XiaoMi-AI文件搜索系统
World File Search System深层
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
深层网络加速器对医疗保健和生物医学应用的硬件实施
电气调节深脑的设备已使神经和精神疾病的管理中的重要突破。此类设备通常是厘米尺度，需要手术插入和有线供电，从而增加了每日活动期间出血，感染和损害的风险。使用较小的远程材料可能导致侵入性神经调节较少。在这里，我们提出了能够无线传输电信号的磁电纳米电极，以响应于外部磁场。这种调节机制不需要对神经组织的遗传修饰，允许动物在刺激过程中自由移动，并使用非共振载体频率。使用这些纳米电极，我们在体内表现出神经元调节的体外和深脑靶标。我们还表明，局部亚乳头调制促进了通过基底神经节电路连接的其他区域的调制，从而导致小鼠行为变化。磁电材料提出了一种多功能平台技术，可用于侵入性较小的深脑神经调节。
深层生成模型会扩大未来模型中的偏见吗？
我们研究了深层生成模型对即将到来的计算机视觉模型中潜在社会偏见的影响。互联网目睹了a-a-a-a-aford图像的涌入，因此对可能伴随的固有偏见产生了担忧，这可能导致有害内容的分离。本文探讨了如果将生成的图像用作未来模型的训练数据，是否会发生有害的反馈回路，导致偏差。我们通过逐步将可可和CC3M数据集中的原始图像替换为通过稳定的差异生成的图像来进行模拟。修改后的数据集用于训练OpenCLIP和图像字幕模型，我们根据质量和偏差进行评估。与期望相反，我们的发现表明，在训练期间引入产生的图像并不能统一扩大偏见。相反，观察到跨特定任务的偏置缓解实例。我们进一步阐述了可能影响这些现象的因素，例如图像生成中的伪像（例如，模糊的面孔）或原始数据集中的预先偏见。
基于MTPI自动转移学习的深层网络自动训练方法和D
UAV图像采集和深度学习技术已被广泛用于水文监测中，以满足数据量需求不断提高和质量的增加。但是，手动参数培训需要反复试验成本（T＆E），现有的自动培训适应简单的数据集和网络结构，这在非结构化环境中是低实用性的，例如干山谷环境（DTV）。因此，这项研究合并了转移学习（MTPI，最大转移电位指数法）和RL（MTSA强化学习，多汤普森采样算法）在数据集自动启动和网络中自动培训，以降低人类的经验和T＆E。首先，为了最大程度地提高迭代速度并最大程度地减少数据集消耗，使用改进的MTPI方法得出了最佳的迭代条件（MTPI条件），这表明随后的迭代仅需要2.30％的数据集和6.31％的时间成本。然后，在MTPI条件（MTSA-MTPI）中提高了MTSA至自动提高数据集，结果显示准确性（人为误差）提高了16.0％，标准误差降低了20.9％（T＆E成本）。最后，MTPI-MTSA用于四个自动训练的网络（例如FCN，SEG-NET，U-NET和SEG-RES-NET 50），并表明最佳的SEG-RES-NET 50获得了95.2％WPA（准确性）和90.9％的WIOU。本研究为复杂的植被信息收集提供了一种有效的自动培训方法，该方法提供了减少深度学习的手动干预的参考。
深层：使用深度学习和公共多光谱图像促进大规模自动化树库存
Deeptrees项目提供了用于培训，微调和部署深度学习模型的工具，以使用德国的数字矫正图计划（DOP）以20 cm的分辨率从德国的数字矫正图计划（DOP）中使用公共访问的图像进行诸如Tree Crown分割，树状特征检测和树种分类。这些DOP图像是根据“ Amtliches popographis-kartographissches Informationssystems”（AKTIS）指南进行标准化的，以确保其长期使用的可靠性和一致性[2]。利用深层python软件包，我们成功地绘制了萨克森州（137,293,260棵树）和萨克森 - 安哈尔特（81,449,641棵树）的218,742,901棵树，展示了该工具在森林，Urban和乡村环境中的可伸缩性（图1）。这些数据集为市政当局和机构提供了宝贵的见解，以管理街道树木，监测城市绿化和评估森林健康，从而实现更明智的决策和可持续的管理实践。
基于拓扑的深层生成模型在城市形式生成中的应用：评论
摘要将深层生成模型纳入城市形式的生成是支持城市设计过程的一种创新且有前途的方法。但是，大多数深层生成的城市形式模型基于图像表示，这些图像表示并未明确考虑城市形式元素之间的拓扑关系。旨在开发深层生成模型并考虑拓扑信息的帮助下，本文回顾了城市形式的生成，深层生成的模型/深度图生成以及建筑和城市形式的深层生成模型的最新艺术状态。基于文献综述，提出了一个基于深层生成模型的基于拓扑的城市形式生成框架。深层生成模型的街道网络生成的假设forgraphgergrotandplot/building configurationGenerationByDeepgenerativeModels/Space语法以及所提出的框架的可行性需要在未来的研究中进行验证。
各种深层神经网络都预测了人类的劣等...
■接受对象识别训练的深神经网络（DNNS）提供了高级视觉皮层的最佳当前模型。尚不清楚的是，诸如网络架构，训练和对大脑数据的拟合等实验性选择有多么强烈的选择，这有助于观察到的相似性。在这里，我们将九种DNN体系结构的多样化集与它们解释人类下颞皮层中62个对象图像的代表性几何形状（hit）的能力，如用fMRI所测量的。我们将未经训练的网络与他们的任务训练的对应物进行了比较，并通过在每层内特征的主要成分进行加权组合，并将其层次的加权组合得以评估，并评估了击中的效果。对于训练和拟合的每种组合，我们使用独立的