XiaoMi-AI文件搜索系统
World File Search SystemRonneberger
计算机视觉和深度学习在水下栖息地鱼类分类中的应用：一项调查
图 5 演示了流行的 CNN 架构 UNET（Ronneberger 等人，2015 年）。UNET 的第一个组件是编码器，用于从输入图像中提取特征。第二个组件是解码器，用于输出每个像素的分数。该网络由五个不同的层组成，包括卷积层 (Conv Layer)、整流线性单元 (ReLU)、池化、反卷积层 (DeConv) 和 SoftMax。在这里，DNN 层的任务是只给输入图像中属于鱼身的像素高分，从而得到所示的白色斑点输出，显示鱼的位置
利用人工智能技术自动进行切割工艺规划*
17, 5 (2020), 861。 5) Nobuhiro Sugimura，“工艺设计支持系统的现状与未来”，日本精密工程学会期刊，72, 2 (2006) 165。 6) E. Ueno 和 K. Nakamoto：多任务机床工艺规划支持系统的加工特征提案，日本机械工程师学会会刊，81，825 (2015) DOI：10.1299/transjsme.15-00108。7) Y. Inoue 和 K. Nakamoto：开发用于处理复杂加工操作的多任务机床 CAPP 系统，J. Adv. Mech. Design Syst. Manuf.，14，1 (2020) DOI：10.1299/jamdsm.2020jamdsm0006。8) S. Kobayashi：基于案例的推理的现状与前景，日本人工智能学会期刊，7，4 (1992) 559。 9）Tatsuya Nagano、Keiichi Shirase、Eiji Wakamatsu、Eiji Arai：基于案例推理的切削条件推理系统，日本精密工程学会期刊，67，9（2001）1485。 10) Tetsuya Asano、Ryo Tsukamoto、Keiichi Nakamoto：基于加工特征的案例推理工作设计支持系统开发研究，日本精密工程学会期刊，待发表。 11）O. Cicek、A. Abdulkadir、SS Lienkamp、T. Brox 和 O. Ronneberger，3d U-Net：从稀疏注释学习密集体积分割，arXiv preprint（2016）arXiv：1606.06650。12）M. Hashimoto 和 K. Nakamoto：基于模式识别和深度学习的模具加工工艺规划，J. Adv. Mech. Design Syst. Manuf.，已接受。
MDBrain | MDProstate 1.1 Akhondi-Asl，A.，和 Warfield。SK......
MDBrain | MDProstate 1.1 Akhondi-Asl, A. 和 Warfield. SK (2013)。通过融合概率分割同时估计真实性和性能水平。IEEE 医学影像学报 32，1840-1852。doi：10.1I09/TMI.2013.2266258 1.2 Allay, EE. Fisher. E.. Iones. SE、Hara-Cleaver, G、Lee, LG 和 Rudick, RA (2013)。在多发性硬化症诊所中使用磁共振成像对多发性硬化症疾病活动进行分类的可靠性。JAMA Neurol. 70，338-344。doi：I0.1001/2013.jamaneuroL211 1.3 Battagiini, M.. Rossi, F.» Grove, RA、Stromillo, M. L、Whitcher, B.、Matthews, PM. 等人 (2014)。使用减影图像自动识别多发性硬化症中的大脑新病变。I. Magn. Reson. Imaging 39, 1543-1549。doi: 10.1002/jmri .24293 1.4 Baur, G、Denner, S.、Wiestler, B.、Navab, N. 和 Albarqouni, S. (2021)。用于脑部 MR 图像中无监督异常分割的自动编码器：一项比较研究。Med. Image Anal. 69:101952。doi: 10.1016/j.media.2020.101952 1.5 Bose, M.、Heitz. F.» Armspach, J.-P.» Namer, L, Gounot, D. 和 Rumbach. L (2003)。多模态序列 MR1 中的自动变化检测：应用于多发性硬化症病变演变。NeuroImage 20, 643-656。doi: 10.1016ZS1053-8119(03)00406 3 1.6 Brownlee, WJ, Altmann. DR. Prados, F., Miszkiel, KA. Eshaghi, A., Gandini Wheeler-Kingshott, Q A. 等人 (2019)。复发型多发性硬化症长期结果的早期成像预测因子。Brain 142。2276-2287。doi: !0.1093/brain/awzl56 1.7 Carass, A., Roy, log. A., Cuzzocreo。 J. L、Magrath、E.、Gherman、A. 等 (2017)。纵向多发性硬化症病变分割：资源与挑战。NeuroImage 148,77-102。doi：10.10I6/j.neuroimage20l6.12.064 1.8 Qtek、0.、Abdulkadir、A.、I.ienkamp、SS。Brox、T.» 和 Ronneberger、O. (2016)。“3D U-Net 从稀疏注释中学习密集体积分割。”国际医学图像计算与计算机辅助干预会议 (雅典：Springer)，424-432。1.9 Commowick、O.、Istace、A.、Kain、M.» Laurent. B.. Leray, F., Simon, M.. 等人 (2018)。使用数据管理和处理基础架构对多发性硬化症病变分割进行客观评估。Sci. Rep. 8, 1-17。doi: 10.1038/S41598-018-31911-7 1.10 Egger, G, Opfer, R., Wang, C.» Kepp, T.» Sormani, MP。Spies, L, 等人 (2017)。多发性硬化症中的 MR1 FLAIR 病变分割：自动分割是否与手动注释相符？NeuroImage Clin. 13, 264-270。doi: 10.1016/j.nicl.2016.11.020