XiaoMi-AI文件搜索系统
World File Search System纹理
Jason M. Eisner-约翰·霍普金斯计算机科学可鲁棒分析的神经纹理可变形网格 -
人类的视野比在分布外情景下表现出的鲁棒性更高。它已经通过逐个合成的分析来猜想这种鲁棒性益处。我们的论文通过通过渲染和能力算法在神经特征上进行近似分析，以一致的方式制定三重视觉任务。在这项工作中，我们引入了神经丝线可变形的网格（NTDM），该网格涉及具有变形几何形状的OBJECT模型，该模型允许对摄像机参数和对象几何形状进行优化。可变形的网格被参数化为神经场，并被全表面神经纹理图所覆盖，该图被训练以具有空间歧视性。在推断过程中，我们使用可区分渲染来最大程度地重建目标特征映射，从而提取测试图像的特征图，然后对模型的3D姿势和形状参数进行优化。我们表明，在现实世界图像，甚至在挑战分布外情景（例如闭塞和主要转变）上进行评估时，我们的分析比传统的神经网络更强大。在经常性能测试测试时，我们的算法与标准算法具有竞争力。
用于被动能源的纹理刚性毛细管材料...
毛细管现象在自然界中无处不在，直接参与生命系统的功能。[1] 天然多孔介质的特点是随机（如土壤、海绵）或有序（如木材、肺）结构。人造毛细管介质种类繁多，广泛应用于大多数行业，如过滤器、纺织品（编织和非编织）、吸收剂、陶瓷或组织支架。[2] 人们一直致力于改造多孔材料的毛细管特性，以实现改进的热学、[3] 机械学、[4] 电学、[5] 光学[6] 和生物医学 [7] 性能。除了本质上多孔的材料（如金属有机骨架 [8] ）之外，最近的研究还集中于可以精细控制材料添加（如 3D 打印 [1,9] ）或从块体材料中去除（如激光蚀刻 [6,10] ）的制造工艺，以设计精确的孔隙结构。具有多功能工程设计的多孔材料特别适用于被动式能量转换装置。这些装置通常不需要高质量的能量输入，而且由于没有移动的机械部件，维护成本低，而且具有成本效益。此外，它们最适合离网安装，并且总体上可以促进与水能关系相关的行业的可持续转型。[11] 这些装置可以利用多孔毛细管介质来克服小水头，并在无需主动机械或电气部件的情况下为整个系统提供工作流体。已提出将其应用于蒸汽发电、[12] 海水淡化、[13,14] 盐沉淀、[15] 水卫生、[16] 太阳能热能收集 [6] 和冷却 [17] 等。显然，优化此类被动装置中多孔材料的毛细管特性对于提高其整体性能至关重要：毛细管特性差可能导致连续蒸发过程中干燥，并会严重限制可实现的最大装置尺寸。[18] 因此，毛细管特性不佳会严重阻碍整个系统的生产率和可扩展性。被动能量转换装置通常使用非结构化毛细管材料（如纸或商用纺织品）作为移动工作流体的被动组件。[19] 然而，考虑到
纹理特征提取方法：调查
抽象的纹理分析用于非常广泛的场和应用，从纹理分类（例如，用于遥感）到分割（例如，在生物医学成像中），通过图像合成或模式识别（例如，用于图像inpainting）。对于这些图像处理过程中的每一个，首先，必须从原始图像中提取描述纹理属性的象征性特征。在过去的几十年中，已经提出了各种特征提取方法。每个人都有其优点和局限性：其中一些的性能不是通过翻译，旋转，affin和perspective变换来修改的；其他人的计算复杂性低；其他人再次容易实施；等等。本文对纹理特征提取方法进行了全面的调查。后者分为七个类：统计方法，结构方法，基于转换的方法，基于模型的方法，基于图形的方法，基于学习的方法和基于熵的方法。对于这七个类中的每种方法，我们介绍了概念，优势和缺点，并给出了应用程序的示例。这项调查使我们能够确定两类方法，特别是在将来值得关注的方法，因为它们的表现似乎很有趣，但是他们的详尽研究尚未进行。
小鼠模型中源自关节体积和纹理协方差模式的阿尔茨海默氏病风险的网络生物标志物
摘要。阿尔茨海默氏病（AD）缺乏有效的治疗方法，通常在发生实质性病理变化后发现干预措施具有挑战性。早期发现和对危险因素及其下游影响的理解至关重要。动物模型提供了研究这些前驱阶段的宝贵工具。我们使用表达三个主要人类APOE等位基因的小鼠来投资各种遗传风险，代替了小鼠APOE。我们利用这些小鼠模型利用高分辨率磁共振扩散成像，因为它提供了可以共同分析的多个参数的能力。我们研究了APOE基因型如何与年龄，性别，饮食和免疫力相关，以产生区域脑体积和分数各向异性的共同变化，这是对脑水扩散的敏感度量。我们的结果表明，基因型强烈影响尾状壳，PON，扣带回皮层和小脑，而性别影响双侧杏仁核和梨状皮层。免疫状态会影响许多区域，包括顶叶皮层，丘脑，听觉皮层，V1和双侧齿状小脑核。危险因素相互作用特别影响杏仁核，丘脑和PON。apoE2小鼠在常规饮食上表现出最少的时间变化，表明弹性，而ApoE3小鼠对高脂饮食（HFD）的影响最小。HFD扩增了多个大脑区域的衰老效应。包括饮食在内的AD危险因素的相互作用显示出灰灰色，PON，PONS，AMYGDALA，下丘，M1和腹侧轨道皮层的显着变化。未来的研究应研究这些协调的体积和纹理变化基础的机械性，可能通过检查基因表达和代谢中的网络相似性，以及它们与与神经退行性疾病进展有关的结构途径的关系。
粉末床熔合过程中加工的区域表面纹理和刀具磨损分析
由于时间和成本的缘故，后处理铣削操作通常不切实际，可能需要专门的工具。为了减少对特殊工具和额外加工的需求，开发了混合增材制造系统，以顺序方式打印和铣削，以在一个机器平台上实现所需的表面光洁度。商用机器平台将铣削与定向能量沉积系统（例如 Optomec、Mazak、DMG Mori）和粉末床熔合系统（例如 Matsuura 和 Sodick）相结合，以实现小于 0.8 µm 的表面粗糙度 (Sa) [1, 2]。可以直接从构建室获得精加工表面。已知的第一个关于组合式粉末床熔合和铣削的研究是在 2006 年由松下电工株式会社（日本以外的松下电工）和金泽大学进行的，目的是制造
视觉皮层纹理感知的光遗传学控制 • 指导老师：Andrea Benucci 教授 • 学生资助：
• 名称：SBBS 学生奖学金 • 资助者：伦敦玛丽女王大学生物与行为科学学院 (SBBS) • 申请截止日期：2025 年 4 月 30 日 23:59 • 预计开始日期：2025 年 9 月 15 日（2025 年 9 月入学）项目概述伦敦玛丽女王大学生物与行为科学学院 (SBBS) 现接受为期 3 年的博士生资助申请。感知视觉世界是由外侧皮层中的一组区域（称为腹侧视觉流）实现的。根据一个完善的模型 [1]，这些区域形成一个分层处理流，其中早期区域编码基本刺激特征，而后期区域则对更复杂的刺激（如物体和面部）作出反应。该模型提高了我们解码神经活动的能力，但未能解释神经激活如何转化为视觉感知——具体来说，信息如何在神经回路中“编码”。本博士生奖学金旨在通过因果方法来解决这个问题，以识别神经动力学的时空光遗传学扰动，从而实现对自然视觉刺激的感知。该项目将使用小鼠作为模型生物，并采用基于全息术的双光子光遗传学 [2] 来激活腹流皮层区域的神经元集合。该项目将采取以下步骤：1. 训练小鼠进行视觉纹理辨别任务，任务难度通过参数调整
Chien -Ming Huang-约翰·霍普金斯计算机科学 Jason M. Eisner-约翰·霍普金斯计算机科学 可鲁棒分析的神经纹理可变形网格 -
jiwon Moon（CS BS），CRA杰出的本科研究人员荣誉提名2025 Victor Nikhil Antony（CS PhD），Hri Pioneer 2025 Maia Stiber（CS PhD），HRI Pioneer，HRI先驱2024 Gopika ajaykumar（CS PHD），HRI PHD（CS PHD），HRI PIONEER 2023 SHIEER 20223 SHIE）本科研究人员决赛入围2022年Kaitlynn Pineda（CS博士学位），JHU计算机科学系研究员2021 Fanjun（Frank）BU（CS BS）（CS BS），CRA CRA杰出的本科生荣誉荣誉提及2021 AMAMA MAHMOOD（CS PHD）（CS PHD）奖学金2019 Maia Stiber（CS博士），JHU计算机科学系2019年Gopika Ajaykumar（CS博士），NSF研究生研究奖学金2018
纹理分析和人工智能作为诊断多发性硬化症的决策支持工具 - 系统评价
麦当劳标准（Thompson等，2018），MS的诊断结合了临床，成像和实验室证据。神经系统检查与成像[磁共振成像（MRI）或光学相干断层扫描]和神经生理测试（视觉诱发电位）结合使用。在MRI上患有临床症状和病变的患者中，脑脊液通过腰椎穿刺收集。在脑脊液流体中存在寡克隆条带证实了MS的诊断（Thompson等，2018）。磁共振成像技术，例如双重反转恢复，相位敏感的反转恢复和使用梯度回声序列的磁化的快速采集来突出大脑皮层的MS病变。这些区域是由T1，T2或流体衰减反转恢复（Flair）方法获得的MRI图像中存在的高强度白质区域（Hitziger等，2022）。在图1a上，有一个示例MRI T1图像，带有两个病变，这些损伤显示为白质的高强度区域（Sarica和Seker，2022年）。在长轴中至少有3毫米的高强度区域被认为是病变（Thompson等，2018）。监测该疾病的演变，但治疗的效率也通过在年度随访MRI图像上出现或没有新病变来分析（Martínez-Heras等人，2023年）。在MRI图像上对脱髓鞘区域的手动识别和划定（图1B）具有一些缺点，耗时，需要合格的人员。其结果取决于专家解释MRI图像的经验。除了人为因素的主观性外，还可能发生差异，这是由于不同分辨率或具有各种质量的MRI图像而发生的。为了减少这些缺点，已经提出了几种用于诊断和监测MS的自动解决方案（Shoeibi等，2021）。通过在深度学习算法中使用神经网络与纹理分析相结合（Componick等，2021a），获得了与专家注释相当的结果。纹理分析是医学图像处理中的一种已知且有前途的技术，可在检测硬化病变方面具有显着的结果（Elahi等，2020； Boca等，2023）。通常，尝试通过那些特征来检测病变，这些特征是强度，照明，几何变换或噪声变化的图像不变的。为此，量化了像素强度和像素分布的相互关系，因此获得了许多特征。这些功能可以分为以下类别：第一阶特征（灰度直方图分析），二阶特征（灰度依赖矩阵），光谱特征和分形特征（小波变换和傅立叶变换）。用随机纹理识别的像素被归类为噪声（Friconnet，2021）。为了提高信号噪声比并降低噪声，将包括数学过滤组成的预处理操作应用于MRI图像。为例，高斯带通滤波器用于消除背景噪声（Kumar等，2023）。放射线学的方法由于出现了用于检测医学图像病变的自动方法（Lambin等，2012），因此有必要开发一种方法来通过自动检测方法来分析和评估结果的可重复性和质量。放射素学已逐渐应用于病理损害，诊断，差异诊断和MS预后的分析。开发了使用放射线特征的机器学习（ML）模型来检测MS病变（Peng等，2021）。
使用小波纹理分析和机器学习对骨质疏松X射线图像进行分类
摘要：骨质疏松症是一种由骨矿物质含量降低和骨微体系结构的变化所定义的疾病，对使用X射线图像进行准确分类构成了挑战。本文旨在从跟骨放射线照片中提取纹理特征，并选择最佳的纹理特征，这些特征可用于训练机器学习分类器模型以检测骨质疏松症。这项工作基于多分辨率分析和微结构分析，以表征来自跟骨X光片的小梁骨微体系结构。将图像转换为使用两级小波分解提取特征细节。结构纹理方法，例如局部二进制图案，分形维度和Gabor滤波器被应用于小波分解的图像。使用独立的样本t检验和特征选择方法选择了最具区别的纹理特征。机器学习模型是通过使用最佳纹理功能训练分类器来构建的，以从骨质疏松图像中对健康图像进行分类。使用包含跟骨放射线图像的公共挑战数据集评估了所提出方法的E ff。值得注意的是，最佳分类是通过使用正向特征选择选择的功能训练的K-Nearest邻居获得的，精度为78.24％。结果表明该方法作为低成本筛查骨质疏松症的可能替代工具的潜力。