XiaoMi-AI文件搜索系统
World File Search SystemImages
人工智能图像：人工智能伦理的盲点
摘要 本文认为人工智能伦理通常忽视了与人工智能科学传播相关的问题。特别是，本文关注的是人工智能的视觉传播，更具体地说，关注的是人工智能科学传播中某些库存图片的使用——特别是那些以过度使用蓝色和反复出现的主题为特征的图像，例如雌雄同体的面孔、半肉半电路的大脑，以及米开朗基罗的《创造亚当》的变种。在第一部分中，作者引用了“指称主义”科学传播伦理来对这些图像进行伦理评估。从这个角度来看，这些图像是不道德的。虽然科学传播伦理通常提倡谦虚和谦逊等美德，但类似的图像却是傲慢和过度自信的。在第二部分中，作者使用了法国哲学家雅克·朗西埃的“感性分布”、“分歧”和“沉思形象”的概念。朗西埃的思想为对这些人工智能形象的更深入批判铺平了道路。类似形象的问题不在于它们缺乏对“事物本身”的参考。而是在于它们扼杀了任何可能对人工智能产生分歧的形式。然而，作者认为，库存图像和其他流行的人工智能图像本身并不是问题，它们也可以是一种资源。这取决于这些图像是否真正有可能支持各种形式的沉思。在结论中，问题在于本文提出的人工智能图像伦理或政治是否可以直接应用于人工智能伦理。
使用 X 射线手部图像进行基于人工智能的年龄估计
骨龄评估有多种用途。它可以帮助儿科医生预测生长、青春期开始、识别疾病，并评估缺乏适当身份证明的人是否是未成年人。这是一个耗时的过程，也容易出现观察者内差异，从而导致许多问题。本论文尝试通过使用不同的物体检测方法来检测和分割对评估具有解剖学重要性的骨骼，并使用这些分割的骨骼来训练深度学习模型来预测骨龄，从而改善和加快骨龄评估。使用了一个包含 12811 张婴儿至 19 岁人群的 X 射线手部图像的数据集。在第一个研究问题中，我们比较了三种最先进的物体检测模型的性能：Mask R-CNN、Yolo 和 RetinaNet。我们选择了性能最佳的模型 Yolo，以分割数据集中指骨的所有生长板。我们继续使用分割和未分割的数据集训练四种不同的预训练模型：Xception、InceptionV3、VGG19 和 ResNet152，并比较了性能。我们使用未分割和分割的数据集都取得了良好的结果，尽管使用未分割的数据集的性能略好。分析表明，通过增加腕骨、骨骺和骨干的生长板检测，我们可能能够使用分割数据集实现更高的准确率。性能最佳的模型是 Xception，使用未分割的数据集实现了 1.007 年的平均误差，使用分割的数据集实现了 1.193 年的平均误差。
使用经典方法对 MRI 图像进行脑肿瘤分类...
摘要。脑肿瘤是神经系统疾病中的重要威胁，需要准确分类才能有效诊断和治疗。本研究探索了使用经典局部二值模式 (CLBP) 和卷积神经网络 (CNN) 进行脑肿瘤分类，以及使用经典 LBP 和 HOG（方向梯度直方图）从 MRI 图像中提取纹理特征。这些方法能够熟练地捕捉对肿瘤识别至关重要的局部和全局纹理模式。我们提出的框架包括三个关键步骤：图像预处理、通过 CLBP 进行特征提取和利用 CNN 进行分类。对公开的脑肿瘤数据集的评估显示了令人印象深刻的 95.6% 的肿瘤分类准确率，证实了 CLBP+CNN 方法的有效性。该方法对增强临床诊断和治疗计划具有良好的意义。此外，我们提出了未来的扩展，包括 DLBP 和 LBP 等 CLBP。DLBP 引入了一个参数“D”，表示像素距离，而 LBP 则在指定范围内改变像素值。此外，还利用 ANN、AlDE 和 LDA 分类方法探索了肿瘤分类，未来有望将 MRI 图像中的 DLBP、LBP 和 CLBP 提取纳入数据集
使用完全... 在 VHR SAR 图像中检测建筑物
摘要 — 这是预接受版本，要阅读最终版本，请访问 IEEE Xplore 上的《IEEE 地球科学和遥感学报》。本文解决了自动检测人造结构尤其是非常高分辨率 (VHR) 合成孔径雷达 (SAR) 图像中的建筑物这一极具挑战性的问题。在这方面，本文有两大贡献：首先，它提出了一种新颖的通用工作流程，该工作流程首先将星载 TomoSAR 点云（通过使用称为 SAR 断层扫描 (TomoSAR) 的先进干涉技术处理 VHR SAR 图像堆栈生成）在辅助信息的帮助下（即使用公开可用的 2D 建筑物足迹或采用光学图像分类方案）分为建筑物和非建筑物，然后将提取的建筑物点反投影到 SAR 成像坐标上，以自动生成大规模基准标记（建筑物/非建筑物）SAR 数据集。其次，这些标记数据集（即建筑物掩码）已用于构建和训练最先进的深度全卷积神经网络，并附加条件随机场（表示为循环神经网络）来检测单个 VHR SAR 图像中的建筑物区域。这种级联结构已成功应用于计算机视觉和遥感领域，用于光学图像分类，但据我们所知，尚未应用于 SAR 图像。结果
自动处理大量图像以进行 2D/3D 建模
当分析从地面（例如固定摄像站）或地面以上（例如无人机、飞机或卫星）在同一位置收集的图像的时间序列时，没有必要对所有帧进行地理配准。与摄影测量光束法区域网平差一样，GCP 是在整个图像块的较小子集上测量的，而其他 GCP 则在它们之间和相对于它进行配准。如果使用间接地理配准技术，则使用已知 GCP 手动对一幅图像进行地理编码（该图像通常称为“主”或“参考”图像），然后手动或自动将该系列的所有其他图像与其配准。另一方面，当使用直接地理配准技术时，所有图像都已进行地理配准，只需要几个 GCP 来纠正一些残留偏差。不幸的是，这种方法不适用于任何类型的应用，例如近距离摄影测量（Luhmann 等人2014 ）。在其他情况下，它可能仅提供近似地理编码，用于实例化其他地理参考技术。这是使用无人机记录的大多数摄影测量块的情况（Colomina 和 Molina 2014；Granshaw 2018a）或用于分析卫星图像，其中直接地理编码不够准确。当需要间接地理参考方法时，假设总是需要一些外部约束，则仅在（小）图像子集上测量 GCP 然后将其余数据联合注册的选项对于减少处理时间和限制操作员工作量确实具有战略意义。因此，近年来，已经开发了几种自动化方法来实现这一目的。米兰理工大学建筑、建筑环境和建筑工程系 (DABC) 通过在通用框架内引导不同类型图像的配准过程，为这一主题做出了贡献。这可以称为运动结构摄影测量程序，将在下一节中讨论。
遥感图像变化检测 - Canada.ca
人们对地球表面最新信息的需求与日俱增，因为此类信息为大量应用提供了基础，包括本地、区域和全球资源监测、土地覆盖和土地利用变化监测以及环境研究。遥感卫星数据提供了获取不同分辨率土地信息的机会，并已广泛用于变化检测研究。利用遥感数据，已经开发了大量变化检测方法和技术，而且新技术还在不断涌现。本文首先讨论传统的基于像素和（主要是）面向统计的变化检测技术，这些技术主要关注光谱值，而大多忽略了空间背景。接下来是对基于对象的变化检测技术的回顾。最后，简要讨论了图像处理和遥感数据变化检测中的空间数据挖掘技术。比较了不同技术的优点和问题。强调了图像数据量和多个传感器的指数级增长的重要性以及变化检测技术发展面临的相关挑战。随着超高分辨率 (VHR) 遥感图像的广泛使用，基于对象的方法和数据挖掘技术在变化检测方面可能具有更大的潜力。� 2013 国际摄影测量和遥感学会 (ISPRS) 由 Elsevier B.V. 出版。保留所有权利。
光学遥感图像中的物体检测调查
变化检测 (Bontemps et al., 2008; Chen and Hay, 2012; Contreras et al., 2016; Dissanska et al., 2009; Doxani et al., 2012; Doxani et al., 2008; Hussain et al. .，2013；Im 等，2008；等，2014；沃尔特，2004）；土地覆盖和土地利用制图，包括植被、树木、水、住宅等。 （Baker 等人，2013 年；Benz 等人，2004 年；Blaschke，2003 年；Blaschke 等人，2011 年；Blaschke 等人，2008 年；Contreras 等人，2015 年；D'Oleire-Oltmanns 等人，2014 年德皮尼奥等人，2012；等，2013；Drăguţ 和 Eisank，2012；Eisank 等，2011；Kim 等，2011； Woodroffe，2011；Macfaden 等，2012；Myint 等，2011； 2012；Tzotsos 等，2011；Xie 等，2008；Zhou 和 Troy，2008；滑坡测绘（Feizizadeh 等，2014；Li 等，2015b；Martha 等，2010；Martha 等，2011；Martha 等，2012；Stumpf 和 Kerle，2011）。
从运动模糊图像中识别模糊参数
点物体模糊图像的模糊程度 恢复原始图像中相对运动模糊的图像的问题。提取相机和物体场景之间的运动模糊程度对于大量应用中的运动模糊识别具有重要意义。这里提出的解决方案是PSF。Cannon [1] 处理了均匀线性的情况，确定了表征运动模糊的重要参数，该参数由方脉冲PSF和模糊的点扩展函数（PSF）描述，仅给出模糊在谱域图像本身中利用其周期性零点的性质。这种识别方法基于模糊图像的概念。这些零点被强调，因为沿运动方向的图像特征是倒谱域的，并且模糊程度的估计不同于其他方向的特征。取决于测量零点之间的间隔。关于 PSF 形状、谱域中零点的均匀性和平滑性的假设不满足，模糊图像在运动方向上的零点间距大于在其他方向上的零点间距。此外，在这个方向上存在各种运动退化的情况，例如加速原始未模糊运动 [2, 3] 和低频振动 [4]。物体。通过过滤模糊图像，我们强调 PSF 特性，而忽略图像特性。这里提出的是最大似然图像和模糊识别方法 [5–7]。这些方法对原始图像、模糊的PSF进行建模，并评估其形状，这取决于模糊和噪声过程。原始图像被修改为二维自回归（AR）过程，PSF参数允许快速高分辨率恢复模糊图像。 1997 Academic Press 具有有限脉冲响应。最大似然估计用于识别图像和模糊参数。模糊模型参数的识别被纳入恢复算法并重新进行模糊图像的恢复。介绍 模糊模型参数的识别被纳入恢复算法并重新进行模糊图像的恢复。介绍 模糊模型参数的识别被纳入恢复算法并重新进行模糊图像的恢复。1.介绍 模糊模型参数的识别被纳入恢复算法并重新进行模糊图像的恢复。成像系统的一个难题是性能下降需要大量计算。由运动引起的图像。当 Savakis 和 Trussell [8] 提出另一种模糊识别方法时，这个问题很常见。使用对原始图像平面的估计，即使相机由人手握住。功率谱（期望值），PSF 估计为 ，通常基于有关恢复残差功率和退化过程之间最佳匹配的信息的准确性。给定理想图像 f (x, y)，相应的候选 PSF 与真实 PSF 相似。分级图像 g (x, y) 通常建模为 在本文中，我们开发了一种从运动模糊图像本身识别模糊参数的新方法。g ( x , y ) � � � h ( x � x � , y � y � ) f ( x � , y � ) dx � dy � � n ( x , y ) 根据对运动模糊对图像影响的研究，从模糊图像中提取方向、程度 (1) 和形状估计等模糊特征。虽然模糊识别的动机通常是其中 h ( x , y ) 是线性平移不变 PSF（点扩散图像恢复，这里提出的方法不起作用）和 n ( x , y ) 是随机噪声。将识别过程与恢复过程联系起来。在运动模糊图像中，模糊程度参数是该方法解决一维模糊类型，这在运动退化的情况下很常见。模糊 1 电子邮件：itzik@newton.bgu.ac.il。2 电子邮件：kopeika@bguee.bgu.ac.il。效果被认为是线性的和空间不变的，并且
区分工程组织图像和实验因素以分类
使用可见光。微球体，并从油相中去除，并在两个不同的干细胞培养基中培养以膨胀3天。心脏分化是在第0天使用两个不同的分化方案开始的，如时间表所示。测量并有意更改的实验特征是聚乙烯乙二醇 - 纤维蛋白原（PF）中的纤维蛋白原（Fb）浓度，而PF的PF中的HIPSC浓度是-3，第2天测量的微壳大小和形状，以及第0天的CHIR浓度。在分化的第3天和第5天拍摄了微圈的相对比对比图像。输出是每批封装中的CM含量，这是通过分化第10天通过流式细胞仪数据来衡量的。卷积神经网络是用于构建CM内容分类模型的机器学习方法。
重组GFAP的产品图像（星形胶质细胞和神经干细胞标记）抗体alpha-1-抗胰蛋白酶（SERPINA3）（组织细胞瘤标记）抗体的产品图像
特异性和注释它识别为65-76KDA的蛋白质，该蛋白质被鉴定出抗促胰蛋白酶（AACT）。AACT是在肝脏中合成的血浆蛋白酶抑制剂作为单个糖肽链。在人类中，正常的AACT血清水平约为十分之一？1-抗胰蛋白酶（AAT），它具有核酸和蛋白质序列同源性。两者都是主要的急性相应物；它们在血浆中的浓度增加了创伤，手术和感染。在AD患者的脑脊液和血浆中，AACT水平的升高是广泛但不是普遍报道的。前列腺特异性抗原（PSA）及其具有AACT的SDS稳定复合物已广泛用作诊断前列腺癌的标志物。ACT缺乏也可能是慢性肝病的可能原因。a肌肉与组织细胞和组织细胞肿瘤反应。它被广泛用于鉴定从中得出的组织细胞和肿瘤。胰腺和唾液腺的腺泡肿瘤也可能表现出ACT阳性。