XiaoMi-AI文件搜索系统
World File Search SystemEllipse
椭圆 AHRS 和 INS 用户手册 - 北
ADC：模数转换器 AHRS：姿态航向参考系统 CAN（总线）：控制器局域网 DHCP：动态主机配置协议 DVL：多普勒速度计 EKF：扩展卡尔曼滤波器 EEPROM：电可擦可编程只读存储器 FIR：有限脉冲响应（滤波器） FTP：文件传输协议 FS：全量程 FOG：光纤陀螺仪 GNSS：全球导航卫星系统 GPS：全球定位系统 IIR：无限脉冲响应（滤波器） IMU：惯性测量单元 INS：惯性导航系统 IP：互联网协议 LBL：长基线 MAC（地址）：媒体访问控制 MEMS：微机电系统 NED：东北向下（坐标框架） NA：不适用 NMEA（NMEA 0183）：国家海洋电子协会（标准化通信协议） PPS：每秒脉冲（信号） RAM：随机存取存储器 RMA：返回商品授权 RMS：均方根 RTCM：海事无线电技术委员会（协议） RTK：实时运动学 SI：国际单位制 TBD：待定义 TCP：传输控制协议 UDP：用户数据报协议 UTC：协调世界时 USBL：超短基线 VRE：振动校正误差 WGS84：世界大地测量系统 1984 WMM：世界磁模型
Ellipse AHRS 和 INS 用户手册 - Northwind
ADC：模数转换器 AHRS：姿态航向参考系统 CAN（总线）：控制器局域网 DHCP：动态主机配置协议 DVL：多普勒速度计 EKF：扩展卡尔曼滤波器 EEPROM：电可擦可编程只读存储器 FIR：有限脉冲响应（滤波器） FTP：文件传输协议 FS：全量程 FOG：光纤陀螺仪 GNSS：全球导航卫星系统 GPS：全球定位系统 IIR：无限脉冲响应（滤波器） IMU：惯性测量单元 INS：惯性导航系统 IP：互联网协议 LBL：长基线 MAC（地址）：媒体访问控制 MEMS：微机电系统 NED：东北向下（坐标框架） NA：不适用 NMEA（NMEA 0183）：国家海洋电子协会（标准化通信协议） PPS：每秒脉冲（信号） RAM：随机存取存储器 RMA：返回商品授权 RMS：均方根 RTCM：海事无线电技术委员会（协议） RTK：实时运动学 SI：国际单位制 TBD：待定义 TCP：传输控制协议 UDP：用户数据报协议 UTC：协调世界时 USBL：超短基线 VRE：振动校正误差 WGS84：世界大地测量系统 1984 WMM：世界磁模型
FACET：使用椭圆建模实现快速准确的基于事件的眼动追踪，实现扩展现实
摘要 — 眼动追踪是扩展现实 (XR) 中基于凝视的交互的关键技术，但传统的基于帧的系统难以满足 XR 对高精度、低延迟和低功耗的要求。事件摄像机由于其高时间分辨率和低功耗而提供了一种有前途的替代方案。在本文中，我们提出了 FACET（快速准确的基于事件的眼动追踪），这是一种端到端神经网络，可直接从事件数据输出瞳孔椭圆参数，针对实时 XR 应用进行了优化。椭圆输出可直接用于后续基于椭圆的瞳孔追踪器。我们通过扩展带注释的数据并将原始掩模标签转换为基于椭圆的注释来训练模型，从而增强了 EV-Eye 数据集。此外，采用了一种新颖的三角损失来解决角度不连续性问题，并提出了一种快速因果事件体积事件表示方法。在增强版 EV-Eye 测试集上，FACET 实现了平均瞳孔中心误差 0.20 像素，推理时间为 0.53 毫秒，与现有技术 EV-Eye 相比，像素误差和推理时间分别减少了 1.6 倍和 1.8 倍，参数和算术运算减少了 4.4 倍和 11.7 倍。代码可在 https://github.com/DeanJY/FACET 上找到。
基于深度学习的二维椭圆框区域脑肿瘤分割可行性研究
摘要：在大多数基于深度学习的脑肿瘤分割方法中，训练深度网络需要带注释的肿瘤区域。然而，准确的肿瘤注释对医务人员提出了很高的要求。本研究的目的是利用肿瘤周围的椭圆框区域训练深度分割网络。在所提出的方法中，深度网络通过使用大量未注释的肿瘤图像（其中肿瘤和背景周围有前景（FG）和背景（BG）椭圆框区域）以及少量带有注释肿瘤的患者（<20）来训练。训练首先在未注释的 MRI 上的两个椭圆框上进行初始训练，然后在少量带注释的 MRI 上进行细化训练。我们使用多流 U-Net 进行实验，它是传统 U-Net 的扩展。这使得能够使用来自多模态（例如 T1、T1ce、T2 和 FLAIR）MRI 的互补信息。为了验证所提方法的可行性，在两个胶质瘤数据集上进行了分割实验与评估，并将在测试集上的分割性能与在相同网络但完全由带注释的MRI图像训练的分割性能进行比较。实验表明，所提方法在测试集上获得了良好的肿瘤分割结果，其中在MICCAI BraTS'17和US数据集上肿瘤区域的dice得分为（0.8407，0.9104），肿瘤区域的分割准确率分别为（83.88%，88.47%）。与使用所有带注释的肿瘤训练的网络的分割结果相比，所提方法在MICCAI和US测试集上的分割性能下降分别为（0.0594，0.0159）和（8.78%，2.61%），但下降幅度相对较小。我们的案例研究表明，使用椭圆框区域代替所有注释的肿瘤来训练网络进行分割是可行的，并且可以被视为一种替代方案，这是在节省医学专家注释肿瘤的时间和分割性能的轻微下降之间的权衡。
基于算法的远程监视心力衰竭风险数据
gallant单室ICD，Gallant双室ICD，Gallant HF，Quadra Allure MP CRT-P-P Pacemaker，Quadra Assura MP CRT-D，Ellipse Single，Chamber ICD，Ellipse Dual Chamber ICD，Fortify Assura Assura Assura combers ICD，commuss ICD，commusra commusrify combers iCD，Assura communs ICD，统一ASSURA CRT-D-DM CRETITY PPM PPM P.
基于算法的远程监测心力衰竭的心力衰竭风险数据最终范围2023年5月23日
Abbott devices: Gallant Single Chamber ICD, Gallant Dual Chamber ICD, Gallant HF, Quadra Allure MP CRT-P Pacemaker, Quadra Assura MP CRT-D, Ellipse Single, Chamber ICD, Ellipse Dual Chamber ICD, Fortify Assura Single Chamber ICD, Fortify Assura Dual Chamber ICD, Unify Assura CRT- D, Assurity Dual Chamber PPM, Assurity Single室PPM
气体附录：为自动驾驶汽车系统生成快速准确的替代模型
图1显示了在玉米田中车辆相机收集的现实世界图像的原始验证数据集上，作物 - 监测工具[1]使用的RESNET-18网络的错误分布。左右图分别用于标题和距离感知误差。直方图显示实际误差频率，而线路显示拟合的正态分布。分布与直方图非常匹配，表明神经网络的误差是正态分布的。图2从视觉上比较了神经网络输出分配与凉亭内捕获的图像预测的分布。红色虚线椭圆和蓝色实心椭圆显示了神经网络输出分布的3σ置信边界和感知模型预测的分布。这两个分布彼此紧密匹配，尤其是当车辆在中心附近并直接指向前方时。
— 未来就是现在。数字化转型助力传输...
美国电力公司，美国 资产绩效管理解决方案进一步提高了输电网络的性能和可靠性 ABB Ability Ellipse APM 解决方案集成了 ABB 的设备运营技术 (OT) 和 ABB 的企业信息技术 (IT)，同时还利用了 AEP 提供的深厚运营和诊断专业知识。它旨在实现原本耗时的流程自动化，该流程需要高技能人员了解关键资产的状况、识别性能问题并确定维护和维修活动的优先级。