XiaoMi-AI文件搜索系统
World File Search SystemDense
基于注意机制Res-Dense卷积神经网络的水下目标识别深度学习新方法
摘要：无论在国防还是民用领域，都需要对远距离水下目标进行准确、快速的识别。然而，数据缺乏、舰船工况等因素会显著影响水下声目标识别（UATR）系统的性能。由于海洋环境非常复杂，UATR严重依赖于特征工程，人工提取的特征在统计模型中偶尔会失效。本文提出了一种基于卷积神经网络和注意力机制的端到端UATR模型。该网络模型以原始时域数据为输入，结合残差神经网络和密连接卷积神经网络，充分利用两者的优势。在此基础上，加入通道注意机制和时间注意机制，提取通道维度和时间维度上的信息。经过对实测的四种舰船辐射噪声数据集进行实验，结果表明，所提方法在不同工况下均获得了97.69%的最高正确识别率，优于其他深度学习方法。
激光粉末床熔合技术增材制造致密 WE43 镁合金
Holden Hyer 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 Le Zhou 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 中佛罗里达大学先进材料加工与分析中心，佛罗里达州奥兰多市 George Benson 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 Brandon McWilliams 美国陆军研究实验室武器与材料研究理事会，马里兰州阿伯丁试验场 Kyu Cho 美国陆军研究实验室武器与材料研究理事会，马里兰州阿伯丁试验场 Yongho Sohn 中佛罗里达大学材料科学与工程系，佛罗里达州奥兰多市 中佛罗里达大学先进材料加工与分析中心，佛罗里达州奥兰多市
使用无人机系统 (UAS) 在茂密森林地区进行图像处理
推荐引用 推荐引用 Bhatt, P., Edson, C., & Maclean, A. (2022)。使用无人机系统 (UAS) 在茂密森林地区进行图像处理。 http://doi.org/10.37099/mtu.dc.michigantech-p/16366 取自：https://digitalcommons.mtu.edu/michigantech-p/16366
将残差、密集和初始块集成到 nnUNet 中
摘要 —nnUNet 是一个完全自动化且可通用的框架，它可以自动配置应用于分割任务的完整训练管道，同时考虑数据集属性和硬件约束。它利用了一种基本的 UNet 类型架构，该架构在拓扑方面是自配置的。在这项工作中，我们建议通过集成更高级的 UNet 变体（例如残差、密集和初始块）的机制来扩展 nnUNet，从而产生三种新的 nnUNet 变体，即残差-nnUNet、密集-nnUNet 和初始-nnUNet。我们已经在由 20 个目标解剖结构组成的八个数据集上评估了分割性能。我们的结果表明，改变网络架构可能会提高性能，但提高的程度和最佳选择的 nnUNet 变体取决于数据集。索引词 —nnUnet、生物医学图像分割、残差网络、密集网络、初始网络。
针对SI的密集垂直III – V纳米线的定向自组装及其对栅极全能沉积的影响
由于材料之间的晶格错误匹配，SI底物上窄带III – V材料的大规模整合仍然是一个挑战。[1,2]纳米级开口的外延生长降低了源自III – V/SI界面以传播到活动设备的缺陷的可能性，并证明了表现优势。[3]其他剩余的挑战是模式技术，[4]小型大小，高模式密度和经济高效的处理具有吸引力。高密度模式的一种可能的光刻溶液是块共聚物（BCP）光刻。[5–7]该技术依赖于自组装，这意味着该分辨率不是由clas的局限性设置的，例如辐射波长或接近度效应。[8,9] BCP光刻分辨率极限主要是由其总体聚合度和组成块不信用的程度设定的。[10]该技术是低成本的，允许在高图案密度下转移图案转移 - 至少至12 nm螺距。[11,12]一种特殊的材料，聚（苯乙烯） - 块-poly（4-乙烯基吡啶）（PS-B -P4VP），是所谓的高χBCP，即块之间具有很高的缺失性，这使自组件能够最低10 nm lamelar powd。[13]通过控制聚合物分子量，聚合物块的不混溶，聚合物块的体积分数，底物表面能和表面形象，如果向聚合物链提供足够的迁移率，则可以实现自组装。[14]可以通过添加热量来提供所需的迁移率，[15]通过介入聚合物可溶性蒸气，[16,17]或两者的组合。[18]许多设备应用程序受益于模式对齐，为此，可以使用定向自组装（DSA）来控制模式的定位。[5,6,19–22]然后，通常使用电阻的电子或光子暴露创建引导模式，并且指导是通过改变表面能量或创建不同地形来完成的。[19]
使用密集高效网络进行脑肿瘤分类
摘要：脑肿瘤在儿童和老年人中最为常见。它是一种严重的癌症，由颅骨内无法控制的脑细胞生长引起。众所周知，肿瘤细胞由于其异质性而难以分类。卷积神经网络 (CNN) 是视觉学习和脑肿瘤识别中最广泛使用的机器学习算法。本研究提出了一种基于 CNN 的密集 EfcientNet，使用最小-最大规范化将 3260 张 T1 加权对比增强脑磁共振图像分为四类（神经胶质瘤、脑膜瘤、垂体和无肿瘤）。开发的网络是 EfcientNet 的变体，添加了密集层和 drop-out 层。同样，作者将数据增强与最小-最大规范化相结合，以增加肿瘤细胞的对比度。密集 CNN 模型的好处是它可以准确地对有限的图片数据库进行分类。因此，所提出的方法提供了出色的整体性能。实验结果表明，所提出的模型在训练期间的准确率为 99.97%，在测试期间的准确率为 98.78%。新设计的 EfficientNet CNN 架构具有较高的准确率和良好的 F1 分数，可以成为脑肿瘤诊断测试研究中有用的决策工具。
致密（非空心）碳纳米球
多孔碳材料在许多用于存储和转换的电化学设备中具有非常重要的意义。因此，对具有改进的化学和结构特性的新碳材料的设计越来越感兴趣，从而增强其电化学性能，从而提供高能量和功率密度以及长期的循环性。为了满足这一要求，研究人员正在不断寻找满足上述验证的新型碳材料。在这方面，碳纳米球（CNSS）引起了极大的关注，因为除了碳材料的典型特征外，它们具有短的扩散途径，可提供快速动力学，这是先进的电化学能源系统的重要特征。本综述总结了用于生产非空心碳纳米球的合成策略，包括基于硬使用的方法（例如二氧化硅）或软（例如表面活性剂）模板以及无模板的程序，涉及聚合物纳米球的产生及其转化为CNSS和多孔碳纳米球（PCNSS）。此外，在储能设备（例如超级电池，电池）中使用CNSS和PCNS作为电极（例如碱，锂硫等。）或锂离子电容器以及用于能量转化的ORR电催化剂。©2021作者。由Elsevier Ltd.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
使用 Vgg16 和 Densenet Cnn 检测视网膜 Oct 图像中的脉络膜新生血管 (Cnv)
4,5 学生，SRM 科学技术研究所软件工程系摘要 - 在本研究中，我们打算使用深度学习架构来诊断视网膜光学相干断层扫描 (OCT) 图像中的脉络膜新生血管。光学相干断层扫描 (OCT) 图像可用于区分健康眼睛和患有 CNV 疾病的眼睛。研究中使用了深度学习的 DenseNet 和 Vgg16 架构，并更改了两种架构的超参数以正确诊断疾病。检测到疾病后，使用用于处理图像的 Python OpenCV 库将患病的 OCT 图像与背景分割开来以进行感兴趣区域检测。架构实施的结果表明，Vgg16 在检测图像方面比密集网络架构表现出更好的效果，准确率为 97.53%，比密集网络高出约一个百分点。关键词——深度学习、CNN、Vgg16 模型、密集网络模型、视网膜 OCT I 引言光学相干断层扫描是诊断视网膜疾病最广泛使用的诊断成像方法之一。OCT 机器的输出提供 OCT 图像，并提供足够的可视化效果来预测 OCT 胶片上印记的视网膜血管是否存在一些定性和定量变化。视网膜层的增加或减少及其测量值是疾病检测临床试验中的主要评估指标。定期进行视网膜 OCT 扫描有助于早期发现任何与视网膜相关的疾病，并可在年老时避免 [9]。如果在身体中检测到视网膜疾病，许多大脑、眼睛和心血管系统疾病都已出现。通过 OCT 扫描还可以检测到各种其他疾病，患有糖尿病的人患糖尿病视网膜病变的几率很高，而且任何类型的黄斑水肿也可以在视网膜 OCT 图像中看到。本研究主要关注脉络膜新生血管 (CNV)，它是发达国家失明的主要原因之一。通俗地说，脉络膜新生血管可以定义为视网膜脉络膜层中额外血管的生成。同一脉络膜层的最内层称为 Brunch 膜 (BM)，任何类型的膜损伤都可能导致视网膜脉络膜新生血管，并导致未来失明。近年来，深度学习在医学图像中对患病和未患病图像进行分类的应用有所增加。事实证明，CNN 等深度学习技术在物体检测、图像识别和分割方面也大有用处。因此，这证明了使用深度学习分析 OCT 图像以获取患病图像的重要性。使用深度学习 Vgg16 和 DenseNet 的最新架构对患病图像的预测进行比较。然后分割患病图像以突出显示视网膜层中具有脉络膜新生血管的增强血管和空洞形成 [6]。 * 通讯作者：MS Abirami，abirami.srm@gmail.com
