XiaoMi-AI文件搜索系统
World File Search Systemimage
从模拟到电动机执行：对动态运动图像对性能的影响的审查
Aymeric Guillot，Franck Di Rienzo，Cornelia Frank，Ursula DeBarnot，Tadhg E MacIntyre。从模拟到电动机执行：对动态运动图像对穿孔的影响的回顾。国际体育和运动心理学评论，2021，17（1），pp.420-439。10.1080/1750984x.2021.2007539。hal-04672047
基于时空信息的图像解释
大脑计算机界面（BCI）应用提供了一种直接的方法，将人脑活动映射到外部设备的控制上，而无需进行物理运动。这些系统，对于医疗应用至关重要，也对非医疗应用程序有用，主要使用非侵入性记录的EEG信号，用于系统控制，并需要算法将信号转换为命令。传统的BCI应用程序在很大程度上取决于针对特定行为范式量身定制的算法，并使用具有多个通道的EEG系统来收集数据。这使可用性，舒适性和负担能力复杂化。更重要的是，广泛的培训数据集的有限可用性限制了将收集到的数据分类为行为意图的强大模型的开发。To address these challenges, we introduce an end-to-end EEG classification framework that employs a pre-trained Convolutional Neural Network (CNN) and a Transformer, initially designed for image processing, applied here for spatiotemporal represen- tation of EEG data, and combined with a custom developed automated EEG channel selection algorithm to identify the most informative electrodes for the process, thus reducing data dimensionality, and放松主题的舒适性，并改善了脑电图数据的分类性能到受试者的意图。我们使用两个基准数据集（EEGMMIDB和OpenMiir）评估了我们的模型。与现有的最新脑电图分类方法相比，我们取得了卓越的性能，包括常用的EEGNET。这项研究不仅可以推进BCI领域，而且还为BCI应用程序提供了一个可扩展和负担得起的框架。我们的结果表明，OpenMiir的分类精度提高了7％，EEGMMIDB的分类为1％，平均值分别达到81％和75％。重要的是，这些改进是通过较少的记录渠道和较少的培训数据获得的，这证明了一个框架，可以从培训数据的量以及大脑信号所需的硬件系统的简单性方面支持更有效的BCI任务方法。
数字图像相关法用于增材制造 316L 薄壁变形模式的微观结构分析
在增材制造中，工艺参数直接影响材料的微观结构，从而影响所制造部件的机械性能。本文旨在通过在扫描电子显微镜 (SEM) 下结合高分辨率数字图像相关 (HR-DIC) 和电子背散射衍射 (EBSD) 图进行原位拉伸试验来表征局部微观结构响应，从而探索这种关系。所研究的样本是从通过定向能量沉积构建的双向打印单道厚度 316L 不锈钢壁中提取的。通过统计分析表征了晶粒的形态和晶体学纹理，并将其与该工艺的特定热流模式相关联。根据晶粒大小将其分为位于打印层内的大柱状晶粒和位于连续层之间界面的小等轴晶粒。原位拉伸实验的加载方向垂直于或沿打印方向进行，并展示不同的变形机制。对每个晶粒的平均变形的统计分析表明，对于沿构建方向的拉伸载荷，小晶粒的变形小于大晶粒。此外，HR-DIC 与 EBSD 图相结合显示，在没有单个或成簇的小晶粒的情况下，应变局部化位于层间界面处。对于沿打印方向的拉伸载荷，应变局部化存在
视觉与深层神经网络中的内部注意机制用于图像分类和对象检测
深神经网络（DNN）中所谓的“注意机制”表示DNN的自动适应，以捕获具有特定分类任务和相关数据的代表性特征。这种注意机制通过加强特征通道和本地强调每个特征图中的特征来在全球范围内发挥作用。渠道和特征重要性是在全球端到端DNS培训过程中学习的。在本文中，我们提出了一项研究，并提出了一种具有不同方法的方法，并在训练图像旁边添加了补充视觉数据。我们使用人类的视觉注意图在任务驱动或自由观看条件下独立于心理视觉实验获得的人类视觉注意图，或者在自由观看条件下或预测视觉注意图的强大模型。我们在图像旁边添加了视觉注意图作为新数据，从而将人类的视觉注意力引入DNNS培训中，并将其与全球和局部自动注意机制进行比较。实验结果表明，DNN中的已知注意力机制几乎与人类的视觉关注在一起，但提出的方法仍然可以更快地收敛和在图像分类任务中更好地表现。
.4cmstudy基于图像处理的新能量车辆电动机系统的视觉感知控制
本文根据图像处理技术介绍了一种新的能源车辆驾驶控制系统。通过处理和分析道路图像，新的能源驾驶控制系统能够识别道路元素，计划路线并计算其方向和速度参数。为了改善系统在各种环境中的适用性，它首先将道路图像分为两类：路面和其他物体。然后，它使用手动迭代方法来确定最佳阈值，并建议一种自适应阈值改进方法。第二，该系统将进行道路元素的特征提取，包括样本类型，例如坡道，直路，曲线，十字路口和障碍物。通过辅助特征提取和样品类型表征，系统实现了各种道路元素的识别和分类。最终，系统执行了图像捕获，预处理和边界提取。然后使用路径计划和道路中心线拟合来实现车辆导航。该技术确定了角参数，并在车辆方向和速度参数测试期间提供了车辆的精确导航方向。新能量汽车的驾驶控制系统非常适用且实用，为这些车辆在复杂的道路条件下安全运行提供了有效的技术援助。
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
来自光子计算光谱计算机断层扫描中的虚拟单角图像，以评估膝盖骨关节炎
©作者在欧洲放射学学会的独家许可下。2022 Open Access本文均在创意共享归因4.0国际许可下获得许可，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您适当地归功于原始作者（S）和来源，并提供了与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
使用混合挤压和激励增强模型从 OCT 图像中检测高级视网膜疾病
视网膜疾病会严重危害人们的视力，直接影响生活质量。视网膜是人眼的重要组成部分，由视觉细胞组成。它负责处理视觉信息。黄斑是中央视觉所必需的，位于视网膜层内。视网膜损伤，特别是黄斑区域的损伤，会导致视力严重丧失 [ 1 ]。因此，及早发现视网膜异常对于及时治疗和减少视力丧失至关重要 [ 2 ]。最常见的视网膜疾病包括糖尿病性黄斑水肿 (DME) 和年龄相关性黄斑变性 (AMD)。AMD 有两种类型：湿性 AMD（脉络膜新生血管，或 CNV）和干性 AMD（视网膜黄斑硬化症），后者是 65 岁以上人群失明的主要原因 [ 3 ]。约 25% 的糖尿病患者患有糖尿病性黄斑水肿 (DME)，这是由于糖尿病导致视网膜积液所致。如果不及时治疗，这些疾病可能会永久损害视力。因此，开发自动诊断系统对于有效的治疗计划至关重要，因为此类系统可以减轻临床医生的负担并提高早期检测率 [ 4 ]。
lissi-实验室图像，信号和智能系统
单元的表征 - 名称：实验室图像，信号和智能系统 - 首字母缩写：Lissi-标签和数字：EA 3956-团队数：四个团队 - 管理团队组成：Yacine Amirat先生，董事； SénartScienceand Technologies ST6信息和通信科学和技术的SénartScientificCanel站点的副主任Kurosh Madani先生 - Lissi的主题主题主题是在信息和通信技术领域进行多学科，理论和应用研究，主要介绍了计算机视觉，医学远景和通信网络。其主要针对的申请领域是健康和福祉的领域，重点是诊断和治疗监测，老龄化，对受抚养人或残疾人的帮助以及电子健康的帮助。LISSI在四个研究团队（35个永久性），一个行政服务（永久性）和技术和计算机服务（永久性）中构建。LE LISSI单位的历史和地理位置是巴黎最佳克雷蒂大学（UPEC）的接待团队（EA 3956）。是在2005年1月合并了三个UPEC研究单元的合并：Liia（EA 1613），Leriss（EA 412）和I2S（I 2353）。Lissi Coes是系统的竞争力集群的六个枢纽之一，其UPEC是成员。单位有效：在12/31/2023的自然人中四个研究团队是1/ SIMO（信号，图像和优化）：优化学习；计算机视觉和医学成像；元硫代主义（9个永久性），2/ Synapse（人工认知系统和生物启发的感知）：人工认知和感知；生物识别和医学诊断（9个永久性），3/ Sirius（智能，环境和服务机器人技术）：机器人流动性援助和康复系统；识别上下文和环境智能（11个永久性）和4/ CIR（网络中的智能控制）：网络的控制/控制；经验质量；包含方向的网络；由软件管理的网络；强大的动态网络（6个永久性）。他在两个UPEC站点上托管：1/ Vitry-Sur-Seine University University Campus（1140平方米），该部门的主要位置，该站点还设有部门的管理以及行政和技术服务以及2/SénartUniversity Campus（50m²），位于Vitry-Sur-Serine Site Site的45公里，该活动的研究是Welly Cann的一部分。LISSI部门的研究环境为贸易和资格校园（CMQ）做出了贡献，“健康，自主权，衰老良好”，由UPEC携带的PIA 3，以及Erasmus Project（教育和研究以通过委员会提高社会任务）在2021年在2021年在2021年获得了pia of Project of Pia pia for Pia 4 call of Project。