XiaoMi-AI文件搜索系统
World File Search SystemDetection
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。
将Apriltags检测与机器学习
现有的建筑库存翻新是建筑自动化的关键方面。例如，准确地确定连接器的位置对于在建筑物外部的预制面板进行安装至关重要。，传统的测量方法，例如使用总站的使用（请参阅[1]）有几个限制，包括耗时，需要熟练的技术人员等。为了应对这些挑战并利用自动化的优势，将计算机视觉技术与视觉基准系统的集成被认为是可行的。在本文中，我们提出了与机器学习集成以解决上述问题的精制APRILTAG（请参见[2]）检测管道。图1显示了其架构。我们将首先讨论Apriltag本地化准确性的研究差距。然后，我们将详细介绍管道的组合。第4节中的实验表明，我们的精制管道的精度非常好。这项研究是Ensnare项目[3]的一部分。
基于人工智能的 COVID-19 检测药物发现技术 ■ 120
药物发现是寻找治疗新疾病的药物的过程。它涉及靶标识别、靶标验证、先导化合物识别和先导化合物优化。识别对疾病有特定功能的蛋白质称为靶标识别。根据发明人的思维过程验证靶标称为靶标验证。针对靶标蛋白识别最佳化合物的过程称为先导化合物识别。先导化合物优化是确保化合物具有与药物相关的特性的过程。发明人必须确保所识别化合物的生物利用度、特异性和毒性。用动物测试化合物以检查化合物反应的过程称为临床前测试。图 1 解释了药物发现和开发时间表。
雷达相机3D对象检测的强大扩散建模框架
雷达相机3D对象检测旨在与雷达信号与摄像机图像进行交互，以识别感兴趣的对象并定位其相应的3D绑定框。为了克服雷达信号的严重稀疏性和歧义性，我们提出了一个基于概率deno的扩散建模的稳健框架。我们设计了框架，可以在不同的多视图3D检测器上易于实现，而无需在训练或推理过程中使用LiDar Point Clouds。在特定的情况下，我们首先通过开发带有语义嵌入的轻质DENOIS扩散模型来设计框架编码器。其次，我们通过在变压器检测解码器的深度测量处引入重建训练，将查询降解训练开发为3D空间。我们的框架在Nuscenes 3D检测基准上实现了新的最新性能，但与基线检测器相比，计算成本的增加很少。
使用深度学习检测脑肿瘤
我保证，据我所知，我的论文不侵犯任何人的版权，也不违反任何专有权利，并且我的论文中包含的任何想法、技术、引用或来自他人作品的任何其他材料（无论是否已发表）均已根据标准引用惯例完全承认。此外，如果我所包含的受版权保护的材料超出了《印度版权法》所规定的公平使用范围，我保证我已获得版权所有者的书面许可，可以将此类材料纳入我的论文中，并将此类版权许可的副本附在我们的附录中。
调整视觉语言模型以实现医学图像中的通用异常检测
大规模视觉语言预训练模型的最新进展已在自然图像领域中的零样本/少样本异常检测方面取得了重大进展。然而，自然图像和医学图像之间巨大的领域差异限制了这些方法在医学异常检测中的有效性。本文介绍了一种新颖的轻量级多级自适应和比较框架，以重新利用 CLIP 模型进行医学异常检测。我们的方法将多个残差适配器集成到预训练的视觉编码器中，从而实现不同级别视觉特征的逐步增强。这种多级自适应由多级、逐像素的视觉语言特征对齐损失函数引导，将模型的重点从自然图像中的对象语义重新校准到医学图像中的异常识别。调整后的特征在各种医学数据类型中表现出更好的泛化能力，即使在模型在训练期间遇到看不见的医学模态和解剖区域的零样本场景中也是如此。我们在医学异常检测基准上进行的实验表明，我们的方法明显优于当前最先进的模型，在零样本和少样本设置下，异常分类的平均 AUC 改进分别为 6.24% 和 7.33%，异常分割的平均 AUC 改进分别为 2.03% 和 2.37%。源代码可从以下网址获取：https://github.com/MediaBrain-SJTU/MVFA-AD
结合锁定热成像和鼓风机激励检测建筑物外墙的空气泄漏
摘要 建筑外围护结构中的空气泄漏是建筑物供暖和制冷需求的很大一部分原因。因此，快速可靠地检测泄漏对于提高能源效率至关重要。本文介绍了一种从外部确定建筑外围护结构中空气泄漏的新方法，将锁定热成像和鼓风机门系统的热激发相结合。鼓风机在建筑物内产生周期性的过压，导致外表面（立面）泄漏附近的表面温度发生周期性变化。通过以已知频率激发的温度变化，以激发频率对热图像的时间序列进行傅里叶变换，可得到突出显示泄漏影响区域的幅度和相位图像。红外摄像机的周期性激发和检测称为锁定热成像，广泛用于表征半导体器件和无损检测。激发通常通过光、电或机械能量输入实现。在本研究中，在 75 Pa 压差下，以三个 40 秒的激励周期对外墙进行了测量，总测量时间仅为 2 分钟。在光照、风和云量变化很大的条件下，空气温差为 5 至 7 K 时进行了测量。与最先进的差分红外热成像测量相比，测量结果显示检测质量更高，受环境条件变化的影响更小。该方法仅在激励频率下突出显示振幅图像的变化，从而过滤掉由环境影响引起的变化。因此，低至几开尔文的温差就足够了，可以从外部检查大型外墙。该振幅图像已经比用差分热成像创建的图像更清晰。使用标量积对振幅进行相位加权，可以进一步减少图像中不需要的伪影。关键词 锁定、热成像、鼓风机门、气密性、泄漏检测、建筑围护结构、建筑节能 1 引言 不受控制的气流通过建筑围护结构，造成 30-50% 的建筑物供暖能耗 (Kalamees，2007 年；Jokisalo 等人，2009 年；Jones 等人，2015 年)。因此，气密性评估，特别是快速可靠地定位泄漏，对于减少供暖能源需求至关重要。风扇加压法或鼓风机门测试在多项国际标准 (Deutsches Institut für Normung e. V.，2018 年；ASTM，2019 年) 中有规定，用于测量建筑物的整体气密性。然而，泄漏定位很麻烦，需要