XiaoMi-AI文件搜索系统
World File Search SystemSegmentation
ecseg：自动驾驶汽车的边缘云切换图像分割
摘要 - 由于较长的车辆到云通信延迟，因此存在的自动驾驶汽车尚未利用云计算来执行其深度学习的驾驶任务。同时，这些车辆通常配备了资源受限的边缘计算设备，这些设备可能无法实时执行计算密集的深度学习模型。商业移动网络的数据传输速度的提高阐明了将云计算用于自动驾驶的可行性。我们的城市规模的现实世界测量结果表明，车辆可以通过低数据传输延迟的第五代（5G）移动网络部分使用云计算。在本文中，我们介绍了ECSEG的设计和实现，ECSEG是一个边缘云的切换图像分割系统，该系统在边缘和云之间动态切换，以实现基于深度学习的语义分割模型，以实时了解车辆的视觉场景。由于各种因素之间的复杂相互依存关系，包括动态无线通道状况，车辆的运动和视觉场景变化，因此开关决策具有挑战性。为此，我们采用深度强化学习来学习最佳的切换政策。基于现实世界实验和痕量驱动模拟的广泛评估表明，与四种基线方法相比，ECSEG可以实现自动驾驶汽车的卓越图像分割精度。
贝叶斯相似度加权聚合用于联合脑肿瘤分割
度量贝叶斯+UCB SimAgg RegAgg 模拟时间（小时） 47.45 78.14 78.13 预计收敛分数 0.7264 0.7273 0.7227 DICE 标签 0 0.9977 0.9978 0.9980 DICE 标签 1 0.6844 0.6657 0.6561 DICE 标签 2 0.7257 0.6430 0.6665 DICE 标签 4 0.7464 0.7603 0.7313
事件细分的神经基础：环境中稳定的特征由神经状态反映
Small-scale locations Low-level visual features Large-scale locations Alexnet layers Shots MFCC Speech Events Low-level visual features Small-scale locations Large-scale locations MFCC Speech Events Speech Low-level visual features Alexnet layers Shots Small-scale locations Large-scale locations MFCC Events Events Low-level visual features Alexnet layers Shots Small-scale locations Large-scale locations MFCC语音
MRI脑肿瘤使用深度学习进行分割。
歧视方法试图提取区分特征，然后是分类器以进行分类[3]。例如，Dandil等。[4]使用基于图像强度特征的空间模糊c均值（FCM）分类器，以达到0.91的精度，0.91灵敏度的灵敏度和0.95的敏感性对于“ WT”段。Tustison等。[5]研究了不同的特征，包括强度，几何和不对称特征，提取了多种MRI模态。基于与不对称相关的特征的随机森林分类器在Brats 2013数据库[6]中获得了最佳性能[6]，即“ WT”，“ TC”，“ TC”和“ ET”组件的DSCS为0.87、0.78和0.74。然而，歧视方法依赖于提取特征的质量，这可能并不能很好地代表肿瘤分割问题。
人工智能驱动的应用程序细分
Zscaler, Inc. (HQ) 20 Holger Way San Jose, CA 95134 +1 408.533.0288 zscaler.com © 2024 Zscaler, Inc. 保留所有权利。Zscaler™、Zero Trust Exchange™、Zscaler Internet Access™、ZIA™、Zscaler Private Access™、ZPA™ 和 zscaler.com/legal/trademarks 上列出的其他商标是 (i) 注册商标或服务标志或 (ii) Zscaler, Inc. 在美国和/或其他国家/地区的商标或服务标志。任何其他商标均为其各自所有者的财产。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
明尼苏达大学明尼苏达超级计算研究所 1 ；明尼苏达大学共济会大脑发育研究所 2 ；圣路易斯华盛顿大学神经病学、儿科学、放射学和精神病学系 3 ；北卡罗来纳大学教堂山分校精神病学系 4 ；芝加哥大学心理学系 5 ；密歇根大学 6 ；PrimeNeuro 7 ；俄勒冈健康与科学大学 8 ；明尼苏达大学神经病学系 9 ；明尼苏达大学儿童发展研究所 10 ；明尼苏达大学儿科学系 11 ；明尼苏达大学放射学系 12 ，明尼苏达大学磁共振研究中心 13 ，乔治城大学大脑可塑性和恢复中心 14
S/4HANA 中的 SAP 细分探索
摘要：作为其现代企业资源规划 (ERP) 解决方案的一部分，SAP 为客户提供了一项名为“细分”的功能，该功能通过基于质量、产地或客户类型等特征对材料进行逻辑分类，帮助客户管理不同的市场需求。对于在动态环境中运营的企业，细分可确保供应链流程与动态市场需求保持一致。本文探讨了 SAP 中细分功能的基础知识、它与各种模块的集成、细分类型以及企业如何利用细分来实现更高效的物流和生产规划。本指南着重于简化技术方面，旨在帮助刚接触 SAP 但对业务流程经验丰富的业务用户理解和有效实施细分。关键词：企业资源规划、SAP、细分、主数据、配置 1. 简介 在当今以客户为中心的市场中，企业面临着越来越大的压力，需要简化其供应链规划和执行业务流程，以满足不同的消费者需求。这种复杂性要求对供应链的所有方面采取战略性方法，即制造、物流、采购和规划，以提供符合特定细分市场的产品。 SAP 作为领先的企业资源规划 (ERP) 解决方案，提供了一项名为“细分”的强大功能来应对这些挑战。SAP 中的细分功能允许企业对其材料进行逻辑分类，不仅按基本属性，还按更细微的特征（如质量水平、原产地/供应商或特定市场需求）进行分类。这种分类对于管理整个供应链中大量数据的公司尤其有价值，可帮助他们优化库存、及时满足客户需求并实现运营效率。虽然细分看起来像是一个技术过程，但它是一个强大的工具，业务用户（即使是 SAP 新手）也可以利用它来提高组织的绩效。本文分解了 SAP 细分的概念，它如何集成到物料主数据、销售和分销以及生产计划等不同模块中，并提供了有关有效设置和使用细分的见解。目标是揭开此功能的神秘面纱，展示它如何支持业务流程，同时强调其在 SAP 各种系统中的实际应用。什么是 SAP 中的细分？它为什么有用？ SAP 中的细分是一种战略方法，使企业能够根据特定属性对材料进行分类，确保物流、生产和库存流程与市场需求紧密结合。本质上，细分是一种根据质量、原产地或市场需求等特征逻辑地组织库存的方法。该组织有助于简化整个供应链的流程，使管理大量数据和库存变得更加容易。
基于 MRI 的脑肿瘤实例分割（使用 Mask R-
脑肿瘤分割是医学图像分析中对于患者准确诊断和治疗的关键步骤。传统的肿瘤分割方法通常需要大量的手动操作，并且容易出现差异。在本研究中，我们提出了一种使用 Mask R-CNN 进行脑肿瘤分割的自动化方法，Mask R-CNN 是一种最先进的深度学习实例分割模型。我们的方法利用 MRI 图像来高精度地识别和描绘脑肿瘤。我们在带注释的 MRI 图像数据集上训练了 Mask R-CNN 模型，并使用平均精度 (mAP) 指标评估了其性能。结果表明，我们的模型实现了 90.3% 的高 mAP，表明其在准确分割脑肿瘤方面的有效性。这种自动化方法不仅减少了肿瘤分割所需的手动操作，而且还提供了一致可靠的结果，有可能改善临床结果。
糖尿病性视网膜病的特征分割，而无需使用计算机视觉模型yolov8和yolov9
摘要：计算机视觉是医学图像分析中的强大工具，支持对眼部疾病的早期检测和分类。糖尿病性视网膜病（DR）是继发于糖尿病的严重眼科疾病，伴随着危险性疾病的几个早期迹象，例如微型神经疗法（MAS），出血（Hemos）和渗出液（EXS），这些症状已被广泛研究并靶向由计算机视觉模型检测的对象。在这项工作中，我们测试了最先进的Yolov8和Yolov9 Architectures DR Feldus功能分割的表演，而无需编码经验或编程背景。我们从公共Messidor数据库中获取了一百个DR图像，并手动标记并准备了它们以进行像素分割，并测试了不同模型变体的检测能力。我们通过数据增强增加了训练样本的多样性，包括平铺，翻转和旋转眼底图像。在检测诸如MA，Hemo和ex之类的DR病变时，提出的方法达到了可接受的平均平均精度（MAP），以及眼睛后极的标志，例如视盘。我们将我们的结果与涉及不同神经网络的文献中的相关作品进行了比较。我们的结果是有希望的，但尚未准备好进入临床实践。必须进行准确的病变检测，以确保早期和正确的诊断。未来的工作将进一步研究病变检测，尤其是MA分割，并通过改进的提取技术，图像预处理和标准化数据集进行研究。
使用机器学习的客户细分...
杜尔格摘要的计算机科学与工程技术研究所 - 我们居住的世界每天都会收集大量数据。必须分析此类数据。在这个高度创新的激烈竞争时代超越所有人的时代，公司计划需要考虑当前的环境。现代企业建立在创新的想法上，因为有很多潜在客户不确定要购买什么或不购买什么。根据性别，年龄，兴趣和其他购买模式等因素可能与广告相关的消费者被称为客户细分。任何组织的主要目标都是确定其核心客户，并了解其买家的行为方式和利用其产品。此外，每个消费者都可以以独特的方式利用组织的商品。我们正在尝试解决列出该组织买家的问题，以描述这些客户使用该公司产品的建设性行为和方法。此外，在该行业工作的公司无法确定目标市场中可能的客户。为了找到数据中的隐藏模式并做出更好的决策，在这项工作中使用了机器学习。采用聚类技术的客户细分过程确定要针对哪种消费者细分。无监督的机器学习中的一种常见方法是客户细分。我们提出了这项研究中的解决方案，该解决方案利用K-均值聚类，这是一种用于数据集群集的强大方法。使用肘法，找到理想的簇。可视化数据后，策略是确定可用于分类客户并得出一些结论的重要特征。创建的集群协助企业专注于某些客户，并在社交媒体平台和营销活动中向他们推广材料，从而真正感兴趣。索引术语 - 机器学习，客户细分，K-均值算法，肘方法。