XiaoMi-AI文件搜索系统
World File Search SystemGrayscale
有关光电设备进步的特刊的社论
光电设备是基于光电转换效应制造的，该效应是现代光电技术和微电子技术技术的开发研究领域[1]。在21世纪，全球光电设备制造业已取得了快速发展，而光电设备的市场逐年增长。光电设备被广泛用于各种场，例如光学显示，有机太阳能电池，激光和波导。它们是信息技术的重要组成部分[2，3]。为了扩大应用程序方案并提高光电设备的性能，许多学者已经在相关领域进行了研究。本期包括12篇论文，这些论文涉及光电设备算法，材料和结构中的各种挑战和机遇。例如，在光学显示的字段中，可以通过优化算法来改善电子纸的响应时间和亮度[4]。在太阳能电池和波导的场中，可以通过设计新的光电材料和设备结构来改善太阳能电池和波导传输距离的转换率[5，6]。本期特刊的最新研究进展如下。电子纸是通过反射显示图像显示的新设备，这是光电设备的重要分支[7]。最广泛使用的电子纸是电泳显示（EPD）。修饰的蓝色颗粒具有较高的Zeta电位和电泳迁移率。他等人。目前，将离子液体用作电泳颗粒修饰的电荷控制剂，并将高电离1-丁基1-丁基-1-甲基磷脂单离子液体液体移植到杯赛上。然后，成功制备了蓝色的电泳颗粒[8]。制备过程很简单，并且生产成本很低，这有助于实现丰富的EPD颜色显示。此外，算法的优化也可以用于提高EPDS的性能。根据直流电流（DC）平衡的原理设计了驱动波形[9]。研究了统一参考灰度相的亮度曲线，并获得了其驱动时间；同时，根据原始灰度对擦除阶段的持续时间进行了重新设计。结果表明响应时间可以有效缩短。此外，可以通过将红色颗粒添加到EPD [10]来制备三色EPD。为了解决红色幽灵图像的问题，Wang等人。分析了灰度转化中红色颗粒的空间位置分布[11]。研究了红色幽灵图像产生的关键因素，并根据擦除和激活阶段的优化提出了驱动波形。在微胶囊顶部的残留红色颗粒在红色擦除阶段消除，并使用高频电压激活颗粒。红色幽灵图像有效地被抑制了。同样，一些学者发现黑色和红色颗粒可以通过阻尼振荡电压序列分离。红色颗粒被纯化，像素的红色饱和度增加[12]。但是，EPD具有低刷新
使用 VGG16 架构的迁移学习进行皮肤癌分类（Kaggle 数据集案例研究）
皮肤癌是一种严重且可能危及生命的疾病，影响着全球数百万人。早期发现和准确诊断对于成功治疗和改善患者预后至关重要。近年来，深度学习已成为医学图像分析的有力工具，包括皮肤癌的诊断。使用深度学习诊断皮肤癌的重要性在于它能够快速准确地分析大量数据。这可以帮助医生就患者护理做出更明智的决定并改善整体结果。此外，可以训练深度学习模型来识别人眼可能无法看到的细微模式和特征，从而实现更早的发现和更有效的治疗。本研究使用预先训练的视觉几何组 16 (VGG16) 架构对皮肤癌图像进行分类，并将图像转换为其他色阶，称为：1) 色相饱和度值 (HSV)、2) YCbCr、3) 灰度以供评估。结果表明，在现场条件下使用 RGB 和 YCbCr 图像创建的数据集很有前景，分类准确率为 84.242%。还用其他流行的架构对数据集进行了评估和比较。分析了 VGG16 对每个色阶图像的性能。此外，还从不同的层中提取了特征参数。用 VGG16 感受提取的层，以评估特征参数对疾病进行分类的能力。
版本0.25.0 Markus D. Herrmann
3用户指南5 3.1快速启动。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 3.1.1加载图像和访问帧。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 3.1.2构建总像素矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 3.1.3使用卷。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 3.1.4创建分割（请参阅）图像。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 3.1.5解析分割（请参阅）图像。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 3.1.6创建结构化报告（SR）文档。。。。。。。。。。。。。。。。。。。。。。。。。。10 3.1.7解析结构化报告（SR）文档。。。。。。。。。。。。。。。。。。。。。。。。。。。12 3.1.8创建显微镜批量简单注释（ANN）对象。。。。。。。。。。。。。。。。。16 3.1.9解析显微镜批量简单注释（ANN）对象。。。。。。。。。。。。。。。。。18 3.1.10创建次要捕获（SC）图像。。。。。。。。。。。。。。。。。。。。。。。。。。。19 3.1.11创建灰度软拷贝表现状态（GSP）对象。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>21 3.2一般概念。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23 3.2.1图像。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23 3.2.2像素变换。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。27 3.2.3卷。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 3.2.4编码。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 3.3信息对象定义（IOD）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 3.3.1分割（SEG）图像。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 3.3.2结构化报告文档（SRS）。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。70 3.3.3关键对象选择（KOS）文档。。。。。。。。。。。。。。。。。。。。。。。。。。。。94 3.3.4显微镜批量简单注释（ANN）对象。。。。。。。。。。。。。。。。。。。。。94 3.3.5次驱动图。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。100 3.3.6介绍状态。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。100 3.3.7次级捕获（SC）图像。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。100 3.3.8传统转换后的增强图像。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。100
通过基于有效几何深度网络的生成对抗网络从脑电信号中实现视觉显著性和图像重建
摘要：了解大脑感知外界输入数据的功能是神经科学的一大目标。神经解码有助于我们模拟大脑活动和视觉刺激之间的联系。通过这种建模可以实现从大脑活动重建图像。最近的研究表明，视觉显著性是图像刺激的重要组成部分，它给大脑活动留下了深刻的印象。本文提出了一个深度模型，通过视觉显著性从脑电图 (EEG) 记录中重建图像刺激。为此，我们训练了基于几何深度网络的生成对抗网络 (GDN-GAN)，将 EEG 信号映射到每个图像对应的视觉显著性图。所提出的 GDN-GAN 的第一部分由切比雪夫图卷积层组成。所提出的网络的 GDN 部分的输入是基于功能连接的 EEG 通道图形表示。 GDN 的输出被施加到所提出的网络的 GAN 部分以重建图像显著性。所提出的 GDN-GAN 使用 Google Colaboratory Pro 平台进行训练。显著性指标验证了所提出的显著性重建网络的可行性和效率。训练后的网络的权重用作初始权重来重建灰度图像刺激。所提出的网络实现了从 EEG 信号进行图像重建。
建立信息学，技术与科学（位）
摘要 - 图像分割是数字图像识别的分析过程之一，在该过程中，此过程将数字图像分为基于均匀像素的几个唯一区域。均匀分组图像的过程基于几种颜色，纹理和形状特征。数字图像处理中的颜色非常重要，因为颜色具有许多人类可以轻松理解的信息。颜色具有各种特征，结合了颜色强度和灰色（灰度）和二进制（黑白）值。但是，颜色特征提取过程具有许多弱点。如果所使用的对象的尺寸和范围很小，则需要将颜色特征的使用与提取相结合，并且可以最大化分割过程。本研究在提取过程中使用颜色和纹理特征。它使用水中的细菌对象（微生物），图像质量和往往难以识别的物体。将颜色空间特征提取过程与Gabor滤波器结合使用，以使分割过程产生高质量的精度。好。本研究中使用的Gabor滤波器与L*A*B空间向量相结合，以提高分割过程中的精度。结果表明，纹理特征的使用通过测试1.2的群集值而导致精度提高17.5％。
![arxiv：2103.05075v1 [q -bio.nc] 2021年3月8日-Alex Williams](/simg/2\2d9035006021964743235294d02fbbbf4af19418.webp)
arxiv：2103.05075v1 [q -bio.nc] 2021年3月8日-Alex Williams
图1：（a）神经数据集中的试验数量的增长速度较慢，同时记录的神经元和采样行为条件的数量。散点图颜色对应于序数的年度出版年度（请参阅传奇）。灰度热图显示了协方差估计的最坏情况误差缩放[92•] - 具有N神经元和C条件的数据集的轮廓为O（NC Log NC）。深色阴影对应于较大的错误。（b）静态（顶行）和动态（底行）神经反应中试验变异性的低维可视化。左，在两个条件下的平均试验（蓝色和红色）。在动态设置中，神经频率沿着一维曲线进化，按时间参数。在静态设置中，响应是隔离点的频率空间。中间，相同的响应，但在每个维度中示出了独立的单试变量。对，相同的响应具有相关变异性。顶部面板中的正相关是“信息限制”，因为它们增加了两个响应分布之间的重叠，从而降低了这两种条件的可区分性（例如，参见，例如[2]）。在底部面板中，神经反应幅度的相关性幅度相关性导致轨迹优先沿特定维度拉伸或压缩，从试验到试验（请参阅[102•]有关适合这种简化结构的模型）。
DOI: 10.2478/cait-2020-0017 经典图像变换算法到量子态的实现、Hal的边界提取与变换
摘要：本研究的目的是利用量子计算工具和方法对经典图像进行量子算法的计算机模拟，研究识别算法，并使用量子方法创建识别模型。量子建模方法可以将经典图像转换为量子态，选择边界并将灰度图像转换为二进制图像，并展示量子信息理论在解释经典问题方面的可能性。本文的主要成果是开发的允许识别对象的量子算法，以及旨在表示/处理彩色像素图像的量子方法。本文的科学新颖性体现在量子系统的构建上，解决计算 NP 完全问题的速度呈指数级增长，而经典机器可以在不可接受的时间内解决这些问题。撰写本文的动机是对量子计算及其保证的好处的浓厚兴趣。开发软件系统的理论基础以及为新信息技术和专用计算系统设计算法是一个充满活力的领域，这方面的现有工作数量就是明证。所开发的针对各类复杂度问题算法与现有的经典算法相比，效率有显著提高，并为许多复杂的数学（包括密码学）问题提供解决方案。
一种新的2阶段残差U-net算法与...相结合
利用最佳质量传输 (OMT) 技术将不规则的 3D 脑图像转换为立方体（U-net 算法所需的输入格式），这是医学成像研究的全新思路。我们开发了一个立方体体积测量保留 OMT (V-OMT) 模型来实现这种转换。脑图像中流体衰减反转恢复 (FLAIR) 的对比度增强直方图均衡灰度创建了相应的密度函数。然后，我们提出了一种有效的两相残差 U-net 算法与 V-OMT 算法相结合进行训练和验证。首先，我们使用残差 U-net 和 V-OMT 算法精确预测整个肿瘤 (WT) 区域。其次，我们使用扩张来扩展这个预测的 WT 区域，并通过将与脑图像中 WT 区域相关的阶梯状函数与 5×5×5 模糊张量卷积来创建平滑函数。然后，构建一种具有网格细化的新 V-OMT 算法，使残差 U-net 算法能够有效地训练 Net1-Net3 模型。最后，我们提出集成投票后处理来验证脑图像的最终标签。我们从包含 1251 个样本的脑肿瘤分割 (BraTS) 2021 训练数据集中随机选择了 1000 个和 251 个脑样本，分别用于训练和验证。Net1-Net3 计算的 WT、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的验证 Dice 分数分别为 0.93705、0.90617 和 0.87470。脑肿瘤检测和分割的准确性显著提高。
Stimuleye：基于计算机视觉的脑震荡检测器
运动是美国 15-24 岁人群脑外伤的第二大原因 [1]。儿童每年经历近 2,000,000 次与运动相关的脑震荡，CDC 报告称，2017 年，15% 的学生至少经历过 1 次脑震荡 [2]。2009 年之前，美国没有任何关于任何体育联盟（无论是学术联盟还是其他联盟）头部损伤的法律。由于对这一研究领域的关注不足，导致场边检查方法不够完善。2009 年，华盛顿州通过了第一部脑震荡法，即 Zachery Lystedt 法。直到 2014 年，加利福尼亚州才通过了 AB 2127，随后又在 2016 年通过了 AB 2007。现在，美国每个州都有脑震荡法律，使得脑震荡测试成为研究和创新技术开发的热点。直到最近，为适应新法规而提供的场边测试方法都是主观的，需要基线，而且很容易被操纵以伪造结果。这就是本文讨论的 StimulEye 技术背后的动机。该应用程序使用标准智能手机上的摄像头来测试脑震荡。智能手机的闪光灯会打开和关闭以刺激瞳孔，而摄像头会捕捉并记录这些反应。摄像头拍摄的视频经过多个阶段的图像处理以隔离和提取瞳孔，使智能手机能够测量其对光作出反应时的直径变化。该算法使用 OpenCV 将图像转换为灰度后对其进行归一化，然后使用二值阈值和腐蚀来
基于深度学习的肿瘤检测和语义分割框架
摘要。对于脑肿瘤治疗计划，医生和放射科医生的诊断和预测取决于医学成像。从各种成像方式（例如计算机断层扫描 (CT)、正电子发射断层扫描 (PET) 和磁共振 (MR) 扫描）获取具有临床意义的信息是放射科医生使用的软件和高级筛查的核心方法。在本文中，介绍了一个通用而复杂的框架，用于剂量控制过程的两个部分：从医学图像中检测肿瘤和分割肿瘤区域。该框架形成了从 CT 和 PET 扫描中检测神经胶质瘤的方法的实现。研究了两个深度学习预训练模型：VGG19 和 VGG19-BN，并将其用于融合 CT 和 PET 检查结果。Mask R-CNN（基于区域的卷积神经网络）用于肿瘤检测——该模型的输出是图像中每个对象（肿瘤）的边界框坐标。 U-Net 用于执行语义分割：分割恶性细胞和肿瘤区域。迁移学习技术用于在数据集有限的情况下提高模型的准确性。应用数据增强方法来生成和增加训练样本的数量。实施的框架可用于结合灰度和 RGB 图像中的对象检测和区域分割的其他用例，尤其是塑造医疗保健行业的计算机辅助诊断 (CADx) 和计算机辅助检测 (CADe) 系统，以方便和协助医生和医疗保健提供者。