XiaoMi-AI文件搜索系统
World File Search SystemSegmentation
使用贝叶斯上下文树对离散数据的更改点检测和分割
引入了一个新的贝叶斯建模框架，用于分段均匀变量 - 内存马尔可夫链，以及一系列有效的算法工具，用于更改点检测和离散时间序列的分割。建立在最近引入的贝叶斯上下文树（BCT）框架上，离散时间序列中不同片段的分布描述为可变内存马尔可夫链。对变化点的存在和位置的推断。促进有效抽样的关键观察者是，可以精确地计算数据的每个段中的先前预测可能性（在所有模型和参数上平均）。这使得可以直接从变更点的数量和位置的后验分布中进行采样，从而导致准确的估计，并提供结果中不确定性的自然定量度量。也可以以其他额外的计算成本来获得每个细分市场中实际模型的估计。对模拟和现实世界数据的结果表明，所提出的方法是强大的，并且表现效果也不如先进的技术。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
互联工业物联网环境中安全网络分段概述
摘要 网络分段是增强网络安全的一种非常重要的方法。该方法涉及将网络划分为更小、更易于管理的部分，每个部分都有各自的特定安全要求。此策略支持维护稳定的边界和有效的访问控制，同时保护关键资源（例如数据库服务器）免受未经授权的访问。网络分段在 IIoT 中的相关性恰好与许多设备的先进性和互连性有关，这些设备可能带来广泛的安全问题。为了应对这些挑战，安全 IIoT 网络分段框架被开发为 IIoT 环境的专用网络安全解决方案。该框架包括用于开发定制设计的具体指南，以改善安全态势并保护重要记录。在 IIoT 环境中，安全分段对于保持不同的业务结构分离至关重要，每个业务结构都有各自的特定保护要求，并保护它们免受互连设备带来的独特风险。访问因素的特定问题在 IIoT 网络中带来了精确的问题，因为它们充当许多设备的融合节点，因此确保提供多种类型的隐私泄露和与不同公司的交互。分段具有许多好处，包括加速保护、减少攻击面、简化合规性和改进设备管理。然而，它也使事情复杂化并增加了运营开销，并且还有成本问题。除了网络分段之外，还实施了许多技术来加强安全框架：联合 ID、微分段、防火墙、网络访问控制 (NAC)。它提供对唯一访问者的控制、执行安全规则并处理网络访问，同时支持分段工作并增强 IIoT 结构中的通用安全性。与网络分段相关的一种相关方法，尤其是在 IIoT 环境中，涉及增强安全性、保护敏感统计数据和遵守企业要求。通过使用 SiNeSF 等框架和补充安全技术，组织可以针对与联网 IIoT 设备相关的风险设置安全障碍构建、访问限制和危险限制。
使用基于感知损失的卷积神经网络
目的：这项研究旨在开发一种新的卷积神经网络深度学习（DL）技术，用于从计算机上进行自动化的脑组织分割（CT）扫描，并与磁共振成像（MRI）分割相比评估其性能。材料和方法：这项多中心回顾性研究收集了来自两个机构的199个健康个体的配对CT和MRI数据。将数据分为一个训练集（n = 100）和一个机构的内部测试集（n = 50），其中第二个机构的附加数据集（n = 49）用于外部验证。灰质（GM），白质（WM）和脑脊液（CSF）的地面真相面膜是从T1加权MR图像中赋予的。为三个大脑区域中的每个区域中的每个区域训练了基于U-NET的DL模型，并根据VGG19计算了感知损失。通过计算连续骰子系数（CDICE），联合会（IOU）和第95个百分位数Hausdorff距离（HD95）来评估模型性能。使用定位系数（R 2），类内相关系数（ICC）和Bland-Altman分析，将基于CT的分割的体积估计与MRI衍生体积进行了比较。结果：接受感知损失的DL网络与未经感知损失的训练相比，表现出色。体积分析表明，在内部/外部测试中，GM和WM分别为r 2 = 0.83/0.90和0.85/0.87之间的MRI衍生地面真相与基于CT的分割之间的一致性是r 2 = 0.83/0.90和0.85/0.87，而ICC = 0.91/0.94和0.92/0.93。在内部测试中，评估得分（没有感知损失与感知损失）为：CDICE = 0.717 vs. 0.765，HD95 = 6.641 mm，gm中的6.641 mm vs. 6.314 mm； CDICE = 0.730 vs. 0.767和HD95 = 5.841毫米，而Wm为5.644 mm； CDICE = 0.600 vs. 0.630和HD95 = 5.641毫米，而CSF中的5.362 mm，分别是分数。结论：提出的DL方法随着感知损失而增强，可改善CT图像的脑部分割。这种方法显示了有望作为基于MRI的分割的一种替代方法。
了解大纽约地区商业建筑的能源使用情况：建筑存量细分，用于改造规划
本作品是由美国政府某个机构赞助的工作记录。无论是美国政府还是其任何机构，或其任何雇员，或其承包商、分包商或其雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性，或任何第三方的使用或此类使用的结果做任何明示或暗示的保证，或承担任何法律责任或义务，或保证其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定的商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构或其承包商或分包商对其的认可、推荐或青睐。本文表达的作者的观点和意见不一定表明或反映美国政府或其任何机构、其承包商或分包商的观点和意见。
secbnet：光学卫星图像的语义分割增强色彩平衡网络
摘要 - 地球观察卫星可以在不同的时间，气候条件和平台形式下捕获光学图像，在颜色和亮度上表现出很大的差异，在合成大面积光学卫星图像时会导致视觉体验差。相关的颜色平衡问题引起了研究人员的极大关注，但诸如缺乏研究数据和对模型参数的敏感性之类的挑战持续存在。为了解决这些问题，本文发布了一个公开开放的数据集，并提出了语义细分增强色彩平衡网络（SECBNET）。首先，为了减轻研究数据的稀缺性，我们开发了一个公共可用的遥感图像颜色平衡数据集，Zhu hai色彩平衡图像（ZHCBI），以支持相关的研究活动。第二，为了提高颜色平衡图像和目标图像之间的语义一致性，我们设计了以分割结果为指导的双分支U-NET架构，并提出了一种新颖的分割特征损失函数。最后，为了解决分段处理中块之间的接缝问题和不自然的过渡，我们引入了一个基于加权平均的后处理模块。我们对ZHCBI数据集上的现有主流颜色平衡算法进行了比较实验和分析。结果表明，与其他主流方法相比，我们所提出的方法可实现最先进的颜色平衡质量，并具有显着改善的视觉效果和更高的峰信噪比（PSNR）（23.64 dB）。
基于高斯混合模型算法的客户细分和分析
摘要。数字时代改变了业务范式，数字营销成为处理现代市场动态的关键要素。在线内容消费中，消费者行为的变化鼓励公司利用数字技术来吸引更广泛的受众并亲自联系。对消费者购买行为的深刻了解至关重要，使公司能够设计响应式和相关的营销策略。这项研究还强调了面对激烈竞争，将客户购买行为细分的重要性。通过使用高斯混合模型（GMM）算法的聚类分析，消费者支出数据被减少并分组为群集，使公司能够了解消费者的偏好和趋势。实验表明，有4个最佳簇作为基本信息以进行进一步分析。每个集群都会带来营销策略，例如强调健康和积极的生活方式，提高特定产品的销售以及对低支出集群的教育。此分析还强调了数据预处理和特征选择在确保聚类结果准确性方面的重要性。
spt：交互式图像分割的序列提示变压器
摘要 - Interactive分割旨在根据用户提供的点击从图像中提取感兴趣的对象。在现实世界应用中，通常需要分割一系列具有相同目标对象的图像。但是，现有方法通常一次处理一个图像，未能考虑图像的顺序性质。为了克服这一限制，我们提出了一种称为序列提示变压器（SPT）的新方法，该方法是第一个利用顺序图像信息进行交互式分割的方法。我们的模型包括两个关键组成部分：（1）序列提示变压器（SPT），用于从图像，点击和掩码序列中获取信息以提高准确的信息。（2）TOP-K提示选择（TPS）选择SPT的精确提示，以进一步增强分割效果。此外，我们创建ADE20K-SEQ基准测试，以更好地评估模型性能。我们在多个基准数据集上评估了我们的方法，并表明我们的模型超过了所有数据集的最新方法。索引项 - 计算机视觉，交互式图像分割
使用深度学习模型
目的：脑硫在前婴儿中的分割对于监测其发育至关重要。虽然已将磁共振成像用于此目的，但颅内超声（CUS）是临床实践中使用的主要成像技术。在这里，我们介绍了第一项研究，旨在使用超声图像在前婴儿中自动化脑硫酸分割。方法：我们的研究集中于单个CUS平面中的Sylvian填充段（C3），尽管该方法可以扩展到其他硫和平面。我们在两种情况下评估了深度学习模型的性能，即特定于U-NET和RESU-NET，并在分割过程中自动化。首先，我们对从同一超声机获得的图像进行了交叉验证。第二，我们应用了调整技术来使模型适应从不同供应商中获取的图像。结果：在交叉验证实验中，RESU-NET方法分别达到了骰子和0.777和0.784的灵敏度得分。应用于外部数据集时，结果会根据与训练图像的相似性而变化。相似的图像产生了可比的结果，而不同的图像显示性能下降。另外，这项研究强调了Resu-net比U-NET的优势，这表明残留连接增强了模型学习和表示复杂的解剖结构的能力。结论：这项研究证明了使用深度学习模型自动分割CUS图像中的Sylvian finsure的可行性。脑硫的准确超声表征可以改善脑发育的不足，并有助于识别具有不同发育轨迹的婴儿，从而可能影响以后的功能结果。
治疗前 MRI 上的脑转移瘤分割
Sanjay Aneja 15, Syed Muhammad Anwar 16, Timothy Bergquist 17, Veronica Chiang 18, Verena Chung 13, Gian Marco Conte 17, Farouk Dako 19, James Eddy 13, Ivan Ezhov 20, Nastaran Khalili 21, Keyvan Farahani 22, Juan Eugenio Iglesias 23, Zhifan Jiang 24, Elaine Johanson 25, Anahita Fathi Kazerooni 21,26,27, Florian Kofler 28, Kiril Krantchev 2,,,, Dominic LaBella 29, Koen Van Leemput 30、α Hongwei Bran Li 23、α Marius George Linguraru 16,31、α Xinyang Liu 24、α Zeke Meier 32、α Bjoern H Menze 33、α Harrison Moy 2、α、β、ϵ Klara Osenberg 2、α、β Marie Piraud 34、α Zachary Reitman 29、α Russell Takeshi Shinohara 35、α Chunhao Wang 29、α Benedikt Wiestler 28、α Walter Wiggins 36、α Umber Shafique 37、α、η Klara Willms 2、β