XiaoMi-AI文件搜索系统
World File Search SystemUnet
多对象检测的远程智能感知系统
方法：视觉技术的进步对多个对象检测和场景理解的领域有重大影响。这些任务是各种技术的组成部分，包括将场景集成到增强现实中，促进机器人导航，启用自主驾驶系统以及改善旅游信息中的应用程序。尽管在视觉解释方面取得了长足的进步，但许多挑战仍然存在，包括语义理解，遮挡，定向，标记数据的可用性不足，照明不均匀，包括阴影和照明，方向变化，对象大小以及背景变化。为了克服这些挑战，我们提出了一个创新的场景识别框架，事实证明这是非常有效的，并产生了非凡的结果。首先，我们在场景数据上使用内核卷积执行预处理。第二，我们使用UNET分割执行语义分割。然后，我们使用离散小波变换（DWT），SOBEL和LAPLACIAN以及文本（本地二进制模式分析）从这些分段数据中提取特征。要识别对象，我们使用了深度信念网络，然后找到对象对象关系。最后，Alexnet用于基于图像中识别的对象将相关标签分配给场景。
AI增强的数据同化和不确定性定量应用于地质碳存储
这项研究研究了机器学习（ML）和数据同化（DA）技术的整合，重点是实施用于地质碳储存（GCS）项目的替代模型，同时保持后状态的高富达物理结果。最初，在通道储层中的CO 2注射模拟的背景下，我们评估了两个不同的机器学习模型（FNOS）和变压器UNET（T-UNET）的替代建模能力。我们介绍了基于替代物的混合ESMDA（SH-ESMDA），这是传统的合奏对多种数据同化（ESMDA）的改编。此方法将FNO和T-UNET用作替代模型，并有可能使标准的ESMDA过程至少更快或更高，具体取决于同化步骤的数量。此外，我们引入了基于替代的混合RML（SH-RML），这是一种差异数据同化方法，依赖于随机最大似然（RML），在该方法中，FNO和T-UNET都可以计算梯度以优化目标函数，以及用于计算较高的状态模型来进行计算。我们的比较分析表明，与案例研究的常规ESMDA相比，SH-RML提供了更好的不确定性量化。
使用UNET-FEW SHOT示意图分割的脑肿瘤分割
摘要。早期发现和确定适当的治疗技术将建立癌症患者的耐力。诊断和治疗脑肿瘤的关键步骤是准确可靠的分割。鉴于其形状不平坦和不透明的边界，神经胶质瘤是最困难的脑癌之一。由于其设计存在显着差异，因此，神经胶质瘤脑生长的程序划分是一个流体主题。在本文中报告了改进的基于UNET的设计，用于自动从MRI图像中对脑肿瘤进行自动分割。培训语义部模型需要大量的精细澄清信息，这使得迅速适应不符合此要求的不熟悉类的挑战。最初的射击细分试图解决此问题，但存在其他缺陷。因此，在本文中讨论了几乎没有示意的示意图分割，以分解同时将原始分类与基本类别和足够模型分类的投机能力。上下文感知的原型学习（CAPL），用于通过利用早期信息从帮助测试中出现早期信息，并逐步增强逻辑数据到分类器，并根据每个问题图片的实质模制。结果揭示了开发模型的表现。
3D 医学轴向变压器：用于 3D 脑肿瘤分割的轻量级变压器模型
近年来，基于 Transformer 的模型在医学图像分割领域备受关注，研究也在探索将其与 Unet 等成熟架构相结合的方法。然而，这些模型对计算的要求很高，导致当前大多数方法都侧重于分割 MRI 或 CT 图像的 2D 切片，这会限制模型学习深度轴上语义信息的能力，导致输出边缘不均匀。此外，医学图像数据集（尤其是用于脑肿瘤分割的数据集）规模较小，这对训练 Transformer 模型构成了挑战。为了解决这些问题，我们提出了 3D 医学轴向 Transformer (MAT)，这是一种用于 3D 脑肿瘤分割的轻量级端到端模型，它采用轴向注意机制来降低计算需求，并通过-distillation 来提高在小数据集上的性能。结果表明，我们的方法比其他模型具有更少的参数和更简单的结构，实现了卓越的性能并产生了更清晰的输出边界，使其更适合临床应用。代码可在 https://github.com/AsukaDaisuki/MAT 上找到。关键词：深度学习、3D 脑肿瘤分割、3D Transformer、轴向注意力、自我蒸馏
数字全息显微镜应用于3D计算机微型...
摘要。深度神经网络（DNN）越来越多地在应用科学的各种领域中使用，尤其是在计算机视觉和图像处理等领域，它们可以增强仪器的性能。各种高级相干成像技术，包括数字全息图，利用卷积神经网络（CNN）或视觉变压器（VIT）等不同的深层体系结构。这些体系结构能够提取不同的指标，例如自动关联重建距离或3D位置确定，促进自动显微镜和相位图像恢复中的应用。在这项工作中，我们提出了一种使用Gedankennet模型的改编版本的混合方法，并与UNET样模型相结合，目的是访问Micro-Objects 3D姿势测量。这些网络在模拟全息数据集上进行了培训。我们的方法在推断3D姿势时达到了98％的精度。我们表明，Gedankennet可以用作回归工具，并且比微小的（TVIT）模型更快。总体而言，将深层神经网络整合到数字全息显微镜中和3D计算机微视频中，有望显着提高全息图的稳健性和处理速度，以精确的3D位置推理和控制，尤其是在微型机器人应用中。
使用U-NET
摘要内部可变性与起伏有关，该波动源自气候成分固有的过程及其相互作用。另一方面，强迫变异性描述了外部边界条件对物理气候系统的影响。一种方法是为了区分表面空气温度内的内部和强制变异性。使用噪声到数字的方法用于训练神经网络，在内部变异性和图像噪声之间进行类比。使用从1901年到2020年的表面空气温度数据编制了大型训练数据集，该数据是从大气 - 海洋通用循环模型模拟的合奏中获得的。用于培训的神经网络是U -NET，这是一个主要用于图像分割的广泛采用的卷积网络。为了评估性能，从两个单模型初始条件大合奏，集合平均值和U -NET的预测进行比较。U -NET在区域尺度上观察到了显着的差异，但UNET将内部变异性降低了四倍。在证明了厄尔尼诺南部振荡的有效过滤时，U -NET遇到了捕捉北大西洋变化的挑战。这种方法具有扩展到其他物理变量的潜力，从而促进了对长期外部强迫触发的气候变化的见解。
评估模拟物理条件的图像到图像翻译技术
摘要 - 交通迹象对于向驾驶员提供重要信息，确保其安全并帮助他们遵守道路规则至关重要。对象检测算法（例如您只看一次（YOLO））在自动驾驶汽车中使用来监视交通标志信息。但是，大多数对象检测研究都集中在识别交通标志而不是其身体状况上。现有数据集的一个主要问题是缺乏有关培训损坏的流量标志的数据，这可能会对对象检测算法的性能产生不利影响。为了解决这个问题，我们的论文全面审查了图像到图像（I2i）算法，以修改现有的流量标志图像以展示不同的身份状态（正常和损坏）。我们使用最先进的图像式图像翻译技术，UNET视觉变压器周期符合生成对抗网络（UVCGAN）V2和能量引导的随机微分方程（EGSDE）进行实验进行实验。使用Fréchet成立距离（FID）和并排图像比较评估我们的实验结果。我们分析并讨论可能的和未来的改进。关键字 - 流量标志检测，图像生成，图像 - to-Image（I2i），生成对抗网络（GAN），循环生成对抗网络（Cyclegan），扩散模型
伪计算机断层扫描图像产生大脑...
相对于计算机断层扫描（CT），磁共振成像（MRI）的软组织对比增加使其成为决定放射治疗（RT）的合适成像方法。当将MRI扫描用于治疗计划时，剂量计算和基于X射线的患者位置仍然需要CT扫描。这增加了工作量，由于图像注册间模式的必要条件，因此导致了不必要的，并且需要不必要的辐射。即使仅使用MR图像是有利的，但必须使用一种估计伪CT（PCT）的方式来生成电子密度映射和患者参考图像。因此，本文带来了一个有效的深度学习模型，可以使用以下步骤从MRI图像中生成合成的CT； a）在收集了CT和MRI扫描图像的数据中，b）使用图像进行预处理，以避免使用诸如Outier Emplier Empliering，数据平滑和数据归一化的技术避免异常和噪声，C）使用原理组件分析（PCA）和回归方法进行特征提取和选择，DCN和DCN（DCN）（DCN）（dcn）（dcn）（dcn）（dc）。此外，我们为此模型评估了DC，SSIM，MAE和MSE等指标。但是，我们建议的模型的精度为95％。关键字
recugan：一种新颖的生成AI方法，用于合成RF覆盖地图
摘要 - 频率覆盖范围图（RF地图）在无线通信方面是有效的，但是通过现场调查获得它们可能是劳动密集型，有时是不切实际的。为了应对这一挑战，我们提出了Recugan，这是一种基于生成的对抗网络（GAN）生成RF地图的方法。recugan利用信息最大化gan（Infogan）的原理来捕获RF地图的潜在特性，从而实现了无监督的分类和新的和多样的RF地图的生成。与传统方法不同，recugan不需要标记的数据或条件输入，降低复杂性，时间和成本。我们使用基于定制的梯度惩罚剂量（WGAN）功能和基于梯度的损耗功能来增强Recugan目标函数，以稳定训练和准确的地图生成。我们还提供了将多个发电机纳入recugan中的选项，从而使高分辨率的RF地图生成。通过通过实验和仿真数据进行广泛的培训证明，Recugan可以合成各种高质量的RF图，并根据RSS分布对它们进行分类。与基于UNET的有条件GAN（CGAN）相比，Recugan的平均平均百分比误差（MAPE）为1.18％，表现优于CGAN模型，CGAN模型的MAPE为2.5％。索引术语 - 生成对抗网络，RF映射，深神经网络，覆盖范围，AI。
AIRADF：人工智能启用
医学图像分析在医疗保健中起着至关重要的作用，特别是在计算机视觉应用中。人工智能 (AI) 为解决医疗保健行业的各种问题做出了巨大贡献，包括疾病诊断和分类。类风湿性关节炎 (RA) 是一种导致严重健康问题的自身免疫性疾病。目前基于学习的 RA 诊断方法需要改进流水线和优化。在本文中，我们提出了一个基于深度学习的框架，称为人工智能 (AI) RA 诊断框架 (AIRADF)。该框架包括用于预处理和训练感兴趣区域 (ROI) 的功能，用于自动 RA 检测和分类。RA 检测过程利用称为 Faster RCNN 的深度学习模型，而 RA 分类由增强的 UNet 模型执行。我们引入了一种称为基于学习的类风湿性关节炎检测 (LbRAD) 的算法。我们使用 X 射线图像进行的经验研究表明，所提出的算法在 RA 检测和分类方面优于许多现有的深度学习模型，分别达到 92.81% 和 94.58% 的最高准确率。此外，我们的框架除了 RA 检测之外还能够进行多类分类，从而形成临床决策支持系统 (CDSS)，可帮助医疗专业人员进行 RA 预后。关键词 – 类风湿性关节炎、深度学习、人工智能、图像处理、类风湿