XiaoMi-AI文件搜索系统
World File Search System注释的
bin选择的几个透明实例细分
摘要在本文中，我们考虑了从机器人箱拾取设置中从RGB或灰度相机图像中分割多个实例的问题。用于解决此任务的先前方法通常是在Mask-RCNN框架上构建的，但是它们需要大量注释的数据集进行填充。取而代之的是，我们在几个拍摄设置中考虑任务，并在trinseg中考虑了基于mask-rcnn的透明对象的数据效率和健壮的实例分割方法。我们在trinseg中的关键创新是双重的：i）一种被称为transmixup的新颖方法，用于使用合成透明的对象实例生成新的训练图像，该图像是通过空间转换带注释的示例创建的； ii）一种评分理想对象模板的预测段和旋转之间一致性的方法。在我们的新评分方法中，空间转换是由辅助神经网络产生的，然后将得分用于填充不一致的实例预测。为了证明我们方法的效果，我们介绍了一个新的几种数据集的实验，该数据集由七个类别的非偏见（透明和半透明）对象组成，每个类别的大小，形状和透明度的透明度变化。我们的结果表明，Trinseg实现了最先进的性能，在MIOU中提高了14％以上的细化面膜RCNN，同时需要很少的带注释的培训样本。
![arXiv:2111.04737v1 [eess.IV] 2021 年 11 月 8 日](/simg/g:\will\search\icon\source\9\918dc99e86232d73e224a6f839fece611f0c8b46.webp)
arXiv:2111.04737v1 [eess.IV] 2021 年 11 月 8 日
对子宫内发育中的人类大脑进行定量评估对于全面了解神经发育至关重要。因此，正在开发自动多组织胎儿大脑分割算法，而这又需要训练带注释的数据。然而，可用的带注释胎儿大脑数据集数量有限且异质性强，阻碍了领域适应策略实现稳健的分割。在这种情况下，我们使用 FaBiAN（胎儿大脑磁共振采集数值模型）来模拟胎儿大脑的各种逼真的磁共振图像及其类别标签。我们证明，这些多个合成带注释的数据（免费生成并使用目标超分辨率技术进一步重建）可成功用于深度学习方法的领域适应，该方法可分割七种大脑组织。总体而言，分割的准确性显著提高，尤其是在皮质灰质、白质、小脑、深层灰质和脑干方面。
以数据为中心的AI：透视和挑战
段的成功在很大程度上归因于一个带注释的数据集，该数据集的数据集超过10亿个掩码，该数据集比现有的数据集大400倍。段的任何东西都具有标签的三个阶段：辅助手动阶段，半自动阶段和全自动阶段。
HINTS 6 方法报告
4.1 扫描................................................................................................................ 13 4.2 数据清理与编辑 .............................................................................................. 14 4.3 填补数据 .............................................................................................................. 15 4.4 确定家庭成年人口数 .............................................................................. 16 4.5 调查资格 ...................................................................................................... 17 4.6 附加分析变量 ............................................................................................. 18 4.7 编码本和带注释的问卷编制 ............................................................. 19
ursapgx：使用分阶段全基因组测序数据
药物基因组学（PGX）有益药物管理（Gharani等，2013; Dunnenberger等，2015; Relling and Evans，2015; Zhang et al。，2015; Bush等，2016; Relling et al。但是，药物遗传学注释通常很复杂（补充图S1）。功能性PGX注释和相应的临床PGX建议依赖于Star（*）等位基因注释（Caudle等，2014； Kalman等，2016）；恒星等位基因通常由多种遗传变异定义（Gaedigk等，2018; Gaedigk等，2020; Gaedigk等，2021）;当恒星等位基因定义变体是杂合的，需要分阶单倍型信息来解决注释。此外，随着新变体的特征并纳入临床PGX建议，注释可能会随着时间而变化。许多资源和现成工具可用于支持对PGX注释感兴趣的研究人员和临床医生。Several tools are well-suited for the PGx annotation of unphased data (e.g., StellarPGx and Stargazer ( Lee et al., 2019 ; Twesigomwe et al., 2021 )), and tools such as PharmCAT, while not computationally streamlined for multi-sample annotation, go a step further to incorporate clinical recommendations into the software output ( Sangkuhl et al., 2020 ）。新的长阅读测序技术提供了生成可靠PGX注释的高构度分阶段全基因组测序（WGS）数据的机会。在这里，我们描述了URSAPGX，该软件包旨在补充现有工具，以利用分阶段的全基因组测序数据进行PGX注释。ursapgx旨在使用多样本，分阶段的WGS VCFFILES在典型的笔记本电脑上运行，并为PharmVar注释的选定药物基因生成剂提供了Star等位基因注释的输出表。
对小鼠海马进行单核 RNA 测序，以评估体内基因编辑
图 3. (A) 小鼠 1 海马的细胞类型识别和 tdTomato 报告基因转录水平 (A) 小鼠 1 的带注释的综合 UMAP 投影显示实验和对照条件下存在 12 种不同的细胞类型。簇 0 和簇 12 被识别为阳性对照成纤维细胞刺突。
D3mciAD：利用句法图像生成和神经网络进行数据驱动的轻度认知障碍诊断
摘要。阿尔茨海默病是一种无法治愈的慢性神经系统疾病 (NLD)，会影响人类记忆力，并随着大脑区域的萎缩而丧失认知思维能力。早期发现阿尔茨海默病 (AD) 是延缓其影响的唯一希望。本研究设计了一种计算机辅助自动检测方法，可以从磁共振图像扫描中检测出 AD 的轻度认知障碍。数据驱动的解决方案需要大量带注释的图像才能进行诊断。然而，获取大量带注释的数据用于医疗应用是一项艰巨的任务。我们利用深度卷积生成对抗网络 (DCGAN) 来合成高质量图像以增加数据集大小。微调的 CNN（VGG16 架构）模型对图像进行处理，以提取直观的特征以进行早期诊断。VGG16 提取的图像特征输入到支持向量机进行分类。本研究进行了大量实验来验证所提出的方法在公共数据集上的表现优于相对基线。
路边单元的标签效率3D对象检测
摘要 - 遮挡对安全至关重要的应用（例如自动驾驶）提出了重大挑战。集体感知最近引起了巨大的研究兴趣，从而最大程度地减少了闭塞的影响。尽管已经取得了重大进步，但是这些方法的渴望数据的性质为其现实世界部署带来了重大障碍，尤其是由于需要带注释的RSU数据。鉴于交叉点的数量和注释点云所涉及的努力，手动注释培训所需的大量RSU数据非常昂贵。我们通过根据无监督的对象发现为RSU设计标签有效的对象检测方法来应对这一挑战。我们的论文介绍了两个新模块：一个基于点云的空间时间聚集，用于对象发现，另一个用于改进。fur-hoverore，我们证明，对一小部分带注释的数据进行微调使我们的对象发现模型可以使用甚至超过完全监督的模型范围缩小性能差距。在模拟和现实世界数据集中进行了广泛的实验，以评估我们的方法†。