XiaoMi-AI文件搜索系统
World File Search SystemYOLOv7
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。
利用磁共振检测脑肿瘤...
摘要：脑肿瘤检测是医学图像分析和诊断中一项重要任务。本研究提出了一种基于深度学习的脑肿瘤检测模型，利用YOLOv7可以准确检测脑肿瘤。使用的数据集分为训练数据集和测试数据集。对数据集执行预处理技术以获得最佳结果。研究产生了脑肿瘤的检测模型。该模型实现了 93.2% 的 mAP、91.4% 的准确率、90.2% 的召回率和 90.8% 的 F1 分数。结果证明了所提出的模型在准确检测脑肿瘤方面的有效性，可以协助早期诊断和治疗计划。关键词：物体检测，脑肿瘤，yolov7 摘要：脑肿瘤检测是医学图像分析和诊断中一项重要任务。本研究提出了一种基于深度学习的脑肿瘤检测模型，利用YOLOv7可以准确检测脑肿瘤。使用的数据集分为训练数据集和测试数据集。对数据集执行预处理技术以获得最佳结果。研究产生了脑肿瘤的检测模型。该模型实现了 93.2% 的 mAP、91.4% 的准确率、90.4% 的召回率和 90.8% 的 F1 分数。结果证明了所提出的模型在准确检测脑肿瘤方面的有效性，这有助于早期诊断和治疗计划。关键词：物体检测、脑瘤、yolov7
Yolopears：用于质量分级系统中多级梨表面缺陷检测的Yolo对象检测器的新基准
梨是最广泛消耗的水果之一，它们的质量直接影响消费者的满意度。表面缺陷，例如黑点和小斑点，是梨质量的关键指标，但由于视觉特征的相似性，检测它们仍然具有挑战性。这项研究提出了Pearsurfacedects，这是一个自我结构的数据集，包含六个类别的13,915张图像，其中有66,189个边界框注释。这些图像是使用定制的图像采集平台捕获的。在数据集上建立了27种版本的27个最先进的Yolo对象探测器的Yolo对象检测器，Yolor，Yolov5，Yolov5，Yolov6，Yolov7，Yolov7，Yolov7和Yolov9。为了进一步确保评估的全面性，还包括了三个高级非Yolo对象检测模型，T-DETR，RT-DERTV2和D-FINE。通过实验，发现yolov4-p7的检测准确性在map@0.5达到73.20％，而Yolov5n和Yolov6n也显示出极大的潜力，可以进一步提高梨表面缺陷检测的准确性。本研究中用于模型基准的梨表面缺陷检测数据集和软件程序代码都是公开的，这不仅会促进对梨表面缺陷检测和分级的未来研究，而且还为其他水果大数据和类似研究提供了宝贵的资源和参考。
footyvision：在足球视频中的多对象跟踪，本地化以及球员和球的增强
足球视频内容分析是一个快速发展的领域，旨在丰富足球比赛的观看体验。当前的研究通常集中于玩家和/或球形检测，跟踪和本地化的特定任务。我们的研究致力于将这些努力整合到能够处理透视转换的综合多对象跟踪（MOT）模型中。我们的框架（footyvision）使用了在扩展的球员和球数据集中训练的Yolov7骨干。MOT模块建立了一个画廊，并根据特征嵌入式，界限框相交，距离，距离和速度来通过匈牙利算法分配身份。我们模型的一个新组件是透视转换模块，该模块利用Yolov7骨架的激活映射使用线，相互作用点和椭圆形来计算同型。此方法有效地适应动态
电气工程和信息学公告
道路缺陷检查是维持良好的运输基础设施的至关重要的任务，因为道路表面障碍会影响用户的舒适性，降低车辆零件的寿命并造成道路伤亡。近年来，由于其出色的性能和高计算能力的可用性，机器学习在包括对象检测在内的各个领域都得到了广泛的调整，这通常是其模型培训所需的。许多作品都使用基于机器学习的对象检测算法来检测缺陷，例如建筑物和道路中的裂缝。在这项工作中，使用自定义的道路裂缝和坑洼数据进行了Yolov5，Yolov6和Yolov7模型，并对其性能进行了评估和比较。数据集中的实验表明，Yolov7的性能最高，MAP@0.5得分为79.0％，推理速度为0.47 m，用于255个测试图像。
Yong，K。E.，Hui Kieu，D.K.，Goh，Y.K.，Zhang，X. 一个基于空间状态的Omni方向碰撞警告... 细胞外囊泡及其缺血性中风中的microRNA货物 使用3D多孔结构的超级电容器的开发 近距离光学天空理论 反复练习的反复发作的运动单位行为的变化 生物信息学中的简报 生成AI驱动的语义通信网络 强化学习的基于大语言模型的基于州奖励和行动建模的建议系统 辐射测量
摘要 - 马拉里亚是由感染雌性蚊子蚊子的寄生虫引起的，是一种严重的且潜在的致命疾病，是热带地区常见的。疾病控制程序依赖于树冠内各种垂直高度的蚊子的捕获。为了支持这种疟疾控制研究工作，该提议的解决方案旨在克服涉及攀岩和手动蚊子捕获的调用方法的局限性。本文介绍了一种新型无人机导航系统的开发，该系统旨在在树冠中收集蚊子样品。我们的解决方案通过使用立体声视觉深度摄像机和对象检测算法yolov7实现3D映射算法来构建解决方案，以准确识别树檐篷中的栖息地。开发的无人机导航算法采用获得的坐标来计划合适的飞行路径。我们评估了基础针孔摄像头模型的准确性，并进行了深度摄像头的校准，以提高深度精度。此外，我们分析了Yolov7培训配置，以最大程度地减少着陆点检测中的假阳性。结果证明了我们解决方案在捕获各种垂直高度的蚊子方面的有效性，为疟疾控制程序提供了宝贵的支持。索引术语 - 马拉里亚控制，计算机视觉，无人机导航，深度摄像头，机器学习
使用Yolo模型通过多头注意机制增强的Yolo模型的Apple检测，深度估计和跟踪的无缝深度学习方法
摘要：考虑到精确的农业，最新的技术发展引发了几种新工具的出现，这些工具可以帮助自动化农业过程。例如，在果园中准确检测和计数苹果对于最大程度地提高收获和确保有效的资源管理至关重要。但是，传统的技术在果园中识别和计算苹果存在一些内在困难。为了识别，识别和检测苹果，Apple目标检测算法（例如Yolov7）表现出很大的反射和准确性。但遮挡，电线，分支和重叠构成严重的问题，以精确检测苹果。因此，为了克服这些问题并准确识别苹果并在复杂的背景下从基于无人机的视频中找到苹果的深度，我们提出的模型将多头注意系统与Yolov7对象识别框架结合在一起。此外，我们还提供了实时计数的字节式方法，这可以保证对苹果的有效监控。为了验证我们建议的模型的功效，对当前的几种Apple检测和计数技术进行了彻底的比较评估。结果充分证明了我们的策略的有效性，该方法不断超过竞争方法，以相对于精度，回忆和F1分别获得0.92、0.96和0.95的非凡精确度，而低MAPE的低MAPE为0.027。
Vitis AI 3.0 网络研讨会问答
随着 Vitis AI 3.0 的发布，我们现在支持 YOLOv5、YOLOv6 和 YOLOX。我们的工程团队正在开发 YOLOv7 支持，YOLOv8 也将紧随其后。用户必须了解，这些模型的原始版本是根据 GNU 公共许可证 (GPL) 发布的。GPL 与 Vitis AI 不兼容，后者是根据更宽松的 Apache 2.0 许可证发布的。出于上述原因，我们不会在 Vitis AI Model Zoo 中发布我们的源模型。在商业应用中使用 GPL 源应由最终用户在产品化之前进行评估。我们确实会根据要求向用户提供我们的浮点模型和训练脚本作为源代码。请联系 amd_ai_mkt@amd.com 了解更多详细信息。
自主脸检测和图像识别无人机...
1帕鲁大学，古吉拉特邦瓦多达拉摘要：自主无人机与先进的计算机视觉技术的整合导致了各个领域的重大进步，包括监视，搜索和救援以及安全性。本文介绍了自主面部检测和图像识别无人机系统的设计和实施。该系统利用最先进的深度学习算法进行实时的面部检测和识别，从而使无人机可以有效地识别感兴趣的人。此外，DR One配备了智能导航功能，使其能够在执行其任务时自动浏览复杂的环境。拟议的系统为执法，人群监控和事件安全等应用提供了一种多功能解决方案，增强了情境意识和响应能力。关键字 - 无视，面部识别，卷积神经网络，Yolov7和LBPH算法