XiaoMi-AI文件搜索系统
World File Search SystemDice
在大脑层面上对 MWE 中的常规化和可预测性进行建模
虽然语言理论中表达式传统上被二元化为组合性和非组合性，但多词表达式 (MWE) 却表现出更细粒度的区别。使用关联测量，如逐点互信息和 Dice 系数，MWE 可以被描述为具有不同程度的常规化和可预测性。我们的目标是研究这些梯度如何反映认知过程。在本研究中，自然叙事理解的 fMRI 记录用于探究这些计算测量及其可以操作的认知过程在多大程度上可以在在线句子处理过程中观察到。我们的结果表明，代表词汇可预测性的 Dice 系数是处理 MWE 的神经激活的更好预测指标。总的来说，我们的实验方法展示了如何通过将计算指标与神经成像数据进行比较来测试其认知合理性。
极地设计公司为太空应用设计了抗辐射 14T SRAM 单元
摘要 本文提出了一种用于航天应用的抗辐射极性设计 14T (RHPD-14T) SRAM 单元。通过估算 65 纳米互补金属氧化物半导体 (CMOS) 技术的各种设计指标，分析了所提出的 RHPD-14T 单元的性能。基于结合抗辐射极性设计技术与合理的布局拓扑，所提出的 RHPD-14T 可以耐受所有单节点翻转和部分双节点翻转。仿真结果表明，RHPD-14T 的写入访问时间比 RSP-14T/QUCCE-10T/DICE/S4P8N/We-Quatro(@VDD=1.2V) 短 1.83 倍 / 1.59 倍 / 1.56 倍 / 1.12 倍 / 1.05 倍。 RHPD-14T的字线写触发电压比QUCCE-10T/DICE/We-Quatro/S4P8N/RSP-14T (@VDD=1.2V)高2.67×/2.22×/1.35×/1.29×/1.26×；RHPD-14T的保持静态噪声容限比DICE/S4P8N/RHPD-12T (@VDD=1.2 V)高14.85×/7.15×/1.05×。此外，蒙特卡洛(MC)模拟证明RHPD-14T波动性小、稳定性强、恢复能力稳定、抗单效应翻转(SEU)能力强。关键词：保持静态噪声容限、极性设计抗辐射、单效应翻转分类：集成电路
用于脑肿瘤分割的全自动深度学习网络
我们开发了一种使用深度学习进行脑肿瘤分割的全自动方法；使用了来自 BraTS2018 数据集的 285 个具有多参数磁共振图像的脑肿瘤病例。我们设计了 3 个独立的 3D-Dense-UNets，将复杂的多类分割问题简化为每个子组件的单独二元分割问题。我们实施了 3 倍交叉验证来推广网络的性能。整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 分割的平均交叉验证 Dice 分数分别为 0.92、0.84 和 0.80。然后，我们使用 285 个病例中的 265 个重新训练各个二元分割网络，其中 20 个病例用于测试。我们还在来自 BraTS2017 验证数据集的 46 个病例、来自 BraTS2018 验证数据集的 66 个病例和来自独立临床数据集的 52 个病例上测试了该网络。在 20 个保留测试用例中，WT、TC 和 ET 的平均 Dice 分数分别为 0.90、0.84 和 0.80。在 BraTS2017 验证数据集、BraTS2018 验证数据集和临床数据集上，WT、TC 和 ET 的平均 Dice 分数分别为：0.90、0.80 和 0.78；0.90、0.82 和 0.80；以及 0.85、0.80 和 0.77。开发了一种全自动深度学习方法将脑肿瘤分割成其子成分，该方法在 BraTS 数据集和独立临床数据集上实现了高预测准确率。该方法有望应用于临床工作流程。
mwg-unet：肺场的混合深度学习框架和胸部X射线图像中的心脏分割
摘要：深度学习技术已在医疗计算机视觉和图像处理的领域取得了突破性的研究结果。生成对抗网络（GAN）已证明了图像产生和表达能力的能力。本文提出了一种称为MWG-UNET的新方法（多个任务Wasserstein生成对抗网络U形网络）作为肺场和心脏细分模型，它具有注意机制的优势，以提高发电机的细分精度，从而提高了性能。尤其是，所提出的方法的骰子相似性，精度和F1得分优于其他模型，分别达到95.28％，96.41％和95.90％，而特定的五城市则超过了0.28％，0.90％，0.24％和0.24％和0.90％的模型。但是，IOU的值不如最佳模型0.69％。结果表明，所提出的方法在肺场分割中具有相当大的能力。我们的心脏的多器官分割结果实现了骰子相似性，而IOU值为71.16％和74.56％。对肺场的分割结果实现了骰子相似性，而IOU值为85.18％和81.36％。
SA5-ORIGAMI联合研讨会
The ZTL will support the exploration of permissioned consortium blockchain for global operations through the DICE protocol: • Zero-trust interactions between resource providers • Bypass the use of a third party (DCH) for data and financial clearing • Immutability of global transactions (tamper-proof ledger) • Confidentiality of the agreements and the transactions
使用基于 WFL 的 3D U-Net 对 HGG 和 LGG MRI 图像进行脑肿瘤分割
脑肿瘤的语义分割是医疗治疗计划中的重要阶段。由于肿瘤的特性，图像分割的主要困难之一是类别之间的严重不平衡。此外，类别不平衡的数据集是多模态3D脑MRI中常见的问题。尽管存在这些问题，但大多数脑肿瘤分割研究仍然偏向于过度代表的肿瘤类别（多数类别），而忽略了小规模的肿瘤类别（少数类别）。在本文中，我们提出了一种基于3D U-Net的改进损失函数加权焦点损失（WFL），以增强脑肿瘤分割的预测。使用我们提出的损失函数（WFL）通过给予少数类较高的权重和给予多数类较低的权重来解决类别之间的不平衡和权重之间的不平衡。在将这些权重分配给不同的像素值后，我们的工作能够解决像素退化问题，这是模型训练期间损失函数的局限性之一。根据我们的实验，在脑肿瘤分割挑战赛 (BraTS) 2019 数据集中，针对高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG) 的 3D U-Net 模型上，提出的函数 (WFL) 对肿瘤核心 (TC)、整个肿瘤 (WT) 和增强肿瘤 (ET) 显示出良好的结果，其中 HGG 的平均骰子分数为：0.830、0.913、0.815，LGG 的骰子分数为 TC：0.731、WT：0.775 和 ET：0.685。此外，我们在 BraTS 2020 上部署了训练，获得了平均 Dice 分数 HGG：TC：0.843、WT：0.892、ET：0.871，以及 Dice 分数 LGG：TC、WT 和 ET 分别为 0.7501、0.7985、0.6103。
战壕+十字军东征+战役+规则......
11 死亡 伤口致命。角色将永久消失，即便这不是其所受的第三次战斗伤痕。 12 被捕 敌人捕获了角色。玩家可以协商以达克特为单位的赎金以释放角色。只要不支付赎金，角色就会留在对方玩家手中。否则，将此结果视为完全康复。在任何一种情况下，角色的所有装备都将丢失。 13 严重神经 此模型采取的所有动作（包括近战和远程攻击）都是伤害，现在被归类为危险动作。 14 手部伤口 角色在其所有近战攻击动作中受到 -1 DICE。 15 失去一只眼睛 角色在其所有远程攻击动作中受到 -1 DICE。受到两次这样的伤害会导致模型失明，并且必须退出战役。狙击牧师对此伤害免疫，不会留下伤疤。 16 胸部受伤 对此角色进行的所有伤害掷骰都以 +1 DICE 结算。 21 失眠症 此角色必须始终作为你方第一个模型部署在任何战斗中。它不能使用关键词 INFILTRATOR（如果有）。 22 头部受伤 此模型失去关键词 ELITE。它可以在未来通过升级正常重新获得，代表恢复。 23 炮弹休克 在该模型参加的任何战斗之前掷一个 D6。如果掷出 1-2，则它不能参加战斗。 24 黑暗记忆 记下造成此伤害的敌方战队类型以及场景。如果你再次玩相同的场景，如果与相同类型的战队对抗，模型将恐惧所有敌方模型，包括所有远程和近战攻击。 25 偏执狂 此模型不能部署在友方模型 8 英寸范围内。部署此模型后，友方模型可以正常部署。 26 失去手臂 模型少了一只手，这限制了它可以使用武器/装备的类型。 31 腿部伤口 模型的移动特性减少 2 英寸并且冲刺时 -1 DICE。 32 昂贵 角色的伤口需要不断治疗。要部署此模型，你必须从保险箱中扣除 10 杜卡特进行治疗。此支付不会计入你的战队的阈值。 33 附身 在昏迷期间，模型被死去士兵的躁动灵魂附身。如果可能，此模型必须以冲刺开始激活，并且此冲刺必须在单个方向上覆盖至少 3 英寸的距离。如果此模型在激活开始时倒地，则必须先站立，然后尝试冲刺。如果此模型在近战中开始激活，它可以在激活期间忽略这些限制。 34 肌肉损伤 此模型无法携带重型武器。 35 轻伤 此模型无法在下一场战斗中投入使用。 36-62 完全恢复 此模型在战斗中幸存下来，没有受到任何不良影响。没有留下战斗伤痕。63 坚强 此模型现在忽略关键词恐惧的效果。不会留下战斗伤痕。 64 惨痛教训 此模型获得 D3 经验值。不会留下战斗伤痕。 65 被抢劫 此模型失去所有武器、防具和装备。不会留下战斗伤痕。 66 脸部伤疤 由于怀恨在心，他的模型在对所有具有相同阵营关键词的敌人进行近战攻击时获得 +1 DICE，该关键词使该角色失去行动能力。不会留下战斗伤痕。
适用于神经应用的高度适应性箔片植入物
柔性聚合物基板是一种很有前途的方法，可以克服神经植入物的一个核心挑战：高通道密度下的复杂功能与生物环境中的长寿命相结合。这种方法的优点是可以缩小 Si 基芯片的尺寸，并在柔性基板上通过薄膜互连线连接的芯片之间分配任务。与单个但更大的芯片相比，这伴随着较低的弯曲刚度，以及技术系统在功能范围、基板尺寸和目标解剖结构方面的良好适应性。现在已经确定了如何将 ASIC 集成到机械兼容的 PI 基基板中，同时考虑到先前定义的要求。接下来的步骤是 (a) 测试系统的功能
解释是否能提高人工智能辅助人类决策的质量？事实和反事实解释的算法在环分析
人工智能算法辅助在高风险决策中的应用越来越多，这引起了人们对可解释人工智能 (xAI) 的兴趣，以及反事实解释在增加人机协作信任和减轻不公平结果方面的作用。然而，在理解可解释人工智能如何改善人类决策方面，研究还很有限。我们进行了一项在线实验，共有 559 名参与者参与，利用“算法在环”框架和现实世界的审前数据，研究从最先进的机器学习解释方法（通过 DiCE 的反事实解释和通过 SHAP 的事实解释）生成的算法审前风险评估的解释如何影响决策者对累犯的评估质量。我们的结果表明，反事实和事实解释实现了不同的理想目标（分别改善人类对模型准确性、公平性和校准的评估），但仍未提高人类预测的综合准确性、公平性和可靠性——重申了 xAI 对社会技术、实证评估的需求。我们最后讨论了用户对 DiCE 反事实解释的反馈，以及我们的结果对人工智能辅助决策和人工智能的更广泛影响。 xAI。