XiaoMi-AI文件搜索系统
World File Search SystemDee
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
欧洲深度科技报告
多个方面正在加速取得重大突破 在我们的 2021 年报告中，我们强调了欧洲深度科技的巨大潜力。事实上，欧洲深度科技度过了最好的一年，获得了超过 220 亿美元的融资，并获得了数十亿美元的退出。从那时起，我们还看到量子计算（第一个 100+ 量子比特处理器和硅基设备中近乎无误差的量子计算得到验证）、核聚变（产生的能量几乎是记录的三倍）、空间技术（Starlink 为乌克兰提供互联网覆盖、詹姆斯韦伯太空望远镜、新的登月任务）、生成性人工智能（Dall-E 转向商业用途、稳定扩散文本到图像生成性人工智能发布、ChatGPT 在 5 天内覆盖 100 万用户）等关键领域取得了巨大突破等等。
tauvid™：第一个用于成像阿尔茨海默氏病tau病理学的FDA批准的宠物示踪剂
摘要 - 专门的深度学习（DL）加速器和神经形态处理器的出现为将深度和尖峰神经网络（SNN）算法应用于医疗保健和生物医学应用的新企业带来了新的机会。这可以促进医学互联网系统（IoT）系统和护理点（POC）设备的进步。在本文中，我们提供了一个教程，描述了如何使用各种技术，包括新兴的回忆设备，可编程的门阵列（FPGA）和互补的金属氧化物半导体（CMOS），可用于开发有效的DL加速器，以解决各种诊断诊断，模式识别的诊断，信号过程和信号过程中的各种问题。此外，我们探讨了尖峰神经形态处理器如何补充其DL对应物以处理生物医学信号。该教程通过应用于医疗保健领域的大量神经网络和神经形态硬件的大量文献进行了研究。我们通过执行将传感器融合信号处理任务与计算机视觉相结合的传感器融合信号处理任务来标记各种硬件平台。在推理潜伏期和能量方面进行了专用神经形态处理器和嵌入AI加速器的比较。最后，我们对领域的分析进行了分析，并分享了各种加速器和神经形态处理器引入医疗保健和生物医学领域的优势，缺点，挑战和机遇的观点。
深水潜水员的空间技术
“水下时间”仅受潜水员疲劳和任务时间压缩的限制；原本需要一周时间的维护任务（包括计算舱和水下时间）可以在一天内完成。Can-Dive 已经研究 Newtsuit 三年了，它仍处于研发阶段，但计划于今年进行高级操作试验。这一发展最终可能被证明是一个完整的循环 spinotaf，它从航空航天技术转移，并最终产生可转移到航空航天系统的技术进步。NASA 正在研究用于舱外活动的宇航服设计，因为
2021：深技术的一年。
仅举几个里程碑：在2019年Google（与NASA一起）获得了“量子至上”，仅在2020年被中国以100亿美元的价格超越中国。CRISPR-CAS9基因组编辑技术于2020年获得诺贝尔奖，而CRISPR Therapeutics的市值为110亿美元。DeepMind解决了一个主要的蛋白质折叠挑战（Alphafold），而Muzero程序标志着自我学习的AI中的另一个里程碑（Muzero可以教会自己参加比赛，国际象棋和Atari游戏）。OpenAI发布了GPT-3，该语言模型使用深度学习来产生类似人类的文本。，列表还在继续。
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
通过逐层优化脑外科医生学习修剪深度神经网络
如何开发精简而准确的深度神经网络对于实际应用至关重要，尤其是对于嵌入式系统中的应用。尽管之前沿着该研究方向的工作已经显示出一些有希望的结果，但是大多数现有方法要么无法显著压缩训练有素的深度网络，要么需要对修剪后的深度网络进行大量再训练才能重新提高其预测性能。在本文中，我们提出了一种新的深度神经网络分层修剪方法。在我们提出的方法中，每个单独层的参数都基于相应参数的分层误差函数的二阶导数独立地进行修剪。我们证明，修剪后最终的预测性能下降受每层造成的重构误差的线性组合限制。通过适当控制分层误差，只需对修剪后的网络进行轻度再训练即可恢复其原始的预测性能。我们在基准数据集上进行了大量实验，以证明我们的修剪方法与几种最先进的基线方法相比的有效性。我们的工作代码发布在：https://github.com/csyhhu/L-OBS 。
深度学习在计算机视觉中的作用 - Easy Chair
本文探讨了深度学习在计算机视野领域的关键作用。计算机视觉是对启示机感知和理解视觉信息的研究，随着深度学习技术的出现，已经取得了重大进步。传统的计算机视觉方法在处理复杂的视觉任务时面临局限性，激发了对高级方法的需求。深度学习，由神经网络和卷积神经网络（CNN）提供支持，通过提供端到端的学习，功能表示和适应性来彻底改变计算机视觉。本文讨论了深度学习在计算机视觉中的各种应用，包括图像分类，对象检测，语义细分和视频分析。它还解决了深度学习的优势，例如其处理大规模数据集和概括的能力。但是，研究了挑战和局限性，包括对标记数据和计算要求的需求。本文通过强调最近的进步和未来的方向，例如转移学习，生成对抗网络（GAN）和注意机制，强调了在这个迅速发展的领域中正在进行的研发的重要性。总体而言，深度学习已成为计算机视觉中的关键工具，并有可能显着影响各种领域和应用。