XiaoMi-AI文件搜索系统
World File Search SystemSIFT
使用机器学习和基于深度学习的成立网络的脑肿瘤分割和分类的有效合奏
摘要：最近，脑肿瘤（BT）已成为影响几乎所有年龄段人群的常见现象。使用计算机断层扫描对这种致命疾病的识别，磁共振成像如今非常流行。开发用于诊断和分类BT的计算机辅助设计（CAD）工具已变得至关重要。本文着重于使用深度学习（DL）模型设计用于诊断和分类的工具，该工具涉及通过获取（CT）图像，预处理，细分和分类的一系列步骤，以使用基于DL的Inception网络模型使用SIFT识别肿瘤的类型。所提出的模型使用模糊C表示算法从获取的BT图像中分割感兴趣的区域。诸如高斯幼稚的贝叶斯（GNB）和逻辑回归（LR）等技术用于分类过程。为了确定其效率的所有技术，都使用了基准数据集。模拟结果确保了提出的方法的性能，最大敏感性为100％，特异性为97.41％，精度为97.96％。关键字：脑肿瘤，深度学习，特征提取，模糊C的平均值，Inception v3，Sift，高斯幼稚的贝叶斯，逻辑回归。____________________________________________________________________________
使用 CNN 特征跟踪连续视频帧中的关键点以用于太空应用
摘要：太空任务中的严格时间限制带来了许多自主任务的快速视频处理问题。视频处理涉及分离不同的图像帧、获取图像描述符、应用不同的机器学习算法进行物体检测、避障以及航天器自动操纵中涉及的许多其他任务。这些任务需要在时间限制内对图像进行最翔实的描述。在流量估计应用中，需要从连续图像帧中跟踪这些信息点。SIFT 和 SURF 等经典算法是特征描述开发的里程碑。但计算复杂性和高时间要求迫使关键任务避免在实时处理中采用这些技术。因此，本文选择时间保守且复杂度较低的预训练卷积神经网络 (CNN) 模型作为特征描述符。使用预训练的 VGG 模型参数设计和实现 7 层 CNN 模型，然后使用这些 CNN 特征匹配月球下降视频连续图像帧中的兴趣点。系统的性能是基于视觉和经验关键点匹配来评估的。然后使用 CNN 特征将视频中两个连续图像之间的匹配分数与 SIFT 和 SURF 等最先进的算法进行比较。结果表明，对于太空任务的关键点跟踪应用，在时间关键的视频处理任务中，CNN 特征更可靠、更稳健。关键词：人工智能；卷积神经网络；特征描述符；机器学习；太空任务 1 引言
Juniper Mist AI 原生操作指南
AIOps 嵌入到瞻博网络 Mist 中，使您的 IT 运营团队能够掌控和管理分布式网络的所有复杂性。Mist AI 应用大数据、分析和机器学习功能，智能筛选网络信息以查明事件并识别表明潜在问题的模式。Mist AI 还可以诊断问题的根本原因并推荐措施。
为视障人士提供的智能个人 AI 助理
基于特征提取的盲人物体识别 [4]。SIFT（尺度不变特征）算法被提出来实现该解决方案。它不需要任何形式的图像转换。进行预处理以消除噪声和不均匀照明造成的挑战。然后借助局部特征提取方法找出兴趣点，并为其计算特征或向量和描述符。该算法有助于将图像表示为图像的兴趣点集合，这些图像对图像变换不变且对照明变化有部分影响。它克服了以前实现 RGB 到 HSI 转换的缺点，因为图像的复杂性不会影响性能。但是，所使用的算法是闭源的，很难在不同设备上实现。
利用人工智能实现员工体验转型
人才招聘是最耗时的人力资源职能之一，因为招聘人员必须手动筛选申请，筛选简历、筛选候选人并分析候选人是否合适。招聘人员必须与内部团队和外部候选人联络，以便从入围人才库中面试和选出合适的人才。借助人工智能，他们可以加快人才招聘的大部分方面。例如，人工智能可以帮助招聘人员撰写更好的招聘信息，从多个求职门户网站招募顶尖候选人，并发现最佳人才。
数据科学与工程课程的BS课程
Introduction to Computer Vision, Camera geometry and camera calibration, Review of Digital Image Processing, Edge Detection and Hough Transforms, Image Segmentation, Feature Point Detection - Harris, SIFT, HOG, LBP, STIP, Feature Detection, and Description - Bag Of Words, VLAD, Object Recognition - SVMs, Detection - Viola-Jones Object detector, Convolutional Neural Networks and Applications, Optical Flow, KLT based object tracking, Linear Algebra review, Projective Geometry - Basics and 2D transformations (Euclidean, Similarity, Affine, and Projective), Epipolar Geometry - Fundamental and Essential Matrix, Least Squares and Robust Estimation (RANSAC), Stereo reconstruction, SfM and Bundle Adjustment, Homography and panorama creation, Recent Progress in Computer Vision.
利用机器学习增强流浪动物护理
印度流浪动物问题十分紧迫，尤其是狗的数量不断增加，需要创新的解决方案来应对这些挑战。过度繁殖、营养不良和疾病威胁加剧了这些动物面临的困境，而这些动物在挣扎中往往被忽视。为了应对这种情况，我们提出了一款移动应用程序，利用移动技术的力量来简化收养流程。这种转变强调了可访问性和用户参与度。我们方法的核心是集成先进的机器学习算法。卷积神经网络 (CNN) 将实现准确的图像分类，识别各种动物。此外，采用 SIFT 和 SURF 等特征匹配算法将有助于匹配丢失和找到的动物，从而提高应用程序的整体效率。
无人机拍摄的高分辨率航拍图像可用于森林应用
因此，标准空中三角测量方法通常无法处理使用 UAV Haala 2012 获取的图像。现在有各种开源和商业密集立体匹配工具可用于应对这些挑战。采用源自计算机视觉并广泛用于近景摄影测量或地面摄影的算法（特征检测 SIFT、SfM）（Lowe 2004、Bryson 2010、Hauagge 2012）。以高度自动化的方式，可以估计相机几何形状并从一组重叠图像中计算 3D 模型，且不受尺度、方向、失真和照明变化的影响（Neitzel 2011、Turner 2012）。图像匹配得到的点云可以以与机载或地面激光扫描得到的点云类似的方式进行进一步处理，并且通常与激光扫描数据相结合。