XiaoMi-AI文件搜索系统
World File Search SystemTransfer
由辐射无线电力传输供电的无电池蓝牙低功耗无线传感器
摘要 — 本文介绍了一种由辐射无线电力传输供电的无电池蓝牙低功耗 (BLE) 无线传感器节点的设计和特性。作为无线网状网络的一部分，无电池传感器节点经过优化，能够执行物理测量（温度和湿度），并通过无线网络在互联网上共享这些测量数据。它使用 220 µF 的标准电容器作为存储元件，并由专用 RF 源通过辐射无线电力传输进行远程供电。使用 BLE 协议进行主要任务初始化、感测和广播测量数据每项任务仅需要 1.2 mJ 的能量。通过控制 RF 源的辐射功率，可以粗略地控制物理测量的周期性。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
使用转移技术通过 MRI 对脑肿瘤进行分类...
摘要：在医学领域，图像分割是一项至关重要且困难的任务。识别异常脑组织的一种有用技术是磁共振成像 (MRI) 扫描。对于放射科医生来说，从 MRI 扫描中正确识别和分类脑肿瘤仍然是一项困难且耗时的任务。这项研究提供了一种准确识别脑肿瘤的巧妙技术。该研究调查了卷积神经网络 (CNN) 与优化技术的结合使用，以从 MRI 数据中对不同类型的脑肿瘤进行分类。具体而言，使用 VGG16 模型上的迁移学习对肿瘤特征进行分类并识别肿瘤种类。该方法旨在提高 MRI 扫描效率并提高识别精度。当使用来自 Figshare、SARTAJ 和 Br35H 数据集 [31] 的 MRI 扫描进行评估时，利用迁移学习的所提出方法增强了原始 VGG16 模型的性能，允许比其基线功能更准确、更稳健的分类，从 91.38% [1] 提高到 95% 以上。关键词：MRI 预处理、分类、脑肿瘤、卷积神经网络、迁移学习
使用卷积神经网络（CNN）和转移学习技术的原始研究论文遥感图像分类
摘要：本研究研究了描绘变速箱，森林，农田和山脉的航空图像的分类。要完成分类工作，使用卷积神经网络（CNN）体系结构从输入照片中提取功能。然后，使用SoftMax对图像进行分类。要测试模型，我们使用90批量的ADAM优化器和0.001的学习率将其运行了十个时期。培训和评估都是使用数据集进行的，该数据集将Google卫星图像与MLRNET数据集融合在一起的图片。综合数据集包含10,400张图像。我们的研究表明，转移学习模型和MobilenetV2，对于景观分类非常有效。这些模型是实际使用的好选择，因为它们在精度和效率之间很好地结合在一起。我们的方法在内置的CNN模型上以87％的总体准确度获得了结果。此外，我们通过利用验证的VGG16和MobilenEtV2模型作为传输学习的起点，达到更高的精度。具体来说，VGG16的精度为90％，测试损失为0.298，而MobileNetV2的精度优于两个模型，其精度为96％，测试损失为0.119；结果表明，使用Mobilenetv2进行转移学习的有效性来对传输塔，森林，农田和山脉进行分类。关键字：航空图像，图像分类，卷积神经网络（CNN），转移学习
从 T1 加权到 T2 加权的迁移学习……
摘要 磁共振 (MR) 成像是一种广泛使用的医学成像技术，可生成人体的详细解剖图像。MR 图像的分割在医学图像分析中起着至关重要的作用，因为它可以对各种疾病和状况进行准确的诊断、治疗计划和监测。由于缺乏足够的医学图像，实现精确的分割具有挑战性，尤其是在应用深度学习网络的情况下。这项工作的目的是研究从 T1 加权 (T1-w) 到 T2 加权 (T2-w) MR 序列的迁移学习，以最少的计算资源增强骨骼分割。利用基于激励的卷积神经网络，提出了四种迁移学习机制：无微调的迁移学习、开放微调、保守微调和混合迁移学习。此外，提出了一种使用 T2-w MR 作为基于强度的增强技术的多参数分割模型。这项研究的创新之处在于混合迁移学习方法，该方法克服了过度拟合问题，并以最少的计算时间和资源保留了两种模态的特征。使用 14 张临床 3D 脑 MR 和 CT 图像评估分割结果。结果表明，混合迁移学习在骨分割方面在性能和计算时间方面更胜一筹，DSC 为 0.5393 0.0007。虽然基于 T2-w 的增强对 T1-w MR 分割的性能没有显著影响，但它有助于改进 T2-w MR 分割并开发多序列分割模型。
转移可概括机器人操纵的基础模型
改善现实世界中通用机器人操纵的概括能力长期以来一直是一个重大挑战。现有的方法通常依赖于收集大规模机器人数据，这些机器人数据是昂贵且耗时的。但是，由于数据的多样性不足，他们通常会限制其在开放域中的能力，并具有新的对象和不同的环境。在本文中，我们提出了一种新颖的范式，该范式有效地利用了由Internet规模的基础模型生成的语言分割掩码，以调节机器人操纵任务。通过将蒙版模态整合到源自视觉基础模型的语义，几何和时间相关先验中，并将其方法呈现为端到端的策略模型，我们的方法可以有效地感知的对象姿势并启用样本有效的概括性学习，包括新的对象，包括新的对象，包括新的对象，semantic intancics，Semantic类别，语义类别，和统一的背景。我们首先引入了一系列基础模型，以跨多个任务进行基础语言需求。其次，我们基于模仿学习开发了一个两流2D策略模型，该模型可以处理原始图像和对象掩码，以以局部 - 全球知觉方式预测机器人动作。在Franka Emika机器人和低成本双臂机器人上进行的广泛的现实世界实验证明了我们提出的范式和政策的有效性。可以在link1或link2中找到演示，我们的代码将在https://github.com/mcg-nju/tpm上发布。
通过胶体印记转移多 DNA 斑块
斑块粒子因其能够产生定向和选择性相互作用并作为创新胶体分子和晶体结构自组装的构建单元而受到广泛关注。然而，合成具有多个不同斑块的粒子仍然极具挑战性，而且缺乏有效的方法，这些构建块将为更广泛的有序材料及其固有属性开辟道路。在此，我们描述了一种通过使用胶体印章在粒子表面图案化功能性 DNA 斑块的新方法。由于选择性链置换反应，DNA 墨水仅在目标粒子和印章之间的接触区转移。产生的 DNA 斑块粒子是作为先进精密/设计构建块自组装下一代胶体材料的理想候选者。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，来减少校准时间甚至提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，属于三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
三菱Tanabe Pharma Corporation的转移
➢作为我们的药品业务中的核心公司，三菱田中制药公司通过创建和销售创新和销售创新的药物以及我们的财务基础的稳定和加强为社会做出了贡献。协同效应的潜力➢大规模投资对于增强三菱Tanabe Pharma的研发能力和进一步的增长至关重要，但是在我们所有权的情况下，这种投资并不是可行的选择。
使用EEG Hilbert信封和时间精细结构进行秘密语音分类的转移学习
脑部计算机界面（BCIS）可以从神经活动中解释想象的语音。但是，这些系统通常需要广泛的培训课程，参与者想象地重复单词，从而导致精神疲劳和困难识别单词的发作，尤其是在想象单词序列时。本文通过转移经过公开语音数据培训的分类器来掩盖语音分类，从而解决了这些挑战。我们使用了源自希尔伯特包络和时间精细结构的脑电图（EEG）特征，并将它们用于训练双向长短记忆（BILSTM）模型进行分类。我们的方法减轻了广泛的培训和实现最先进的分类精度的负担：公开语音的86.44％，使用公开的语音分类器的秘密语音为79.82％。