XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
使用胸肌抑制进行乳房分割...
梯度法自 Semmlow 等人 [ 9 ] 的早期工作以来就一直被使用，他们利用空间滤波器和 Sobel 边缘检测器获得乳房边界。类似地，M´endez 等人 [ 10 ] 使用两级直方图阈值获得乳房区域，然后将其向上划分为三个部分，使用梯度法跟踪边界。使用“准确”或“接近准确”标签对分割质量进行评估。他们成功地将他们的结果与 Yin 等人 [ 5 ] 提出的工作进行了比较。Karssemeijer 等人 [ 14 ] 提出的工作利用了多分辨率方案，在低分辨率下处理并推断结果。他们使用全局阈值技术获得一个初步区域，然后使用 3x3 Sobel 算子对其进行处理，并通过 Hough 变换估计胸肌位置。Abdel-Mottaleb 等人 [12] 提供了一种基于不同阈值的方案来查找乳房边缘。使用两幅图像的梯度及其并集，他们获得了可能的乳房轮廓。他们在 500 张测试图像中的 98% 中找到了边界。Morton 等人 [13] 提出的分割是另一种基于梯度的方法。通过初始阈值减去背景后，通过逐行梯度分析找到边缘。Zhou 等人 [11] 提出了最后一种方法的改进。
S/4HANA 中的 SAP 细分探索
摘要：作为其现代企业资源规划 (ERP) 解决方案的一部分，SAP 为客户提供了一项名为“细分”的功能，该功能通过基于质量、产地或客户类型等特征对材料进行逻辑分类，帮助客户管理不同的市场需求。对于在动态环境中运营的企业，细分可确保供应链流程与动态市场需求保持一致。本文探讨了 SAP 中细分功能的基础知识、它与各种模块的集成、细分类型以及企业如何利用细分来实现更高效的物流和生产规划。本指南着重于简化技术方面，旨在帮助刚接触 SAP 但对业务流程经验丰富的业务用户理解和有效实施细分。关键词：企业资源规划、SAP、细分、主数据、配置 1. 简介 在当今以客户为中心的市场中，企业面临着越来越大的压力，需要简化其供应链规划和执行业务流程，以满足不同的消费者需求。这种复杂性要求对供应链的所有方面采取战略性方法，即制造、物流、采购和规划，以提供符合特定细分市场的产品。 SAP 作为领先的企业资源规划 (ERP) 解决方案，提供了一项名为“细分”的强大功能来应对这些挑战。SAP 中的细分功能允许企业对其材料进行逻辑分类，不仅按基本属性，还按更细微的特征（如质量水平、原产地/供应商或特定市场需求）进行分类。这种分类对于管理整个供应链中大量数据的公司尤其有价值，可帮助他们优化库存、及时满足客户需求并实现运营效率。虽然细分看起来像是一个技术过程，但它是一个强大的工具，业务用户（即使是 SAP 新手）也可以利用它来提高组织的绩效。本文分解了 SAP 细分的概念，它如何集成到物料主数据、销售和分销以及生产计划等不同模块中，并提供了有关有效设置和使用细分的见解。目标是揭开此功能的神秘面纱，展示它如何支持业务流程，同时强调其在 SAP 各种系统中的实际应用。什么是 SAP 中的细分？它为什么有用？ SAP 中的细分是一种战略方法，使企业能够根据特定属性对材料进行分类，确保物流、生产和库存流程与市场需求紧密结合。本质上，细分是一种根据质量、原产地或市场需求等特征逻辑地组织库存的方法。该组织有助于简化整个供应链的流程，使管理大量数据和库存变得更加容易。
使用机器学习的客户细分...
杜尔格摘要的计算机科学与工程技术研究所 - 我们居住的世界每天都会收集大量数据。必须分析此类数据。在这个高度创新的激烈竞争时代超越所有人的时代，公司计划需要考虑当前的环境。现代企业建立在创新的想法上，因为有很多潜在客户不确定要购买什么或不购买什么。根据性别，年龄，兴趣和其他购买模式等因素可能与广告相关的消费者被称为客户细分。任何组织的主要目标都是确定其核心客户，并了解其买家的行为方式和利用其产品。此外，每个消费者都可以以独特的方式利用组织的商品。我们正在尝试解决列出该组织买家的问题，以描述这些客户使用该公司产品的建设性行为和方法。此外，在该行业工作的公司无法确定目标市场中可能的客户。为了找到数据中的隐藏模式并做出更好的决策，在这项工作中使用了机器学习。采用聚类技术的客户细分过程确定要针对哪种消费者细分。无监督的机器学习中的一种常见方法是客户细分。我们提出了这项研究中的解决方案，该解决方案利用K-均值聚类，这是一种用于数据集群集的强大方法。使用肘法，找到理想的簇。可视化数据后，策略是确定可用于分类客户并得出一些结论的重要特征。创建的集群协助企业专注于某些客户，并在社交媒体平台和营销活动中向他们推广材料，从而真正感兴趣。索引术语 - 机器学习，客户细分，K-均值算法，肘方法。
使用U-NET ...
医学图像分析和处理是临床应用和科学研究的关键组成部分。深度学习通过从数据中识别形态或纹理模式来彻底改变了医学图像分析。为了增强脑肿瘤图像分析，在本文中提出了一个改进的基于U-NET的模型，称为Arunet。通过整合卷积网络和自我注意力的机制，本论文着重于优化在U-NET网络结构中提取媒体信息的能力，并有助于剩余净值以减少在训练过程中拟合难度的问题。这增加了模型的深度，并增强了U-NET自身提取抽象特征的能力。此外，自我注意机制有助于解码器专注于关键信息，从而提高模型的性能。该模型在BRATS2021数据集上实现了最先进的性能，最高为95.54％。关键词：医学图像分析，脑肿瘤分割，人工智能，深度学习，U-NET，自我注意力。
多视角脑肿瘤分割（MVBTS）
图 2. 平面和三平面网络的概念。（a）轴向平面网络，其中在轴向图像上训练的 CA、CCSA 和 SCSA 网络的分割结果被组合以生成结果。同样，我们可以创建一个冠状集合和一个矢状集合。（b）三平面网络的概述，其中在轴向、冠状和矢状图像上训练的单个注意网络（例如 CA 网络）生成的分割结果被组合以生成结果。在三个正交平面上训练的 CCSA 和 SCSA 注意网络会生成类似的分割结果。
Arista网络多域细分服务（...
Arista MSS将零信任策略分配给EOS驱动的网络交换机。反过来，开关可以自己执行电线速度分布式执法，或将流量重定向到第三方防火墙进行状态L4-7检查。重要的是，Arista的基于开关的执法克服了与传统基于ACL的分割（例如TCAM Eltinion）相关的挑战，该挑战利用了优化硬件利用率并最大化可伸缩性的高级标记引擎。此外，由于标签是开关内部的，并且在整个网络基础架构中没有共享，因此Arista MSS可以无缝地插入任何多供应商网络。此方法还避免了将组织迫使组织进入单供应商网络的任何专有协议。
讲座9：对象检测和图像分割
○在SoftMax中，添加一个新的数据点使SoftMax的分母散布，这会影响所有概率。○通过添加数据点，SoftMax损耗可能会更改，因为新数据点的正确类的日志概率可能与现有数据点的正确类的日志概率不同。
经济基岩| ESRI挂毯分割
接近五分之一的受雇居民在采矿，油气开采或采石行业中工作。经济基岩是一个非常乡村，主要是南方市场。已婚式家庭家庭住在一半以上的家庭中，其中四分之一的家庭生活在移动房屋中。这个社会保守的团体凭借他们的手谋生。除了采矿外，建筑和农业是就业的共同行业。他们以自己的房屋和车辆的外观感到自豪。有预算的居民喜欢家庭烹饪，但没有什么太喜欢的。这是一个群体的群体，重视与朋友一起度过的时间。
Vox2Vox：用于脑肿瘤分割的 3D-GAN
摘要。神经胶质瘤是最常见的原发性脑恶性肿瘤，具有不同程度的侵袭性、不同的预后和各种异质性组织学亚区，即肿瘤周围水肿、坏死核心、增强和非增强肿瘤核心。虽然使用多模态 MRI 可以轻松检测脑肿瘤，但准确的肿瘤分割是一项具有挑战性的任务。因此，利用 BraTS Challenge 2020 提供的数据，我们提出了一种 3D 体积到体积生成对抗网络来分割脑肿瘤。该模型名为 Vox2Vox，它从多通道 3D MRI 图像中生成逼真的分割输出，分割出整体、核心和增强肿瘤，骰子得分平均值分别为 87.20%、81.14% 和 78.67%，BraTS 测试集的 Hausdorff 距离 95 百分位数平均值分别为 6.44mm、24.36mm 和 18.95mm，这些结果均通过 10 倍交叉验证获得。代码可在 https://github.com/mdciri/Vox2Vox 上找到。
自适应图像分割的自动编码器策略
深度神经网络是生物医学图像分割的有力工具。这些模型通常经过严格监督训练，依赖于图像对和相应的体素级标签。然而，在大量情况下获得解剖区域的分割成本可能非常高。因此，迫切需要基于深度学习的分割工具，这些工具不需要严格监督并且可以不断适应。在本文中，我们提出了一种将分割视为离散表示学习问题的新视角，并提出了一种灵活且自适应的变分自动编码器分割策略。我们的方法称为分割自动编码器 (SAE)，它利用所有可用的未标记扫描，并且仅需要分割先验，它可以是单个未配对的分割图像。在实验中，我们将 SAE 应用于脑部 MRI 扫描。我们的结果表明，SAE 可以产生高质量的分割，尤其是当先验良好时。我们证明马尔可夫随机场先验可以产生比空间独立先验更好的结果。我们的代码可在 https://github.com/evanmy/sae 免费获取。关键词：图像分割、变分自动编码器