XiaoMi-AI文件搜索系统
World File Search SystemImager
AI-HyperCal：使用人工智能已知点识别进行场景内高光谱图像校准
2016 年末，阿勒颇东部落入俄罗斯支持的叙利亚军队手中，朝鲜再次开始加强核试验，遥控飞机 (RPA) 袭击次数最多的一年也结束了。所有这些飞行小时数带来了空中情报、监视和侦察 (ISR) 的上升，导致硬盘溢出，其中包含数百万小时的视频和无数高分辨率静态图像，这些图像被上传到美国空军分布式通用地面系统。1 然而，如果没有图像分析师的处理、利用和分发 (PED)，所有这些数据都毫无意义。PED 确保图像质量高，并且感兴趣的对象具有位置、材料、大小和背景特征。周围的机构时间表、其他物体的位置和人员流动都可能影响最终的情报评估。
使用RGB空中图像和机器学习检测咖啡叶矿工
摘要：咖啡生产的可持续性是全球生产者的关注点。为了保持可持续性，有必要达到令人满意的咖啡生产力和质量。害虫和疾病会降低生产率，并可能影响咖啡豆的质量。为了确保可持续性，生产商需要监测可能导致大量农作物损失的害虫，例如咖啡叶矿工Leucoptera Coffeella（Lepidoptera：Lyonetiidae），属于鳞翅目命令和Lyonetiidae家族。这项研究旨在使用机器学习技术和植被指数来远程识别咖啡叶矿工在咖啡种植地区的侵扰。咖啡叶矿工侵扰的现场评估是在2023年9月进行的。使用远程试验的飞机拍摄航空图像，以确定带有RGB（红色，绿色，蓝色）图像的13个营养指数。使用ArcGIS 10.8软件计算植被指数。一个综合数据库，其中包含咖啡叶矿工侵扰，植被指数和作物数据的详细信息。数据集分为培训和测试子集。使用了四种机器学习算法：随机森林（RF），逻辑回归（LR），支持向量机（SVM）和随机梯度下降（SGD）。超参数调整后，采用了测试子集进行模型验证。值得注意的是，SVM和SGD模型在估计咖啡叶矿工侵扰方面均表现出卓越的性能，KAPPA指数分别为0.6和0.67。植被指数和作物数据的综合使用提高了咖啡叶矿工检测的准确性。RF模型的性能不佳，而SVM和SGD模型的性能更好。这种情况突出了追踪咖啡叶矿工在不同年龄，不同品种和其他环境变量不同的领域中的挑战。
标题为基于空中视力的遥感图像数据集，来自大型农场使用自主无人机监视牲畜类型的文章url https：/ div>
牲畜具有很高的经济价值，并且经常在大型农场中对其进行监测是一项劳动密集的任务，而且昂贵。关于单个动物及其周围环境的智能数据的出现为早期发现和预防疾病，更好的动物护理和可追溯性，更好的可持续性和农场经济学开辟了新的机会。精确的牲畜农业（PLF）依靠牲畜数据的恒定和自动收集来支持农民，兽医和当局做出的专业知识和管理决定。无人机的高流动性与高水平的自主权，传感器驱动的技术和AI决策能力相结合可以为农民提供许多优势，从而利用大型农场的每个角落利用即时信息。这项研究的主要目标是i）探索各种基于无人机的基于视觉的遥感模式，尤其是视觉带感应和热成像仪，ii）ii）ii）ii）ii）ii）ii）ii）收集具有各种参数的数据，ii）ii）与研究人员建立良好的高级式富有融合式融合式融合式融合式融合的方法，以建立各种参数方式。收集的数据表明，可以利用从多种传感器模式获得的牲畜的独特特征的融合，以帮助农民通过PLF在大型农场中体验更好的牲畜管理。
生成稀有物体的合成卫星图像
抽象生成深度学习体系结构可以产生现实的高分辨率假图像，具有潜在的社会含义。评估这项技术的风险对公众需要更好地了解新颖生成方法可以生成现实数据的条件。在这种情况下的一个关键问题是：生成逼真的图像，特别是针对利基领域的真实图像有多容易。实现特定图像内容所需的迭代过程很难自动化和控制。尤其是对于罕见的阶层，很难评估忠诚度，这意味着生成的方法是否会产生现实的图像和对齐方式，这意味着（井）如何以人类的投入来指导一代。在这项工作中，我们对生成体系结构进行了大规模的经验评估，以生成合成卫星图像。我们专注于核电站作为罕见对象类别的一个例子 - 由于全球只有大约400个设施，因此对于许多其他情况，这种限制是示例性的，在许多其他情况下，培训和测试数据受到现实世界实例的限制限制的限制。我们通过从游戏引擎中获得的两种模式，文本输入和图像输入来生成综合图像，该图像允许对建筑物布局进行详细规范。生成的图像通过常用的指标进行评估，以进行自动评估，然后与我们进行的用户研究的人类判断进行比较，以评估其可信度。我们的结果表明，即使对于稀有物体，具有文本或详细建筑布局的真实合成卫星图像的产生也是可行的。但是，与以前的工作相一致，我们发现自动指标通常与人类的感知不符 - 实际上，我们发现常用的图像质量指标与人类评分之间存在很强的负相关性。我们认为，我们的发现使研究人员能够更好地评估不同生成方法的优势和劣势，尤其是针对利基领域和稀有物体类别，并可以帮助指导未来的生成方法改进。
研究论文：优化心脏扩大检测：处理胸部 X 光影像的随机森林方法
摘要：本研究探索了随机森林分类器在胸部 X 光图像中自动检测心脏扩大的应用，利用了从 NIH 胸部 X 光数据集处理和派生的数据集。鉴于对心脏扩大的准确及时诊断以提供适当的治疗决策的迫切需求，本研究旨在确定机器学习模型在增强诊断过程中的有效性。本研究采用图像预处理技术，例如用于边缘检测的 Sobel 滤波和用于特征提取的 Hu 矩，增强了模型的输入特征。使用 5 倍交叉验证方法评估分类器的性能，得出的平均准确度、精确度、召回率和 F1 分数大约在 52% 到 54% 之间的结果。这些发现表明可靠性和一致性处于中等水平，表明集成机器学习方法在医学成像分析中具有潜在效用。然而，不同数据子集之间的性能差异凸显了挑战，需要进一步优化。这项研究有助于推动将机器学习融入临床环境的持续讨论，展示了其潜在的优势和当前的局限性。建议未来的研究扩大数据集的种类，整合先进的深度学习方法，并在临床环境中严格测试这些模型。这些发现对医疗保健领域自动诊断工具的开发具有重要意义，可能提高诊断的准确性和效率。
研究运动图像作为中风诱导的运动皮质损伤患者的身体康复治疗的生存能力
尽管大约83％的个体在中风中生存，但由于他们获得的皮质梗塞，他们通常会在运动执行（ME）功能上遭受重大损失。以前认为由于中风损伤而导致的重要ME能力丧失是不可逆转的。主动运动疗法表现出巨大的希望，但取决于运动性能，不包括许多原本合格的患者。运动图像（MI），涉及使用镜像神经元来想象运动活动的过程，已成为重新获得某些物理能力因中风损害而失去的物理能力的途径。本文研究了先前的研究，以比较患有脑病变的个体的大脑激活和连通性的强度，而那些不像我尝试过我和MI任务的人相比。本文审查了案例研究，研究了基于皮质损伤和其他变量（例如年龄）的位置，调查了运动成像与物理疗法的直接效应以及运动成像的局限性。本综述中分析的发现表明，MI将是物理疗法的有益补充，并且可以在无法通过严重运动障碍而无法进行物理治疗的个体中刺激运动诱发潜力（MEP）的可行选择。不管脑部病变的存在如何，运动图像在增强治疗或刺激神经肌肉途径方面一直对运动康复产生积极影响。因此，我们得出的结论是，MI是大多数运动皮质萎缩患者的运动恢复的可行补充治疗计划。
Neuroxplorer的性能特征，下一代人脑PET/CT成像器
耶鲁大学，加利福尼亚大学，戴维斯大学和联合成像医疗保健的合作成功地开发了神经脱落者，这是一家专门的人脑宠物成像仪，具有高空间分辨率，高灵敏度和内置的3维相机，用于无标记的无效运动跟踪。它具有较高的相互作用和交流时间的分辨率，以及52.4厘米的横向视野（FOV）和扩展的轴向FOV（49.5厘米），以增强灵敏度。在这里，我们介绍了神经解释器的身体表征，性能评估和第一个人类图像。方法：对空间分辨率，灵敏度，计数率性能，能量和时序的测量以及图像质量进行了遵守国家电子制造商协会（NEMA）NU 2-2018标准。通过对Hoffman 3维脑幻影和迷你Derenzo phanmom的成像研究来证明该系统的性能。提出了来自健康志愿者的最初18个F-FDG图像。结果：通过过滤后的反射重建，径向和tan量的空间分辨率（最大宽度为一半）平均为1.64、2.06和2.51mm，轴向分辨率为2.73、2.89，2.89和2.93 mm的径向偏移量为1、10和20cm，相应的距离。平均交流分辨率为236 PS，能量分辨率为10.5％。NEMA敏感性分别为46.0和47.6 kCPS/MBQ，分别为10 cm偏移。在FOV中心达到了11.8％的敏感性。在58.0 kBQ/mL时，峰值噪声等效率为1.31 mcps，在5.3 kbq/mL时的散射分数为36.5％。峰值噪声当量计数率在峰值等效率下的最大计数率少于5％。在3次迭代时，NEMA图像质量对比度恢复系数从74.5％（10毫米球）到92.6％（37毫米球）不等，背景可变性在4.0：1的对比度为3.1％至1.4％。一个例子人脑18 F-FDG图像表现出很高的分辨率，在皮质和皮层结构中捕获了复杂的细节。结论：神经塑料提供了高灵敏度和高空间分辨率。具有长的轴向长度，它还可以实现高质量的脊髓成像和颈动脉的图像衍生的输入功能。这些绩效增强能力将大大扩大人脑宠物范式，方案的范围，从而扩大临床研究应用。
辨别人工智能生成图像的年龄差异
1.简介 AI 工具在我们的日常生活中越来越普遍。最近，AI 生成的文本和图像方面出现了许多创新，例如 ChatGPT [23] 和 Midjourney [18] 等 AI 工具。此类工具对于企业来说非常有用且价格低廉，因此已在编程和设计中得到专业使用 [16]。然而，随着人工智能的兴起，也带来了一些值得强调的负面后果。例如，普通人以数字方式创建和传播虚假信息的能力得到了增强。如果处理不当，可能会产生重大的社会后果。在之前的一项研究中，讨论了生成图片来制造伪造科学证据的可能性 [12]。他们得出结论，这可能对学术出版构成严重威胁，因为它很难被发现。人工智能被用来传播虚假信息的一个例子是，一段假视频中，气候活动家 Greta Thunberg 支持环保军事技术，即所谓的“可生物降解导弹” [15]。除此之外，还有很多其他人工智能生成的名人图像的例子，这些图像在网上获得了广泛的关注 [14]。虚假信息已经成为一个如此重要的话题，以至于近年来，假新闻、后真相和虚假信息这几个词分别被柯林斯词典、牛津词典和 Dictionary.com 评为“年度词汇” [3]。
基于Landsat 8卫星图像的地热前景区域估计（围绕
摘要印度尼西亚具有明显的地热潜力，因为其地理位置位于三个主动构造板中。由于难以识别地热电位的确切位置领域，因此巨大的地热电位导致了一部分它的一部分。因此，需要勘探活动才能发现这些潜在的地热站点而没有直接探索。需要进一步发展的地热潜力位于贾瓦中部塞马朗地区的Gedongsongo地区，特别是在Ungaran山的南坡上。这项研究旨在使用Landsat 8卫星图像数据来绘制研究区域中的地热电位区域。使用归一化差异植被指数（NDVI）方法，地表温度（LST）方法和断层断裂密度（FFD）方法利用卫星数据的热图像来利用遥感的分析。这三个参数的覆盖结果在Candi Village和Kenteng Vilage地区产生了地热电位图，表明有几个预测地热势的领域。在坎迪村（Candi Village），鉴定出三个潜在的地热区域，其潜在水平高且非常高的水平，中等谱系密度范围为1.07至1.8 km2，地面地面
从RGB图像中的光谱特征的预测映射用于越野地形分析
摘要 - 准确识别复杂的地形特征，例如土壤组成和摩擦系数，对于基于模型的计划和越野环境中移动机器人的控制至关重要。光谱特征利用光吸收和反射的不同模式来识别各种材料，从而可以精确地表征其固有特性。机器人技术的最新研究探索了光谱的采用，以增强与环境的感知和相互作用。但是，安装这些传感器所需的巨大成本和精致的设置存在着广泛采用的强大障碍。在这项研究中，我们将RS-NET（RGB引入光谱网络），这是一种深层神经网络体系结构，旨在将RGB图像映射到相应的光谱签名。我们说明了如何将RS-NET与共同学习技术协同结合，以进行地形性质估计。初始结果证明了这种方法在表征广泛的越野现实世界数据集中的光谱特征方面的有效性。这些发现仅使用RGB摄像机强调了地形性质估计的可行性。