XiaoMi-AI文件搜索系统
World File Search SystemImages
在未标记的相机陷阱图像中自动识别非洲豹子
摘要 - 本文介绍了一种解决现实世界动物识别问题的算法，即确定panthera提供的非标记的非洲豹图像数据集中的K单个动物数量未知数量。为了确定豹子的ID，我们提出了一种有效的自动化算法，该算法包括从图像中分割豹子体，对图像对之间的相似性和群集进行了分割，然后进行验证。要执行聚类，我们采用了修改的三元搜索，该搜索使用了新型的自适应K -Medoids ++聚类算法。最佳聚类是使用Silhouette分数的扩展定义确定的。使用新的聚类后验证程序用于进一步提高聚类的质量。使用Panthera数据集评估了该算法，该数据集由1555张图像中拍摄的677个单独的豹子组成，并通过基线K -Medoids ++聚类算法算法的0.864进行了调整后的共同信息评分，与0.864相比进行了聚类。
物体检测可改善罕见脑肿瘤 MR 图像中的肿瘤分割
摘要：肿瘤病变分割是从 MR 神经放射图像中研究和描述癌症的关键步骤。目前，许多深度学习分割架构已被证明在它们所训练的特定肿瘤类型上表现良好（例如，大脑半球的胶质母细胞瘤）。然而，在给定肿瘤类型上进行大量训练的高性能网络可能在没有标记病例允许训练或迁移学习的罕见肿瘤类型上表现不佳。然而，由于常见肿瘤和罕见肿瘤在病变内和周围存在一些视觉相似性，因此可以将问题分为两个步骤：物体检测和分割。对于每个步骤，在常见病变上训练过的网络可以按照域自适应方案用于罕见病变，而无需额外的微调。这项工作提出了一种弹性肿瘤病变描绘策略，该策略基于实现检测和分割的已建立的基本网络的组合。我们的策略使我们能够在训练期间对位于未见肿瘤背景区域中的罕见肿瘤实现稳健的分割推断。以弥漫性内生性脑桥胶质瘤 (DIPG) 为例，我们无需进一步训练或网络架构调整即可实现 0.62 的平均骰子分数。
通过使用人工免疫系统和支持向量机
多发性硬化症是中枢神经系统的自身免疫性慢性疾病，尤其是大脑，视神经和脊髓。症状是非常可变的，肢体模糊的麻木，平衡的丧失等等（Xavier等，2012）。磁共振（MR）成像可以准确地可视化并定位在大脑和脊髓中。取决于所使用的序列，它们看起来是白色（从技术术语中，我们谈到“超信号”）或黑色（“低信号”）。2019年，超过240万人患有多发性硬化症。该研究的重点是寻找创新的治疗方法来减轻MS的人。这项研究的目的是从3D RM图像中检测MS中灰质和白质的异常，许多方法已提出自动细分病变，因为手动分割需要专业知识，耗时，并且需要耗时，并且会摄入内部和互具变化（Vera-Olmos等人（Vera-Olmos等人，2016年））。Veronese等人（Veronese等，2013）提出了一种模糊分类算法，该算法使用空间信息进行MS病变分割。除了空间信息外，还将标准偏差依赖性过滤纳入算法中，以提供更好的噪声免疫。此外，由于大多数板以此形式，因此对模糊逻辑进行了调整以在垂直椭圆对象而不是圆形对象上更具选择性。Saba等（Saba等，2018）提出了一种使用Canny算法从轮廓检测开始的MS病变分割方法，然后应用了修改的模糊平均C算法
Sasidhar B等。使用指纹图像创新的非侵入性血型检测。 J Crim Forensic研究2025，7（1）：180087。
血型的确定是卫生部门输血和诊断的关键步骤。在本文中，采用了与深度学习算法相结合的成像技术来自动识别血型。结缔组织与规模不变特征变换（SIFT），方向短暂和旋转的barf（Orb）以及使用Gabor滤波器的指纹的空间相关性用于识别血型的区别特征以及指纹图像。然后，提取的特征通过卷积神经网络（CNN）进行分类。此外，指纹特征还具有脊频率和空间特征，以进一步改善血型的测定。该框架包括对比度增强和降解技术，可改善图像质量，从而使图像质量波动稳定。采用了使用VGG，Resnet和Densenet作为基本模型来提高模型有效性和概括性，请进行转移学习。对不同数据集进行了测试，该方法在识别血型和歧视性标记方面表现出良好的准确性，一致性和成功率。这种新颖的技术是完全自动化的。它可以通过快速，准确地治疗输血和患者来彻底改变血型和输血的过程。
扩散模型可以有条件地产生天体物理图像吗？
a b s t r a c t generativ e Adveranial网络（GAN）经常用于天文学中来构建数值模拟的模拟器。然而，培训甘斯可能会被证明是一项不稳定的任务，因为它们容易出现不稳定，并且经常导致模式崩溃问题。相反，扩散模型还具有在没有对抗训练的情况下生成高质量数据的能力。它在几个自然图像数据集方面表现出了优势。在这项研究中，我们通过一组来自散射变换的强大摘要统计数据进行了降级扩散概率模型（DDPM）（DDPM）（DDPM）（DDPM）（最坚固的gan类型之一）之间的定量比较。特别是，我们利用这两个模型来生成21 cm亮度温度映射的图像，作为一个案例研究，基于天体物理参数有条件地研究，这些参数与宇宙复离的过程相关。使用我们的新fr`echet散射距离（FSD）作为e v aluation指标，以定量比较生成模型和仿真之间的样本分布，我们证明了DDPM在各种训练集的大小上都优于stylegan2。通过Fisher的预测，我们证明，在我们的数据集中，StyleGAN 2以各种方式崩溃，而DDPM产生了更强大的生成。我们还探讨了无分类指导在DDPM中的作用，并仅在训练数据受到限制时才显示出对非零指导量表的偏好。我们的发现表明，扩散模型在生成准确的图像中提供了一种有希望的替代品。这些图像随后可以提供可靠的参数约束，尤其是在天体物理学领域。
使用先进的深层激光扫描技术对增材制造的 Ti6Al4V 扫描电子显微镜图像进行实时数据驱动的微观结构缺陷检测
由于缺乏全面的数据集和缺陷类型的多样性，自动检测增材制造的 Ti6Al4V 材料中的微观结构缺陷面临巨大挑战。本研究介绍了一种应对这些挑战的新方法，即开发专门针对扫描电子显微镜 (SEM) 图像的微观结构缺陷数据集 (MDD)。我们使用此数据集训练和评估了多个 YOLOv8 模型（YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l 和 YOLOv8x），以评估它们在检测各种缺陷方面的有效性。主要结果表明，YOLOv8m 在精度和召回率之间实现了平衡，使其适用于可靠地识别各种缺陷类型中的缺陷。另一方面，YOLOv8s 在效率和速度方面表现出色，尤其是在检测“孔隙”缺陷方面。该研究还强调了 YOLOv8n 在检测特定缺陷类型方面的局限性以及与 YOLOv8l 和 YOLOv8x 相关的计算挑战。我们的方法和发现有助于科学地理解增材制造中的自动缺陷检测。MDD 的开发和 YOLOv8 模型的比较评估通过提供检测微结构缺陷的强大框架来推进知识水平。未来的研究应侧重于扩展数据集和探索先进的 AI 技术，以提高检测准确性和模型泛化能力。
nnUnetFormer：一种基于 nnUnet 和 Transformer 的多模态 MR 图像脑肿瘤分割自动方法
主要结果：我们通过 5 倍交叉验证在 BraTS 2021 数据集上评估了我们的方法，并取得了优异的性能，Dice 相似系数 (DSC) 为 0.936、0.921 和 0.872，Hausdorff 距离的第 95 百分位数 (HD95) 分别为整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的 3.96、4.57 和 10.45，在平均 DSC 和平均 HD95 方面均优于近期最先进的方法。此外，消融实验表明，将 Transformer 融合到我们改进的 nnUnet 框架中可以提高脑肿瘤分割的性能，尤其是对于 TC 区域。此外，为了验证我们方法的泛化能力，我们进一步在 FeTS 2021 数据集上进行了实验，并在 11 个看不见的机构上取得了令人满意的分割性能，其中 WT、TC 和 ET 区域的 DSC 分别为 0.912、0.872 和 0.759，HD95 分别为 6.16、8.81 和 38.50。
使用小波纹理分析和机器学习对骨质疏松X射线图像进行分类
摘要：骨质疏松症是一种由骨矿物质含量降低和骨微体系结构的变化所定义的疾病，对使用X射线图像进行准确分类构成了挑战。本文旨在从跟骨放射线照片中提取纹理特征，并选择最佳的纹理特征，这些特征可用于训练机器学习分类器模型以检测骨质疏松症。这项工作基于多分辨率分析和微结构分析，以表征来自跟骨X光片的小梁骨微体系结构。将图像转换为使用两级小波分解提取特征细节。结构纹理方法，例如局部二进制图案，分形维度和Gabor滤波器被应用于小波分解的图像。使用独立的样本t检验和特征选择方法选择了最具区别的纹理特征。机器学习模型是通过使用最佳纹理功能训练分类器来构建的，以从骨质疏松图像中对健康图像进行分类。使用包含跟骨放射线图像的公共挑战数据集评估了所提出方法的E ff。值得注意的是，最佳分类是通过使用正向特征选择选择的功能训练的K-Nearest邻居获得的，精度为78.24％。结果表明该方法作为低成本筛查骨质疏松症的可能替代工具的潜力。
在使用机器学习模型的植物分类中优化的特征集
摘要：拯救地球成为任何个人的最大优先和责任。环境和生态系统健康评估研究需要精确耕作，使疾病的早期鉴定并优化作物管理。自动植物叶检测将是对生物多样性研究的关键贡献之一。建议的工作提供了在分类植物叶子中的优化功能。这项工作使用了十四个二植物植物叶，即苹果，蓝莓，樱桃，玉米，棉花，葡萄，花生，桃子，胡椒，土豆，覆盆子，大豆，草莓，草莓和番茄。拍摄20，357张图像大约是用于培训和测试目的。功能包括形状，纹理，HSI和小波。使用特征优化技术（例如XG增强，Pearson相关，卡方和ANOVA）降低功能。寻找最佳分类器，五个分类器，即随机森林，k-neart邻居，支持向量机，na'贝叶斯和决策树的超参数变化。SVM分类器给出了最佳结果，并通过四倍的交叉验证获得了99.59％的精度。这项工作的新颖性在于使用农民获得的知识来部署特征。关键字：生态系统：生物多样性：分类：HSI：小波：
使用SIFT功能
摘要 - 无人驾驶汽车（UAV）在各种应用中都是必不可少的，包括监视，城市场景分析和农业监测。准确的高度估计对于无人机操作至关重要，尤其是在GPS，压力高度计和雷达等传统传感器可能失败的环境中。本文探讨了红外和热成像的使用，用于对无人机的相对高度估计，从而强调了它们的显着优势，而不是传统的RGB图像。红外和热成像在弱光和不利天气条件下提供了卓越的表现，从而提供了更清晰的可见性和更可靠的特征检测。通过杠杆来使尺度不变特征变换（SIFT）特征，此方法利用热图像的固有优势来估计基于连续图像中匹配的键盘的尺寸变化的高度变化。对两个红外热无UAV数据集的实验结果证明了这种方法的有效性，与暹罗网络结合使用以增强功能匹配，显示出估计准确性的显着提高。索引项 - 临时，红外热图像，无人机，海拔估计，暹罗网络。