XiaoMi-AI文件搜索系统
World File Search Systemeess
变更通知 Dogger Bank Teesside AB OWF 附表 8 变更 3
如果拟使用打入或部分打入桩基础，则在向 MMO 提交符合《东英吉利三号项目南北海 pSAC 场地完整性计划》中原则上所列原则的《东英吉利三号项目南北海 pSAC 场地完整性计划》且 MMO 确信该计划提供了必要的缓解措施以避免对相关场地的完整性（根据 2007 年法规的含义）造成不利影响（只要港湾鼠海豚是该场地的受保护特征）之前，不得开始许可活动或这些活动的任何阶段。
变更通知 Dogger Bank Teesside AB OWF 附表 8 变更 3
如果拟使用打入或部分打入桩基础，则在向 MMO 提交符合《东英吉利三号项目南北海 pSAC 场地完整性计划》中规定的原则的《东英吉利三号项目南北海 cSAC 场地完整性计划》之前，不得开始许可活动或这些活动的任何阶段，并且 MMO 确信该计划提供了必要的缓解措施，以避免对相关场地的完整性（根据 2007 年法规的含义）造成不利影响，因为港湾鼠海豚是该场地的受保护特征。
变更通知 Dogger Bank Teesside AB OWF SChedule 8 变更 3
2021 年 1 月 28 日，海洋管理组织 (MMO) 收到苏格兰电力可再生能源公司的请求，要求更改 2017 年东英吉利三处海上风电场命令 (“命令”) 附表 14 中包含的视同海洋许可证 (DML)。该请求旨在重新分配 EA 三处 DML 内的同意处置许可。
H2Teesside 项目 - 国家基础设施规划
1.1.3 由于拟议开发项目的性质和规模、拟议的订单限制内的土地权益范围以及氢气管道和其他连接的潜在路线，申请必然包含一定程度的可选性。申请人此前已在其申请文件和迄今为止的审查提交中解释了这种可选性的必要性，但也明确表示，其目标是在拟议开发项目的设计进展和确定性不断提高的情况下，尽可能减少这种可选性。申请中包含的选项已作为拟议开发项目进行的环境影响评估 (EIA) 的一部分进行了咨询和评估，并在环境声明 (ES) [APP-051 至 APP-225] 中进行了报告。
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日](/simg/1/1e3a653ca5ffa29fe94b881130ee268c24efaae3.webp)
arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日
摘要：深度学习的最新进展显著改善了脑肿瘤分割技术；然而，由于结果仅考虑图像数据而没有生物物理先验或病理信息，因此结果仍然缺乏信心和稳健性。整合生物物理学信息的正则化是改变这种情况的有效方法之一，因为它为自动端到端学习提供了先验正则化。在本文中，我们提出了一种新方法，将脑肿瘤生长偏微分方程 (PDE) 模型设计为深度学习的正则化，可与任何网络模型配合使用。我们的方法将肿瘤生长 PDE 模型直接引入分割过程，提高了准确性和稳健性，尤其是在数据稀缺的情况下。该系统使用周期性激活函数估计肿瘤细胞密度。通过有效地将这种估计与生物物理模型相结合，我们可以更好地捕捉肿瘤特征。这种方法不仅使分割更接近实际生物行为，而且还增强了模型在有限数据条件下的性能。我们通过对 BraTS 2023 数据集进行大量实验证明了我们框架的有效性，展示了肿瘤分割的精度和可靠性的显着提高。
![arxiv：2409.17759v1 [eess.iv] 26 Sep 2024](/simg/2/2a76c65d7eeb83c3905c9889ad37609048111e07.webp)
arxiv：2409.17759v1 [eess.iv] 26 Sep 2024
在同一场景中捕获不同的强度和光线的方向，光场（LF）可以将3D场景提示编码为4D LF映像，该图像具有广泛的范围（即，捕获后的重新集中和深度感测）。LF图像超分辨率（SR）旨在通过LF相机传感器的性能来改善图像分辨率。尽管现有方法取得了令人鼓舞的结果，但这些模型的实际应用是有限的，因为它们不够轻巧。在本文中，我们提出了一个名为LGFN的轻量级模型，该模型集成了不同视图的Lo local和全局特征以及LF Image SR的不同频道的特征。具体而言，由于不同的子孔径图像中相同像素位置的相邻区域表现出相似的结构关系，因此我们设计了一个基于CNN的轻质CNN特征表演模块（即DGCE），以更好地通过特征调节提取局部特征。同时，随着LF图像中边界之外的位置呈现出很大的差异，我们提出了一个有效的空间注意模式（即ESAM）（即ESAM），使用可分解的大内核卷积来获得扩大的接受场，并获得了一个扩大的接收场和效率的通道注意模块（即，Ecam）。与具有较大术语的现有LF图像SR模型相比，我们的模型的参数为0.45m，拖失术为19.33G，这已经达到了竞争效果。进行消融研究的实验实验证明了我们提出的方法的效率，该方法对NTIRE2024光场超级分辨率挑战的赛道2忠诚度和效率排名，这是赛道1 Fidelity的第七名。
![arXiv:2402.01138v3 [eess.SP] 2024 年 8 月 30 日](/simg/7/7062edcea840a5800dabb5780c683ea1721bd4a6.webp)
arXiv:2402.01138v3 [eess.SP] 2024 年 8 月 30 日
与其他模态相比，基于脑电图的情绪识别可以直观地响应人脑中的情绪模式，因此成为脑机接口领域最受关注的任务之一。由于大脑区域内的依赖关系与情绪密切相关，开发用于基于脑电图的情绪识别的图神经网络（GNN）是一个重要的趋势。然而，情绪脑电图中的大脑区域依赖关系具有生理基础，这使得该领域的GNN有别于其他时间序列领域的GNN。此外，目前尚无关于基于脑电图的情绪识别中GNN构建的全面综述或指导。在调查中，我们的分类揭示了统一的图构建框架下现有方法的共性和差异。我们从框架中的三个阶段对方法进行分析和分类，为基于脑电图的情绪识别中GNN的构建提供明确的指导。此外，我们还讨论了几个开放的挑战和未来的方向，例如时间全连通图和图浓缩。
![arXiv:2402.19043v2 [eess.IV] 2024 年 7 月 19 日](/simg/a/a395d8573e4dc80c17be95bf840cf6a8f016b8d5.png)
arXiv:2402.19043v2 [eess.IV] 2024 年 7 月 19 日
摘要。由于 CT 或 MR 扫描的三维特性，医学图像的生成建模是一项特别具有挑战性的任务。现有方法大多采用逐块、逐片或级联生成技术，将高维数据放入有限的 GPU 内存中。然而，这些方法可能会引入伪影，并可能限制模型对某些下游任务的适用性。本文介绍了 WDM，这是一种基于小波的医学图像合成框架，它将扩散模型应用于小波分解图像。所提出的方法是一种将 3D 扩散模型扩展到高分辨率的简单而有效的方法，可以在单个 40 GB GPU 上进行训练。在 128 × 128 × 128 分辨率下对 BraTS 和 LIDC-IDRI 无条件图像生成的实验结果与最近的 GAN、扩散模型和潜在扩散模型相比，展示了最先进的图像保真度 (FID) 和样本多样性 (MS-SSIM) 得分。我们提出的方法是唯一能够以 256 × 256 × 256 的分辨率生成高质量图像的方法，优于所有比较方法。项目页面位于 https://pfriedri.github.io/wdm-3d-io 。
![arxiv：2407.08813v2 [eess.iv] 18 Jul 2024](/simg/7/7db0e79c4f0a1f9970d84b956c248f2dc7a2b750.webp)
arxiv：2407.08813v2 [eess.iv] 18 Jul 2024
摘要。解决人工智能（AI）的公平性，特别是在医学AI中，对于确保公平的医疗保健结果至关重要。最近为增强公平性的努力引入了医学AI中的新方法和数据集。但是，在域转移设置下的公平性问题几乎没有探索，而诊所通常依靠不同的成像技术（例如，不同的视网膜成像方式）进行患者诊断。本文介绍了公平统治，这是一项针对域转移算法公平性的系统性研究，采用了最新的域适应性（DA）和泛化（DG）算法（DG）算法，用于医疗细分和分类任务，以了解如何在不同领域之间转移偏见。我们还引入了一种新颖的插件公平身份注意（FIA）模块，该模块适应各种DA和DG算法，以通过使用自我注意力根据人口统计学属性来调整特征重要性来提高公平性。此外，我们将第一个以公平性的数据集为基础，具有两种成对的成像方式，用于同一患者队列，以进行医疗细分和分类任务，以严格评估域偏移场景中的公平性。排除源和目标域之间人口统计分布变化的混杂影响将使域转移模型的性能更清晰地量化。可以在https://ophai.hms.harvard.edu/datasets/ Harvard-fairdomain20k上访问代码和数据。我们广泛的评估表明，提议的FIA显着增强了两种模型性能，这些模型性能在所有域移动设置（即DA和DG）方面相对于不同的人口统计学而言，这两种人口统计学方面都超出了分割和分类的现有方法。
![arxiv：2401.05363v4 [eess.sp] 11月11日，2024年7月](/simg/b/ba1742bc77a8dfbb6a8152d56fd2735a158fea04.webp)
arxiv：2401.05363v4 [eess.sp] 11月11日，2024年7月
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有的方法取决于一个特定的数据集，并且仅限于将培训数据和测试数据来自同一数据集的其他看不见的数据集。在本文中，我们将DO-MAIR REMALITION引入自动睡眠阶段，并提出了可推广的睡眠阶段的任务，该任务旨在证明模型的概括能力是看不见的数据集。通过现有域概括方法刺激，我们采用了特征对齐想法，并提出了一个称为SleepDG的框架来解决它。考虑到局部显着的功能和顺序特征对于睡眠停滞很重要，我们提出了一个多级特征对齐组合，将epoch级级别和序列级特征级别对齐组合来学习域不变的特征表示。具体而言，我们标志着一个阶段级特征对齐，以使每个单个睡眠时期的特征分布在不同的操作中的特征分布以及一个序列级特征对齐，以最大程度地减少不同do-ains之间顺序特征的差异。SleepDG在五个公共数据集上得到了验证，从而实现了最先进的性能。