XiaoMi-AI文件搜索系统
World File Search SystemYOLO
ATIF/参考文献：Bayram, AF、Gurkan, C.、Budak, A. 和 Karatas, H. (2022)。基于 Explaina 辅助的深度学习检测和预测模型
肾脏疾病是全世界最常见的疾病之一，会给大多数人带来难以忍受的痛苦。本研究旨在检测肾脏中的囊肿和结石。为此，YOLO 架构设计用于检测肾脏、肾囊肿和肾结石。YOLO 架构设计由可解释人工智能 (xAI) 功能支持。YOLO 架构设计的性能分析部分使用了三类 CT 图像，即 72 个肾囊肿、394 个肾结石和 192 个健康肾脏。结果，YOLOv7 架构设计优于 YOLOv7 Tiny 架构设计。YOLOv7 架构设计实现了 0.85 的 mAP50、0.882 的精度、0.829 的灵敏度和 0.854 的 F1 分数。因此，开发了基于深度学习的 xAI 辅助计算机辅助诊断 (CAD) 系统来诊断肾脏疾病。
ginushmal- UOM CSE职业日 - 莫拉图瓦大学
AI购物助理，将GPT-4，AHP和YOLO V11结合在一起，以根据用户需求和购买方式来查询处理，产品排名，库存检测以及自动购买。我的贡献：作为团队的一部分，我使用OpenAI API与GPT-4开发了搜索机器人，以搜索/排名和基于用户输入的语义推理。（github）技术堆栈：python，pandas，numpy，ahp，yolo v11，openai api，gpt-4o，react，react，next.js，fastapi
项目13-VCE-GRANT-SUMMARY-12- ...
社区参与和协作治理计划通过与社区领导人，居民和项目合作伙伴有意义的关系和有意义的参与来确保成功实施环境和气候正义项目。总赠款申请为1900万美元，VCE分配了1000万美元。首席申请人 Yolo县将与合作实体和更广泛的社区合作，以确保项目活动能够满足社区需求，公平地分配，并包括所有声音，尤其是那些来自农场工作者，低收入家庭和部落社区的声音。 EPA赠款计划包括几个项目，其中包括两个微电网（一个用于VCE，一个用于Yocha Dehe Wintun Nation）； VCE/Yolo县的ERRO计划的扩展，由De Colores和Cool Davis进行的社区外展，电气化的回扣以及其他相关项目。Yolo县将与合作实体和更广泛的社区合作，以确保项目活动能够满足社区需求，公平地分配，并包括所有声音，尤其是那些来自农场工作者，低收入家庭和部落社区的声音。EPA赠款计划包括几个项目，其中包括两个微电网（一个用于VCE，一个用于Yocha Dehe Wintun Nation）； VCE/Yolo县的ERRO计划的扩展，由De Colores和Cool Davis进行的社区外展，电气化的回扣以及其他相关项目。
![arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日](/simg/g:\will\search\icon\source\b\b0062a8e5f096579d990b3b87816beedea428ebe.png)
arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日
摘要。对象检测算法，特别是基于 YOLO 的算法，在平衡速度和准确性方面表现出了显著的效率。然而，它们在脑肿瘤检测中的应用仍未得到充分探索。本研究提出了 RepVGG-GELAN，这是一种新颖的 YOLO 架构，通过 RepVGG 进行了增强，RepVGG 是一种重新参数化的卷积方法，用于对象检测任务，特别侧重于医学图像中的脑肿瘤检测。RepVGG-GELAN 利用 RepVGG 架构来提高检测脑肿瘤的速度和准确性。将 RepVGG 集成到 YOLO 框架中旨在实现计算效率和检测性能之间的平衡。本研究包括基于空间金字塔池化的广义高效层聚合网络 (GELAN) 架构，进一步增强了 RepVGG 的能力。在脑肿瘤数据集上进行的实验评估表明，RepVGG-GELAN 在精度和速度方面超越了现有的 RCS-YOLO。具体而言，RepVGG-GELAN 在 240.7 GFLOPs 的运行速度下，与现有的最新方法相比，其精度提高了 4.91%，AP50 提高了 2.54%。提出的具有 GELAN 架构的 RepVGG-GELAN 取得了令人鼓舞的结果，成为医学图像中准确、高效地检测脑肿瘤的最先进的解决方案。实现代码已公开发布在 https://github.com/ThensiB/RepVGG-GELAN。
技术学校的强制性选修模块，计算机科学技术
现代的计算机视觉深度学习模型理解和使用（例如B.卷积神经网络（CNN），Resnet，Yolo和Mask R-CNN，用于对象识别，分割或分类等任务）。
自动系统，用于获取和分析包含活性污泥的微观数字图像
摘要本文包含图像采集的过程，包括分析材料的抽样以及用于研究中使用的硬件和预处理的技术解决方案。通过自动化机械系统的帮助，获得了包含已识别对象的数字图像的数据集，以控制显微镜表并用于训练Yolo模型。根据自动图像分析比较了Yolov4和Yolov8深度学习网络的性能。Yolo构成一个单阶段的对象检测模型，目的仅检查一次分析的图像。通过利用单个神经网络，将图像分为单元格的网格，并为边界框以及每个框的对象类概率做出了预测。这种方法允许以最小的精度损失实时检测。这项研究涉及纤毛的原生动物Vorticella作为测试对象。这些生物都在天然水体和采用活性污泥法的治疗厂中发现。由于其独特的外观，高丰度和久坐的生活方式，Vorticella是检测任务的好主题。为了确保训练数据集准确，图像是手动标记的。使用诸如准确性，精度和召回的指标评估模型的性能。最终结果表明，在Yolo算法的后续版本中，软件中所获得的输出和进度的指标差异。
Carson Bride诉Yolo Technologies，Inc。的遗产 Spencer诉Pew Singh诉Phoenix市Carson Bride诉Yolo Technologies，Inc。的遗产Spencer诉PewSingh诉Phoenix市Singh诉Phoenix市
诉华盛顿县，673 F.3d 864（9th Cir。 2011），涉及实质上相似的事实，使史密斯·彼得森（Smith-Petersen）注意到，她对致命武力的使用可能侵犯了辛格（Singh）摆脱过度武力的权利。 在这里像格伦一样，（1）原告没有挥舞刀，而是把它握在自己的脖子上； （2）尽管不遵守命令放下刀的命令，但许多情况还是反对认为原告是直接威胁的； （3）这里的进攻 - 企图用刀抢劫 - 比格伦（Glenn）的罪行不太严重； （4）原告没有积极抗拒逮捕； （5）官员们应该意识到原告在情感上受到干扰； （6）未发出有效的警告。 最后，史密斯·彼得森（Smith-Petersen）是否可以使用较少侵入力的力量的问题更适合于事实的解决方案。诉华盛顿县，673 F.3d 864（9th Cir。2011），涉及实质上相似的事实，使史密斯·彼得森（Smith-Petersen）注意到，她对致命武力的使用可能侵犯了辛格（Singh）摆脱过度武力的权利。在这里像格伦一样，（1）原告没有挥舞刀，而是把它握在自己的脖子上； （2）尽管不遵守命令放下刀的命令，但许多情况还是反对认为原告是直接威胁的； （3）这里的进攻 - 企图用刀抢劫 - 比格伦（Glenn）的罪行不太严重； （4）原告没有积极抗拒逮捕； （5）官员们应该意识到原告在情感上受到干扰； （6）未发出有效的警告。最后，史密斯·彼得森（Smith-Petersen）是否可以使用较少侵入力的力量的问题更适合于事实的解决方案。
使用结构MRI区分常见的PSP表型：一项机器学习研究
摘要。包括Yolov4和Yolov5在内的Yolo系列对象检测算法在各种医学诊断任务中表现出卓越的表现，在某些情况下超过了人类的能力。但是，他们的黑盒性质限制了他们在需要模型决策的信任和解释性的医学应用中的采用。为了解决这个问题，已经以热图的形式提出了对AI模型的视觉解释，该模型突出了输入区域中最大程度贡献特定决策的输入区域。基于梯度的方法，例如Grad-CAM [1]和非基于梯度的方法，例如EIGEN-CAM [2]，适用于Yolo模型，不需要新的层实现。本文评估了Grad-CAM和EIGEN-CAM在Vindrcxr胸部X射线异常检测数据集上的性能[3]，并讨论了这些方法的局限性，以向数据科学家解释模型决策。
使用深...
这项研究的重点是在视频中移动对象检测的关键任务，以提高识别场景中动态特征的准确性和效率。所提出的方法专门结合了光流估计的准确性；带有Yolo（您只看一次）模型强的对象检测功能的Farneback方法。Yolo用于识别视频帧中的对象，并并发光流分析用于识别运动模式。这里提出了一种创新方法，该方法评估了检测到的对象内每个像素的运动角度和大小，以获得精确的移动对象识别。系统根据显示明显运动的像素的百分比来确定对象是否通过设置阈值来移动。，由于这种自适应技术，可以识别出较少的假阳性和更高的精度，因此可以识别移动对象。在各种数据集上的实验发现证明了建议的方法在精确识别移动对象方面的有效性。通过用于运动分析的光流和用于对象检测的YOLO的组合提供了一个完整的有效解决方案，可在视频流中移动对象检测。此处提出的方法在视频分析，自主系统和监视中具有潜在的应用，在该视频分析，自主系统和监视中，精确检测动态特征至关重要。索引项 - 移动对象检测，光流估计，运动角度和幅度。
-能源和水利开发及相关机构
加利福尼亚州洛杉矶县排水区（水渠） 加利福尼亚州圣华金河下游（拉斯罗普和曼特卡） 加利福尼亚州莫哈维河大坝 加利福尼亚州雷德班克和范切尔溪 加利福尼亚州萨克拉门托河、尤洛旁路