XiaoMi-AI文件搜索系统
World File Search System特征的
从影像中提取线性特征的技术回顾
摘要 几十年来，从遥感图像中自动提取线性特征一直是广泛研究的主题。最近的研究表明，提取特征信息可用于更新地理信息系统 (GIS) 等应用，前景广阔。近年来，随着多种机载和卫星传感器的发射，可用图像的增加刺激了研究。然而，虽然图像数据范围和可用性的扩展为获取图像相关产品提供了新的可能性，但也对图像处理提出了新的要求。有效处理大量可用数据需要提高自动化程度，同时仍要利用人类操作员的技能。本文概述了用于线性特征提取的图像类型。本文还介绍了用于特征提取的方法，并考虑了这些程序的定量和定性准确性评估。
Dino-WM：预先训练的视觉特征的世界模型...
预测给定控制动作的未来结果的能力对于物理推理至关重要。然而，这种预测模型通常称为世界模型，已被证明具有挑战性的学习，通常是通过在线政策学习中为特定于任务的解决方案而开发的。我们认为，世界模型的真正潜力在于他们仅使用被动数据来推理和计划各种问题的能力。具体而言，我们要求世界模型具有以下三个属性：1）在离线，预采用的轨迹上进行训练，2）支持测试时间行为优化，3）促进任务无关紧要的推理。为了意识到这一点，我们提出了Dino World Model（Dino-WM），这是一种建模视觉动力学的新方法，没有重建视觉世界。Dino-WM利用了通过Dinov2预先训练的空间贴片特征，从而使其能够通过预测未来的补丁功能来从离线行为轨迹中学习。此设计允许Dino-WM通过动作序列优化实现邻国目标，从而通过将所需的目标贴片特征视为预测目标来促进任务不合时宜的行为计划。我们评估跨各个领域的Dino-WM，包括迷宫导航，桌面推动和粒子操纵。我们的实验表明，Dino-WM可以在测试时间生成零拍的行为解决方案，而无需依赖专家演示，奖励建模或预学的逆模型。值得注意的是，与先前的最新作品相比，Dinowm具有强大的概括能力，适应了多种任务家族，例如任意配置的迷宫，具有多种物体形状的推动操纵和多粒子场景。
视觉场景复杂性对空间注意神经特征的影响
空间选择性注意极大地影响了我们对复杂视觉场景的处理，但大脑选择相关物体而抑制不相关物体的方式仍不清楚。使用非侵入性脑电图 (EEG) 发现了这些过程的证据。然而，很少有研究描述在注意动态刺激期间这些测量值的特征，而且对于这些测量值如何随着场景复杂性的增加而变化知之甚少。在这里，我们比较了三个视觉选择性注意任务中 EEG N1 和 alpha 功率（8-14 Hz 之间的振荡）的注意力调节。这些任务在呈现的不相关刺激数量上有所不同，但都需要持续注意侧化刺激的方向轨迹。在几乎没有不相关刺激的场景中，自上而下的空间注意控制与顶叶-枕叶通道中 N1 和 alpha 功率的强烈调节有关。然而，在两个半视野中都有许多不相关刺激的场景中，自上而下的控制不再表现为对 alpha 功率的强烈调制，并且 N1 振幅总体上较弱。这些结果表明，随着场景变得更加复杂，需要在两个半视野中进行抑制，自上而下控制的神经特征会减弱，这可能反映了 EEG 在表示这种抑制方面存在一些局限性。
一种用于检测倍数和有问题特征的计算方法
摘要补体系统通过诱导强大的消除反应来快速和广泛地对微生物入侵者，凋亡细胞和其他威胁的能力，对于它作为宿主防御和监视系统的作用是必不可少的。然而，补体的危险感知能力可能会以各种免疫，炎症，与年龄相关或生物材料诱导的疾病的患者的价格高昂。误导了对细胞碎屑或移植物的识别，微生物或受损的宿主细胞过度激活，自身免疫事件以及补体反应失调可能会引起效应的功能，而不是保护宿主组织。尽管补体长期以来一直与疾病有关，但补体参与病理过程的普遍性，影响和复杂性才被完全认识到病理过程。虽然补体很少构成疾病的唯一驱动力，但它是许多疾病中的发起者，贡献者和/或加剧者。确定在疾病中，尖锐的平衡从保护性到破坏性影响的因素继续证明具有挑战性。幸运的是，分子对补体功能，改善疾病模型以及日益增长的临床经验的洞察力大大提高了人们对补体病理方面的理解。鉴定了新型补体介导的指示以及第一种治疗性抑制剂的临床可用性也引发了人们对开发针对补体的药物的重新兴趣，同时导致了新的批准和有希望的候选人在晚期评估中。描述了一个多世纪后，补充现已真正到达了诊所，最近的发展对诊断和治疗都充满希望。
有关前列腺癌诊断的同源持久特征的机器学习技术
摘要图像处理设备和技术的快速演变确保了新型图片分析方法的发展。是测量功能拓扑特性的最强大但计算可能的代数技术之一是持续的同源性。这是一个代数不变的，可以在不同的空间分辨率下捕获拓扑细节。持续的同源性使用一组采样点（例如像素）研究了空间的拓扑特征。它可以跟踪由被称为过滤的操作产生的嵌套空间变化引起的拓扑特征的外观和消失，在这种操作中，在我们的情况下，参数量表增加了像素的强度，以检测在各种尺度范围内研究空间的变化。此外，在机器学习的层面上，最近有许多研究和文章目睹了同源性持久性与机器学习算法之间的结合。在另一个层面上，前列腺癌被诊断为描述称为格里森评分的癌症严重程度的评分标准。经典的格里森系统定义了五种组织学生长模式（等级）。在我们的研究中，我们建议研究从新的光学显微镜技术发行的一些腺体上的格里森评分，称为Slim。这种新的光学显微镜技术在光成像中结合了两个经典的思想：Zernike的相比显微镜和Gabor的全息图。在这些图像上计算持续的同源性特征。我们建议将这些图像分类为相应的格里森评分。在同源持久性特征上应用的机器学习技术在这些图像中检测前列腺癌的正确格里森评分非常有效，并且表现出高于95％的精度。
一种用于检测倍数和有问题特征的计算方法
摘要在金属添加剂制造中，具有高纵横比（AR）特征的几何形状通常与由热应力和其他相关构建故障引起的缺陷有关。理想情况下，将在设计阶段检测和删除过高的AR功能，以避免制造过程中不必要的故障。但是，AR是规模和方向独立的，并且在所有尺度和方向上识别特征非常具有挑战性。此外，并非所有高AR特征都像薄壁和细小的针头一样容易识别。因此，在添加剂制造过程的有问题特征检测领域的进一步发展需要进一步发展。在这项工作中，提出了基于从三角形的网格几何形状提取的两个距离指标的无量纲比率（d 1/ d 2）。基于此方法，具有不同特征的几何形状（例如薄壁，螺旋和多面体），以产生与AR相似的指标。将预测结果与典型几何的已知理论AR值进行了比较。通过将此度量与网格分割结合在一起，进一步扩展了该方法以分析具有复杂特征的几何形状。所提出的方法提供了一种强大，一般且有前途的方法，可以自动检测高AR功能并在制造前解决相关的缺陷问题。
预后意义和神经网络衍生的心电图特征的关联
结果：总共包括1 808 584例患者。在派生队列中，3个现象群具有显着不同的死亡率。调整已知的协变量后，现象B与现象A相比，长期死亡率增加了20％（危险比，1.20 [95％CI，1.17-1.23]； P <0.0001; P <0.0001; phanogroup A死亡率，2.2％; femogroup B死亡率，6.1％）。在单变量分析中，我们发现现象B在所有队列中的死亡风险都明显更大（所有5个同类群中的对数秩P <0.01）。全球范围的关联研究表明，现象B的未来房颤率较高（优势比，2.89; p <0.00001），心室心动过速（优势比，2.00; p <0.00001），缺血性心脏病（优势比，1.44; p <0.00001; p <0.00001）; cardiy1 <0.00001）<，cardibath 一项单特征基因组的关联研究产生了4个基因座。 SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。 ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。一项单特征基因组的关联研究产生了4个基因座。SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。
叶蝉进化新特征的基因组基础
进化创新产生了表型和物种多样性。阐明此类创新背后的基因组过程对于理解生物多样性至关重要。在这项研究中，我们探讨了农业害虫玻璃翅神枪手（Homalodisca vitripennis，GWSS）进化新奇性的基因组基础。叶蝉的突出进化创新包括支体，这是一种排出并用于覆盖身体的蛋白质结构，以及与两种细菌类型的强制性共生关系，这两种细菌类型驻留在不同细胞类型的细胞质中。使用 PacBio 长读测序和 Dovetail Omni-C 技术，我们为 GWSS 生成了染色体水平的基因组组装，然后使用流式细胞术和核型分析验证了该组装。额外的转录组学和蛋白质组学数据用于识别支体产生的新基因。我们发现，支体相关基因包括通过串联重复而多样化的新基因家族。我们还确定了与细菌共生体相互作用的基因位置。GWSS 的祖先通过水平基因转移 (HGT) 获得了细菌基因，这些基因似乎有助于共生体支持。使用系统基因组学方法，我们推断了 HGT 的来源和时间。我们发现一些 HGT 事件可以追溯到半翅目 Auchenorrhyncha 亚目共同祖先，代表了动物中已知的一些最古老的 HGT 例子。总体而言，我们表明叶蝉的进化新颖性是通过获得新基因（从头产生和通过串联重复产生）、获得新的共生关联（允许使用新的饮食和生态位）以及招募外来基因来支持共生体和增强食草性而产生的。
疼痛环境下 fNIRS BCI 频域特征的可靠性
摘要—本文研究了疼痛的存在对基于功能性近红外光谱 (fNIRS) 的脑机接口 (BCI) 中心算任务分类准确性的影响。在有和没有外部疼痛刺激的情况下执行两个心算任务时，从前额叶和运动皮质获得 fNIRS 记录。针对每个任务提取无痛和疼痛条件下 fNIRS 信号的各种频域参数并用作特征。使用二次核的支持向量机 (QSVM) 作为分类器。考虑了四种训练和测试分类器的场景：(1) 使用无痛数据进行训练和测试，(2) 使用低痛数据进行训练和测试，(3) 使用无痛数据进行训练并使用低痛数据进行测试，以及 (4) 使用低痛数据进行训练并使用无痛数据进行测试。结果表明，当使用疼痛时获得的数据对模型进行测试时，使用无痛数据训练的模型的分类准确率会显著降低。同样，当使用疼痛时获得的数据对模型进行训练但使用无痛数据进行测试时，准确率也会下降。这些结果强调了在为有需要的患者开发 BCI 时考虑疼痛引起的皮质活动变化的重要性。
空间能力矩阵：卫星能力特征的开发和应用
由于太空商业化和军事化程度的提高，太空态势理解 (SSU) 超越了太空态势感知 (SSA)，因此必不可少。要真正了解潜在的对手能力，仅仅探测和识别卫星是不够的。威胁评估和态势理解的第一步是表征观测卫星的能力。本研究旨在通过独特的（一组）特征来确定对手卫星的能力。特征包括物理、态势和行为方面。关系信息模型用于将特征映射到能力，将特征映射到观察和信息处理方法。创建了此模型的概念演示器并将其实现到工具中。模型和工具都称为空间能力矩阵 (SCM)。SCM 可以识别卫星能力，也可以找到对确定能力贡献最大的特征。该模型用于确定表征观测卫星能力的最佳测量组合，以及对增强此过程的新型传感器技术和处理的需求。通过实际示例展示了能力矩阵在军事应用和研究用途中的潜力。为了帮助 SCM 从空间态势感知 (SSA) 过渡到空间态势理解 (SSU)，需要进一步开发，主要是添加更多数据并创建用户友好界面，并进行测试。