XiaoMi-AI文件搜索系统
World File Search Systemfiltering
长长的神经生物学：假设和未解决的问题
拖拉图是脑白质的虚拟表示。它由数百万的虚拟纤维组成，编码为3D polyline，近似于白质轴突途径。迄今为止，拖拉图是最准确的白质表示形式，因此用于诸如神经塑性，脑部疾病或脑网络的术前计划和研究。然而，众所周知的问题是，大部分的拖拉机在解剖学上并不合理，并且可以被视为跟踪程序的伪像。使用验证者，我们使用一种新颖的完全监督的学习方法解决了过滤术的问题。与基于信号重建和 /或大脑拓扑正则化的其他方法不同，我们使用现有的白质解剖学知识来指导我们的方法。使用根据解剖学原理注释的拖拉图，我们训练我们的模型验证者，以将纤维分类为解剖上合理或不合理的纤维。所提出的验证模型是一种原始的几何深度学习方法，可以处理可变尺寸纤维，同时又不变到纤维方向。我们的模型将每个文件视为点的图表，并且通过通过提出的序列边缘卷积之间的边缘学习特征，它可以捕获基本的解剖学特性。在一组广泛的实验中，输出过滤结果高度准确，稳健，并且快速；使用12GB的GPU，对1m纤维的拖拉图进行了填充，需要少于一分钟。可在https://github.com/fbk-nilab/verifyber上获得验证实现和训练有素的模型。
Kalman滤波和期望最大化多阶段光谱unmixing
摘要 - 高光谱成像技术的最新演变和新的新兴应用程序的扩散按下了多个时间高光谱图像的处理。在这项工作中，我们提出了一种新型的频谱拆解（SU）策略，使用出色动机的参数末端记录来说明时间频谱变异性。通过使用状态空间公式来表示多个时空混合过程，我们能够利用贝叶斯过滤机制来估计末端的变异性系数。假设丰度的时间变化在短时间间隔很小，则采用了预期最大化（EM）算法的有效实施来估计丰度和其他模型pa-Rameters。仿真结果表明，所提出的策略优于最先进的多阶段算法。
量子匹配滤波——量子时代的信号处理
量子系统对外部场极为敏感，是感测微弱信号的理想选择。量子传感器的有希望的候选者包括金刚石或 SiC（碳化硅）中的缺陷、基于 SQUID（超导量子干涉装置）的传感器、原子传感器等（参见参考文献 1）。这些系统也是构建量子比特（量子位）的候选者，量子比特是量子计算机中信息处理的基本组件。已经开发出各种传感技术，以使用量子位作为传感平台来估计信号的幅度或相位。例如，拉姆齐干涉法 2 允许估计磁场幅度，其灵敏度受量子位自由演化失相时间的限制，可通过最佳控制方法增强灵敏度。3
更正为：针对信号相关噪声滤波的改进各向异性扩散方案
在本文中，应将以下提到的隶属关系添加到作者 Jihene Malek 的现有隶属关系中。“苏塞大学应用科学与技术高等学院电子系，4003 苏塞，突尼斯”。原文已更正。
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，稀疏 EEG 蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4,000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当没有施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确率比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，这种蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试过对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当不施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确度比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
用于深度立体匹配的自适应单峰成本体积滤波
最先进的基于深度学习的立体匹配方法将视差估计视为一个回归问题，其中损失函数直接定义在真实视差及其估计视差上。然而，视差只是由成本量建模的匹配过程的副产品，而间接学习由视差回归驱动的成本量容易出现过度拟合，因为成本量受到约束。在本文中，我们提出直接向成本量添加约束，方法是用在真实视差处达到峰值的单峰分布过滤成本量。此外，估计每个像素的单峰分布的方差，以明确模拟不同环境下的匹配不确定性。所提出的架构在 Scene Flow 和两个 KITTI 立体基准上实现了最先进的性能。具体来说，我们的方法在 KITTI 2012 评估中排名第一，在 KITTI 2015 评估中排名第四（记录于 2019.8.20）。AcfNet 的代码可以在以下位置找到：https://github.com/youmi-zym/AcfNet。
Gatekeeper-GPU：简短读取映射中快速准确的预订过滤
摘要 - 在简短读取映射的最后一步中，验证了参考基因组上读取的候选位置，以使用序列比对算法从相应的参考段中计算它们的差异。计算两个序列之间的相似性和差异在计算上仍然很昂贵，因为传统上近似的字符串匹配技术继承了具有二次时间和空间复杂性的动态编程算法。我们介绍了Gatekeeper-GPU，这是一种快速准确的预一致过滤器，可有效地减少对昂贵序列比对的需求。Gatekeeper-GPU提供了两个主要贡献：首先，提高了网守的过滤精度（轻巧的预先对准过滤器），其次，利用了由现代GPU的大量GPU螺纹提供的巨大平行性，以快速检查众多序列。通过减少工作，Gatekeeper-GPU提供2.9倍的加速度至序列比对，最高为1。4×加速到全面阅读映射器（MRFAST）的端到端执行时间。Gatekeeper-GPU可从https://github.com/bilkentcompgen/gatekeeper-gpu
一种基于敏感压缩的方法，用于过滤靶向的FASTQ测序读取
摘要 - BioInformatics应用程序通常需要根据其与特定序列目标的相似性过滤FastQ测序读取，例如消除与特定病毒相关的污染或隔离读取。尽管基于对齐的方法对这些任务有效，但它们表现出降低的灵敏度并可能引入高估，尤其是在面对较低的相似性搜索时。在本文中，我们使用一种新颖的无对齐方法来过滤FASTQ根据定义的相似性阈值读取。与基于对齐方式的方法不同，即使在相似性较低的方案中，例如在古代DNA中，我们的方法也保持较高的灵敏度。此外，我们的方法是基于压缩的，可以减轻其他方法固有的高估风险。我们在各种应用程序中演示了我们方法的多功能性，并提供了一种称为磁铁的公共开源物。磁铁提供了用于加速处理的多线程功能，并且可以在https://github.com/cobilab/magnet上自由访问。索引项 - 数据压缩，生物信息学，计算生物学，测序读取，数据滤波器
基于侧窗滤波的脑图像融合方法
脑医学图像融合在构建当代图像以增强相互和重复信息以用于诊断目的方面起着重要作用。提出了一种对脑图像使用基于核的图像滤波的新方法。首先，使用双边滤波器生成源图像的高频分量。其次，估计第一幅图像的强度分量。第三，对几个滤波器采用侧窗滤波，包括引导滤波器、梯度引导滤波器和加权引导滤波器。从而最小化第一幅图像的强度分量与第二幅图像的低通滤波器之间的差异。最后，基于三个评估指标对融合结果进行评估，包括标准差（STD）、特征互信息（FMI）、平均梯度（AG）。基于该算法的融合图像包含更多信息、更多细节和更清晰的边缘，有助于更好地诊断。因此，我们基于融合图像的方法能够很好地找到目标体积的位置和状态，从而远离健康部位并确保患者的健康。