XiaoMi-AI文件搜索系统
World File Search System显着性
基于视觉效果的异常检测MRI脑图像 - Alzheimer疾病分析
摘要：近年来，医学图像分析在早期阶段检测疾病方面起着至关重要的作用。医疗图像迅速用于解决人类问题的各种应用。因此，需要复杂的医疗特征来开发诊断系统供医生提供更好的治疗。传统的异常检测方法遭受给定数据中异常区域的错误识别。视觉效果检测方法用于定位异常，以提高拟议工作的准确性。本研究探讨了视觉显着性图在阿尔茨海默氏病（AD）分类中的作用。自下而上的显着性对应于图像特征，而自上而下的显着性在磁共振成像（MRI）脑图像中使用域知识。提出的方法的新颖性在于使用椭圆形局部二进制模式描述符进行低级MRI表征。类似椭圆的拓扑有助于从不同方向获取特征信息。在不同方向上广泛定向特征覆盖了微模式。阿尔茨海默氏病阶段的大脑区域是从显着图中分类的。多内核学习（MKL）和简单而有效的MKL（SEMKL）用于从正常对照组中对阿尔茨海默氏病进行分类。所提出的方法使用了绿洲数据集，并将实验结果与八种最先进的方法进行了比较。提出的基于视觉显着性的异常检测在准确性，敏感性，特殊性和F量的方面产生可靠的结果。
从“没有明确的赢家”到有效的可解释人工智能流程：一段实证之旅
如果强化学习 (RL) 代理未接受过 AI 培训，那么当领域专家试图评估 AI 的适用性时，他们应该如何向这些领域专家解释自己？为了研究这个问题，我们进行了一项有 124 名参与者参与的实验，并通过以下方式衡量他们的心智模型：(a) 他们预测 AI 行为的能力和 (b) 他们认为 AI 如何做出决策的书面“规则手册”。我们这样做是为了在简单的 RTS 游戏环境中比较参与者对 RL 代理的心智模型。我们的目标是比较参与者在四种解释配置下对 AI 代理的心智模型：(控制) 无解释；(显着性) 显着性图，解释 AI 的注意力焦点；(奖励) 奖励分解条，解释 AI 对未来奖励类型的预测；和 (一切) 显着性和奖励。这些解释如图 1 所示。为了比较这些解释配置，我们设计了一项受试者间控制实验室研究，以测量人们对 RTS 游戏中不同解释组合的反应差异。为了控制可能采取的行动空间，我们构建了自己的游戏，我们称之为 4-Towers 游戏。在 4-Towers 游戏中，
以显著性图为指导的有效混合策略
数据增强现在是图像训练过程的重要组成部分，因为它可以有效地防止过度拟合并使模型对噪声数据集更加稳健。最近的混合增强策略已经取得了进展，可以生成可以丰富显着性信息的混合掩码，这是一种监督信号。然而，这些方法在优化混合掩码时会产生很大的计算负担。出于这个动机，我们提出了一种新颖的显着性感知混合方法GuidedMixup，旨在以较低的计算开销保留混合图像中的显着区域。我们开发了一种高效的配对算法，该算法致力于最小化配对图像的显着区域的冲突并在混合图像中实现丰富的显着性。此外，GuidedMixup通过平滑地插值两个配对图像来控制每个像素的混合率以更好地保留显着区域。在多个数据集上的实验表明，GuidedMixup 在分类数据集上实现了数据增强开销和泛化性能之间的良好平衡。此外，我们的方法在损坏或精简数据集的实验中也表现出良好的性能。
我的想法在哪里（看）？脑电图关注关系的研究
摘要：视觉注意力估计是不同学科的十字路口的研究领域：计算机视觉，深度学习和医学。估计代表注意的显着性图的最常见方法之一是基于观察到的图像。在本文中，我们表明可以从脑电图获取中获取视觉关注。结果与观察到的图像的传统预测相媲美，这引起了人们的关注。基于图像的显着性估计是参与者独立的，脑电图的估计可以考虑到主题的特定城市。为此，已经记录了一组信号，并开发了不同的模型来研究视觉注意力与大脑活动之间的关系。结果令人鼓舞，并且与其他方法估计注意力的其他方法相媲美。能够预测脑电图的视觉显着性图可以帮助研究研究大脑活动与视觉注意力之间的关系。它也可以在各种应用中有助于：驾驶，神经营销期间的警惕评估，以及有助于诊断和治疗与视觉注意力相关的疾病的帮助。为了重现性，本文中考虑的代码和数据集已公开可用，以促进该领域的研究。
SGLT2抑制剂和对比造成的急性肾脏损伤的风险：PCI试验的时间？
统计分析使用以下统计方法进行数据分析：T检验，Mann -Whitney测试，Shapiro -Wilk检验，非参数χ2检验和KRUS KAL -WALLIS测试在方差分析中（ANO VA）。在显着性水平为0.05的显着性水平上测试了假设。使用Kaplan – Meier曲线用于各种终点的生存时间，并使用对数贷方测试进行比较。为了确定需要手术的风险因素，进行了多元逻辑回归分析。优势比。对我们的Statistica软件进行了统计计算，版本13.1（TIBCO，帕洛阿尔托，加利福尼亚州，美国）。该研究得到当地伦理委员会的批准。
发展动力：探索集体主义社会中相对于发展水平的人权遵守
0.322 *** 0.228 *** 1.934 ** 2.087*（0.000）（0.000）（0.017）（0.017）（0.057）（0.057） 0.0703“ ***”表示在99％的水平下显着； “ **”表示95％的意义，“*”表示90％级的显着性
基于梯度的深钢筋学习解释方法
摘要摘要摘要：摘要：DQN之类的深强化学习方法的学习过程和工作机制不透明，并且无法感知其决策基础和可靠性，这使该模型的决策高度可疑，并且极大地限制了深入强化学习的应用程序场景。要解释智能代理的决策机制，本文提出了基于梯度的显着性图生成算法SMGG。它使用高级卷积层生成的特征图的梯度信息来计算不同特征地图的重要性。使用模型的已知结构和内部参数，从模型的最后一层开始，通过计算特征映射的梯度来生成不同特征地图相对于显着性图的重量。它列出了在正方向和负面方向上特征的重要性，并使用具有积极影响的权重来加重功能图中捕获的特征，从而形成了当前决策的积极解释；它使用对其他类别产生负面影响的权重来对特征映射中捕获的特征进行加权，从而形成了当前决策的反向解释。决策的显着性图是由两者共同生成的，并且获得了智能代理的决策行为的基础。通过实验证明了该方法的有效性。