XiaoMi-AI文件搜索系统
World File Search SystemSeg
A2V：通过两阶段训练血管造影到世纪的半监督域适应框架，用于脑血管分割
我们提出了一个半监督的域适应框架，用于来自不同图像模式的脑血管序列。现有的最新方法集中在单一模态上，尽管可用的脑血管成像技术广泛。这可能导致重大分布变化，从而对跨模式的概括产生负面影响。By relying on annotated angiographies and a limited number of an- notated venographies, our framework accomplishes image-to-image translation and se- mantic segmentation, leveraging a disentangled and semantically rich latent space to represent heterogeneous data and perform image-level adaptation from source to tar- get domains.此外，我们降低了基于周期的架构的典型复杂性，并最大程度地减少了对抗性训练的使用，这使我们能够通过稳定的培训构建一个高效且直观的模型。我们评估了有关磁共振血管造影和静脉曲张的方法。在源域中实现最先进的性能时，我们的方法在目标域中达到了仅8个目标域的骰子得分系数。降低了9％，突出了其在不同模态上稳健脑血管图像分割的有希望的潜力。
深度学习的并发大脑注册和肿瘤分割
1 Gustave Roussy-Centresup。Elec-therapanacea herec-therapanacea rashiation疗法中心和肿瘤学中的人工智能，Gustave Roussy Cancer Campus，Villejuif，法国2 Artorg 2 Artorg生物医学工程中心巴黎 - 萨克莱和阿里亚·萨克莱，法国4 Inserm，U1030，巴黎，法国5大学，巴黎大学，法国巴黎UFR deMédecine，法国6实验室MICS，Centralsup´elec-elec-University Paris-Saclance
基于深残留网络（RESNETS）2631
从磁共振图像（MRI）中自动分割脑肿瘤是计算机视觉中具有挑战性的任务之一。许多建议研究在图像分割中使用深神经网络（DNN），因为它们在脑肿瘤图像的自动分割方面具有高性能。由于梯度扩散问题和复杂性，通常需要大量时间和额外的计算能力来训练更深的神经网络。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。 重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。 为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。 模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。 结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。 此外，它的平均计算时间（3倍）比其他DNN技术快。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。此外，它的平均计算时间（3倍）比其他DNN技术快。
我们准备好在自动驾驶中进行实时激光雷达语义细分吗？
摘要 - 在自动移动和机器人系统的感知框架内，对Lidars通常生成的3D点云的语义分析是许多应用程序的关键，例如对象检测和识别以及场景重建。场景语义分割可以通过将3D空间数据与专门的深神经网络直接整合在一起来实现。尽管这种类型的数据提供了有关周围环境的丰富几何信息，但它也提出了许多挑战：其非结构化和稀疏性质，不可预测的规模以及苛刻的计算要求。这些特征阻碍了实时半分析，尤其是在资源受限的硬件 - 构造方面，构成了许多机器人应用的主要计算组件。因此，在本文中，我们研究了各种3D语义分割方法，并分析了其对嵌入式NVIDIA JETSON平台的资源约束推断的性能和能力。我们通过标准化的培训方案和数据增强进行了公平的比较，为两个大型室外数据集提供了基准的结果：Semantickitti和Nuscenes。
多域分割 - 零分段服务 - 零 - 信任...
4。连续监视和策略更新：一旦部署了零信托策略，MSS便提供了监视任何违反策略的功能并检测网络中删除的特定流量。这使管理员可以在有效的情况下更新零信托策略，但正在拒绝新服务，或者监视违反流量规则的特定端点。MSS规则支持“ Drop+Monitor”操作，该操作对开关进行编程以删除数据包，同时创建每个掉落的数据包的副本，并将其镜像到ZTX设备。设备分析每个镜像数据包和记录流量元数据（包括源，目标和L4服务），然后将其流式传输到CloudVision策略构建器，该策略构建器生成更新的策略建议。
在气候变化下的保护区域设计网络中整合功能连接：驯鹿案例研究
摘要 - 动态场景中的移动对象细分（MOS）是一个重要的，具有挑战性但探索不足的重新搜索主题，以供自动驾驶，尤其是对于从移动的自我车辆获得的序列而言。大多数分割方法利用了从光流图获得的运动提示。但是，由于这些方法通常是基于从连续的RGB框架中预先计算的光流，因此这忽略了对间框架内发生的事件的时间考虑，因此限制了其识别其表现出相对静态性但在运动中确实在运动中表现出相对静态物体的能力。为了解决这些局限性，我们建议利用事件摄像机以更好地理解视频，从而在不依赖光流的情况下提供了丰富的运动提示。为了培养该领域的研究，我们首先引入了一个名为DSEC-MOS的新型大型数据集，用于从移动自我车辆中移动对象进行分割，这是同类的第一个。为了进行基准测试，我们选择了各种主流方法，并在我们的数据集上严格评估它们。随后，我们设计了一种能够利用事件数据的新型网络。为此，我们将事件的临时事件与空间语义图融合在一起，以区分真正的移动对象和静态背景，并围绕着我们感兴趣的对象增加了另一个密集的监督。我们提出的网络仅依靠用于培训的事件数据，但在推理过程中不需要事件输入，从而使其直接与仅限框架方法相媲美，并且在许多应用程序情况下都可以使用更广泛的使用。源代码和数据集可公开可用：https：//github.com/zzy-zhou/dsec-mos。详尽的比较突出了我们方法对所有其他方法的显着性能提高。
提高语义细分的效率...
提取和分析详细的视觉信息。传统的人工神经网络（ANN）在这一领域取得了长足的进步，但是尖峰神经网络（SNN）的能源效率和以生物为基础的基于时间的处理而引起了人们的关注。然而，由于限制，诸如量化误差和次优膜电位分布之类的局限性，现有的基于SNN的语义分割方法面临着高精度的挑战。这项研究介绍了一种基于尖峰 - 深板的新型尖峰方法，并结合了正则膜电位损失（RMP-loss）来应对这些挑战。建立在DeepLabv3体系结构的基础上，提出的模型通过优化SNN中的膜电位分布来利用RMP-loss来提高分割精度。通过优化膜电位的存储，其中仅在最后一个时间步骤存储值，该模型可显着减少内存使用和处理时间。这种增强不仅提高了计算效率，而且还提高了语义分割的准确性，从而可以对网络行为进行更准确的时间分析。提出的模型还显示出更好的稳健性，以防止噪声，在不同级别的高斯噪声下保持其精度，这在实际情况下很常见。所提出的方法在标准数据集上展示了竞争性能，展示了其用于节能图像处理应用的潜力
计算机辅助单词阅读干预对小学各年级的影响：一项荟萃分析 Verhoeven, LTW; Voeten, MJM; Segers, PCJ
这项荟萃分析重点关注了自 1995 年以来计算机支持的单词阅读干预措施（基础阅读指导、补充字母拼写、阅读流畅度、补习阅读）对不同语言小学生阅读相关结果指标（字母知识、语音意识、单词和假词阅读、句子和文本阅读、拼写以及向阅读理解的转变）的影响。我们确定了 67 项研究，共涉及 10,734 名小学儿童，从中得出了 694 个效应大小。按照多层次方法，干预措施和结果指标的平均效应大小为 0.36，95% 可信区间（0.28,0.43）。也有证据表明效应大小向阅读理解转变，69 个效应大小平均为 0.21（95% 可信区间 0.13 – 0.29）。不同研究之间，尤其是研究内的比较之间，效应大小差异很大。效果大小受治疗长度、子词级别作为标准变量和加速测试的影响。效果大小取决于对照组条件，即在教育照常的对照条件下，效果大小较高，而在阅读治疗对照条件下，效果大小较低。结论是，技术增强的单词阅读干预措施平均对不同项目类型和不同语言的单词学习的准确性和速度产生中等积极影响。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
自动脑分割算法通常依赖高分辨率 T 1 加权 (T1w) 或 T 2 加权 (T2w) 解剖图像来注释组织类型。这些算法依赖于不同脑组织和区域的体素对比度和强度差异来描绘脑组织和区域边界。大多数情况下，成人和儿童的脑组织和区域边界很容易描绘；然而，它们在婴儿数据中通常不太准确。这可能是由于大脑在出生后头几年经历了重大变化，例如髓鞘形成、突触形成和神经胶质增生 1,15,16 。例如，0 至 3 个月大的婴儿的 GM 和 WM 体素对比度与成人相反（图 2），从大约 5-9 个月开始对比度降低，导致组织看起来非常相似（图 2），而在 5-9 个月及以后的后期阶段，大脑开始模仿成人大脑的组织对比度 7,17,18。
分割不确定性定量的心形模型
心脏图像的分割是许多患者特定计算管道的可变组成部分，但其对模拟结果的影响仍未得到充分了解。探索赛车变异性影响的障碍是建立心室统计形状模型的技术挑战。在这项研究中，我们通过创建一个统一的形状模型（包括心外膜和eCardium），改善了以前的形状分析。我们在Shapeworks中测试了四种技术，以生成心室形状模型：标准，多体，混合，混合多域和地球距离。使用所有11个分割的多域和混合多域生成了形状模型，而Geodesic距离方法使用四个分段的子集生成了形状模型。每个形状模型在分段变异性的空间依赖性特征上，包括壁厚，环直径和基础截断。虽然三种方法中的每一种都有好处，但混合多域方法为最精确的形状模型提供了最少的点，并且在大多数应用中可能最有用。