XiaoMi-AI文件搜索系统
World File Search SystemSegmentation
远距离意识的非IID联合学习用于医学成像分段中的概括和个性化
医疗保健中的联邦学习（FL）患有非相同分布的（非IID）数据，从而影响模型收敛和性能。虽然现有的非IID问题解决方案通常不会量化联邦客户之间的非IID性质程度，但评估它可以改善培训经验和成果，尤其是在不熟悉数据集的现实世界中。本文提出了一种实用的非IID评估方法，用于医疗分割问题，强调了其在佛罗里达州的重要性。我们提出了一种简单而有效的解决方案，该解决方案利用了医疗图像的嵌入空间和对其元数据计算的统计测量结果。我们的方法是为医学成像而设计的，并集成到联邦平均值中，通过降低最遥远的客户的贡献，将其视为离群值，从而改善了模型的概括。此外，它通过引入客户的基于距离的聚类来增强模型个性化。据我们所知，这种方法是第一个使用基于距离的技术来为医学成像域内非IID问题提供实际解决方案的方法。此外，我们验证了三个公共FL成像放射学数据集的方法（Fets（Pati等人，2021），前列腺（Liu等人，2020b），（Liu等人，2020a）和Fed-Kits2019（Terrail等人，2022）））在各种放射学成像方案中证明其有效性。关键字：联合学习，非IID数据，个性化，概括，医学细分，医学成像。
量子图像分割算法
典型的图像处理任务是识别两个相邻区域之间边界（强度变化）。从经典上讲，边缘检测方法依赖于不同类型的滤膜对图像梯度的计算。因此，所有经典算法都需要至少O（2 n）的计算复杂性，因为每个像素都需要处理（Yao，Wang，Liao，Chen和Suter，2017）。已经提出了一种量子算法，该算法应该与现有边缘提取算法相比提供指数加速（Zhang，lu和gao。2015）。但是，该算法包括一个复制操作和一个量子黑框，用于同时计算所有像素的梯度。对于这两个步骤，目前都没有有效的实现。提出了一种高效的量子算法，称为量子Hadamard Edge检测，以找到边界（Yao，Wang，
dsnet：用于实时焊接接缝图像分割的动态挤压网络
焊接过程产生的图像噪声（例如弧光，飞溅和烟雾）给基于激光视觉传感器的焊接机器人带来了巨大的挑战，可以定位焊接接缝并准确地进行自动焊接。当前，基于深度学习的方法超过了灵活性和鲁棒性的传统方法。但是，它们的重大计算成本导致与自动焊接的实时要求不匹配。在本文中，我们对卷积神经网络（CNN）和变压器的有效混合体系结构（称为动态挤压网络（DSNET））进行实时焊接接缝分段。更准确地说，开发了一个轻巧的分割框架，以充分利用变压器结构的优势，而无需显着增加计算开销。在这方面，旨在提高其功能多样性的高效编码器已被设计并导致了编码性能的大幅改进。此外，我们提出了一个插件轻巧的注意模块，该模块通过利用焊接接缝数据的统计信息并引入线性先验来产生更有效的注意力权重。使用NVIDIA GTX 1050TI对焊缝图像进行广泛的实验表明，与基线方法Transunet相比，我们的方法将参数的数量减少了54倍，将计算复杂性降低了34倍，并将推理速度提高33倍。dsnet可实现较高的准确性（78.01％IOU，87.64％骰子）和速度性能（100 fps），其模型复杂性和计算负担较低。该代码可在https://github.com/hackerschen/dsnet上找到。
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