XiaoMi-AI文件搜索系统
World File Search SystemSuh
suhas vijayakumar
○音乐情感研究：基于Web的调查，据说印度斯坦古典音乐中的每个Raga都能诱发一系列独特的情感。我参与了设计和开发在线研究以测试这一主张。进行在线研究的主要目的是收集和研究各种人口统计学人士对印度斯坦音乐的反应。这项研究是印度第一个此类研究，包括设计所需的网站，在HTML，PHP和MySQL中编码以及管理响应数据库。它使我对研究数据伦理和实践的宝贵见解。
Suhruth Koneru div>
这项研究正在解决大多数Covid-19疫苗的问题。大多数COVID-19疫苗的问题是，在患者接受疫苗后，他们的心脏病的机会称为心肌炎（心脏炎症）更高。这项研究的目的是通过心肌炎来了解Covid-19对心脏的影响，并创建一种疫苗，该疫苗不仅像Covid-19疫苗一样有效，而且还会像心肌炎的风险更低。有许多不同的方法来创建疫苗，但是，最常见的方法之一是，当病原体被隔离并成长直到失去引起疾病的有效性。然后选择最弱的病原体以放入疫苗中。使用不同的生物信息学工具和数据库来收集，执行生物信息学研究实验，分析和解释结果。使用NCBI和GEO2R生物信息学工具和数据库，我们在数据集GSE235433中发现了30个差异表达的基因（DEGS），其中15个基因被上调，并下调了15个基因。GO和KEGG途径分析表明，上调的DEG主要参与信号转置子。从DEG中，我们与David确定了关键基因。关键DEG主要与3个基因本体学术语有关。
旋转 - 等级的神经网络，用于从卫星图像中删除云 /作者= suhat，suhas; Marks，Tim K. /creationDate = 2025年1月8日 /主题=人工智能，计算机视觉，机器学习< /div>
摘要在本文中，我们旨在使用深层神经网络从多云的光学图像和对齐的合成孔径雷达（SAR）图像中恢复无云的光学图像。与以前的方法相反，我们观察到卫星图像特征通常没有首选方向。通过使网络层遵守改变输入图像的方向的几何约束，可以将此见解纳入神经座的设计中，只能改变相应的输出图像的方向，而不必影响秘密的质量或细节。我们构建了一个多模式旋转 - 等级神经网络，称为EquICR（Equivariant Cloud Removal），该网络准确地编码了此几何。在接受公共SEN12MSCR数据集接受培训时，我们观察到使用EquiCR的重建图像质量的改善，与使用深度学习无内置旋转等效性相比。有趣的是，在更困难的情况下，当云覆盖量很高或训练数据集很小时，EquiCR对基线方法的改善更大。
lloyd suh
劳埃德·苏（Lloyd Suh）（剧作家）是中国女士，查尔斯·弗朗西斯·陈（Charles Francis Chan Jr.在菲律宾的文化中心和韩国首尔的PCPA上进行国际化。他得到了NEA Arena舞台新游戏开发计划，Mellon Foundation，NYFA，NYSCA，Jerome，TCG，Dramatist Guild和Nys＆F和Ojai等居住的支持。他是Youngblood的校友和SOHO REP Writer/Director Lab，并获得了2016年Helen Merrill奖和2019年Herb Alpert Arts in Arts的获得者。从2005年至2010年，他担任第二代艺术总监和Ma-Yi作家实验室的联合主任，并自2011年以来一直担任LARK艺术计划主任，自2015年以来，他是戏剧家协会委员会的成员。
liDar对象检测 /作者= hegde，deepti的时空时空的自我安排； Lohit，Suhas； Peng，Ruan-Chuan；琼斯，迈克尔·J；帕特尔（Vishal M.
抽象的流行表示方法鼓励在输入上应用的转换下的特征不变性。然而，在3D感知任务中，诸如对象定位和segmen的任务中，输出自然与某些转换（例如旋转）相等。使用训练前损失函数，鼓励在某些转换下的特征等同于特征，提供了强大的自学信号，同时还保留了传输特征表示之间的几何关系信息。这可以在下游任务中改善与此类转换一样的下游任务。在本文中，我们提出了一个时空的阶段性学习框架，通过共同考虑空间和时间增强。我们的实验表明，最佳性能是通过预训练的方法产生的，该方法鼓励了对翻译，缩放和平流，旋转和场景流量。对于空间增强，我们发现，根据转换，是对比度目标或按分类目标的对比度，可以产生最佳的要求。为了利用现实世界的对象变形和运动，我们考虑了顺序的LIDAR场景对，并开发出一个基于3D场景流量的新颖的均衡性目标，从而导致整体上的性能。我们表明，在许多设置中，3D对象检测的预训练方法优于现有的模棱两可的方法。
评估TNF-α，Apelin和visfatin在伊拉克新诊断的2型糖尿病患者样本中
摘要：2型糖尿病，以前称为“非胰岛素依赖性糖尿病”或“成人发作糖尿病”，占所有糖尿病的90-95％。这种类型涉及患有相对（而不是绝对）胰岛素缺乏症并患有外周胰岛素抵抗的人。本研究旨在通过评估肿瘤坏死因子α，apelin和visfatin水平来检测巴格达省新诊断的两型糖尿病性梅洛蒂斯患者的血清标记。在当前的研究中，（140）参与者被招募并分组为：患者组（70例新诊断为T2DM的患者，以及（70个显然是健康的对照组）。在当前的研究中，年龄和性别匹配的健康个体。结果表明，通过使用ELISA技术来估计TNF-α，Apelin和visfatin的血清水平。此外，T2DM患者中TNF-α，Apelin和visfatin的平均血清水平为366.08±76.99 pg/ml，96.61±46.61±46.62 pg/ml和9.59±3.62ng/ml，比健康的主题更高，该主题（175.86）（175.86） 15.67±1.74 pg/ml和2.15±0.33ng/ml，具有非常显着的差异（p <0.0001）。因此，可以将TNF-α，粘蛋白和阿位蛋白用于诊断生物标志物，并作为预测离子和预防DM并发症的有用工具。
Suhad Sbeih（物理学助理教授
精选会议 • 欧洲先进材料大会，口头报告 [瑞典 - 2021] • 解决方案协会 - ECI，口头和海报展示 [加拿大 - 2017] • 加拿大物理学家协会，口头报告 [加拿大 - 2016] • 奥尔德里奇会议，口头报告 [加拿大 - 2016] • 加拿大物理学家协会，海报展示-半决赛提名 [加拿大 2015]
引用为：Sanjaya E，Suharti S，Alvionita M，Telussa I，Febriana S，Clevanota H. Indigenou
淀粉酶通常在人类，动物，植物和微生物中发现。但是，为了满足工业需求，大多数淀粉酶酶都是从微生物中获得的[3]。与植物或动物相比，选择了从微生物衍生的酶的分离。其中包括快速的微生物增长，能够设计重组酶生产的能力，易于扩展生产以及不受自然因素（例如季节和时间）影响的生产条件[4]。先前的几项研究成功地鉴定了来自芽孢杆菌属的淀粉酶产生细菌种类，包括蜡状芽孢杆菌[5]，叶丘犬杆菌[6]，阿特罗氏芽孢杆菌[7] [7]，枯草芽孢杆菌[8]，枯草芽孢杆菌[8]，甲虫[9]和牛肉杆菌[11]，以及其他型杆菌[11]。铜绿假单胞菌[12]，lutetiensis链球菌[13]等。
引用为：Fidyawati D、Masulili S、Iskandar H、Suhartanto H、Soeroso Y。用于检测牙周炎的人工智能：系统文献综述。打开Dent J，2024； 18：e18742106279454。 http://dx.doi.org/10.2174/0118742106279454240321044427
近年来，科学和创新的发展在牙周病的诊断、治疗甚至预防措施的确定方面取得了许多重大进展 [1]。牙周病包括软组织和硬组织的损伤，其诊断应系统化，应包括临床检查和放射线检查 [2-5]。X 线片在牙周病的诊断、研究和治疗中起着重要作用，尽管有时当 X 线片图像未显示牙周异常时会受到限制 [6,7]。诊断牙周病的最佳方法是临床检查和放射线检查，以确立牙周病的诊断或获得确定诊断的其他支持证据 [7,8]。多种常规 X 线检查可用于诊断牙周病甚至确定预后，包括根尖检查、咬翼片和全景检查 [ 2 , 6 ]。全口根尖 X 光片一直是评估牙周病异常的首选和金标准 [ 4 , 7 , 8 ]。全景 X 光片可捕捉整个口腔，因其优于口内图像而得到广泛应用，例如患者舒适度更高、操作更简单。选择使用根尖 X 光片技术进行诊断时还应注意辐射剂量。单张根尖照片的辐射剂量建议为 0.001 mSv，全景照片的辐射剂量建议为 0.007 mSv [ 9 , 10 ]。必要时，全景 X 光片的选择应与根尖 X 光片相结合，以减少辐射量 [11]。然而，在确定牙周病的诊断时，选择合适的 X 光技术时，往往有许多因素会影响考虑，尤其是对于临床医生而言 [12、13]。