通过Canny Edge检测来运行它。输出是仅保留课程球道布局边缘的图像。o我们收集了整个美国高尔夫球场的图像。步骤3：概括我们的过程•下一步是概括与所有高尔夫球场一起使用的方法。o从那里，我们使用mageense.ai 2注释图像以获得“地面真相”。maveense.ai是一种Web工具，它允许我们用多边形注释数据，这将与Canny Edge检测多边形进行比较。•接下来，我们修改了该过程，以便能够通过卫星图像的文件夹迭代。然后，我们使用OPENCV的轮廓方法来纠正我们使用带注释的图像遇到的格式问题。•下一步是编写一个Python程序，将该过程的结果与地面真相进行比较。我们的目标是改变过程，看看变化有多改善或恶化结果。步骤4：与地面真相进行比较•我们为Canny做了多种方法，但是由于时间限制，我们选择了仅使用一种方法的联合3（IOU）比较的交集。•IOU是一种测量工具，可以确定对象检测器在特定对象集上的准确性。•我们选择了基于哪种方法在视觉上看起来最好的比较方法。
研究声明
我的研究重点是开发用于生物医学应用的新型AI技术，重点是翻译生物医学数据科学研究以使临床实践和生物学研究受益。我在AI，生物信息学，高性能计算以及生物医学物理学（BMP）和成像方面具有独特的专业知识。我对翻译研究的热情使我对尖端的AI研究并领导AI舞会生物医学物理学的创新，建立了与癌症生物学和放射疗法建立联系，以对该领域做出重大贡献。以下总结了我的研究经验和成就，并概述了我的研究努力的未来方向。A.研究成就A1。医学成像和图像分析：我开发了创新的实验和计算技术，用于在我的博士研究中使用超声检查对癌症组织的弹性和毛弹性特性进行成像。建立了一种新的数学框架，用于重建癌症组织的弹性和流体转运性能（血管通透性，间质通透性和间质性液压）。此外，在框架内开发了一种准确的方法，用于同时估计弹性模量和超声图像的可压缩性。这项工作增强了我们对癌症组织复杂机械行为的理解，并为癌症诊断和治疗评估提供了宝贵的见解。A2。我最近的另一项贡献是对对比特征分析（CFA）框架的开发，在参考文献中详细介绍。5。用于BMP应用程序的高性能和可解释的AI：深度神经网络（DNNS）在推理和决策模型培训期间将数千个特定于任务的特定功能提取到数百万个特定于任务的功能。可视化这些功能对于理解学习过程和改善DNN的性能至关重要，但现有的可视化技术仅适用于分类任务。对于回归，该特征点位于具有固有复杂形状的高维连续体上，从而使特征有意义地可视化。鉴于BMP中的大多数深度学习应用都是以回归为导向的，因此开发了一种概念框架和计算方法来可靠地可视化回归特征具有很大意义。i引入了DNN特征可视化4的多种发现和分析方法（MDA）方法，其中涉及学习与DNN的输出和目标标签相关的歧管拓扑。MDA提供了DNN特征的深刻洞察力，突出了DNN的适当性，概括性和对抗性鲁棒性。这些作品可以更深入地了解DNN“黑匣子”，从而设计了更有效的神经网络体系结构。发现CFA和MDA在改善多个医学成像应用中提高DNN性能和可解释性方面的有效性是显着的。A3。 基因组学数据分析的深度学习：单细胞基因组学的显着进步提出了询问大量生物医学查询的独特挑战和机会。A3。基因组学数据分析的深度学习：单细胞基因组学的显着进步提出了询问大量生物医学查询的独特挑战和机会。高维基因组数据本质上是复杂的，这是由于基因之间的相互交织的关系。现有的方法，包括新兴的基于深度学习的方法，并未考虑数据处理过程中的潜在生物学特征，这极大地损害了数据分析的性能并阻碍了先进基因组技术的最大利用。i开发了一种基于熵的制图策略，以将高维基因表达数据数据构成配置的图像格式，称为Genomap，并明确地集成了基因组相互作用6,7。这种独特的表格转换将基因 - 基因相互作用投入了基因组的空间配置，使我们能够提取深基因组相互作用特征并发现数据的潜在歧视性模式。i表明，对于多种应用（细胞聚类和识别，基因签名提取，单细胞数据积分，细胞轨迹分析，降低性降低和可视化），所提出的方法可大大提高数据分析的准确性。