XiaoMi-AI文件搜索系统
World File Search Systemsfer
使用转移技术通过 MRI 对脑肿瘤进行分类...
摘要：在医学领域，图像分割是一项至关重要且困难的任务。识别异常脑组织的一种有用技术是磁共振成像 (MRI) 扫描。对于放射科医生来说，从 MRI 扫描中正确识别和分类脑肿瘤仍然是一项困难且耗时的任务。这项研究提供了一种准确识别脑肿瘤的巧妙技术。该研究调查了卷积神经网络 (CNN) 与优化技术的结合使用，以从 MRI 数据中对不同类型的脑肿瘤进行分类。具体而言，使用 VGG16 模型上的迁移学习对肿瘤特征进行分类并识别肿瘤种类。该方法旨在提高 MRI 扫描效率并提高识别精度。当使用来自 Figshare、SARTAJ 和 Br35H 数据集 [31] 的 MRI 扫描进行评估时，利用迁移学习的所提出方法增强了原始 VGG16 模型的性能，允许比其基线功能更准确、更稳健的分类，从 91.38% [1] 提高到 95% 以上。关键词：MRI 预处理、分类、脑肿瘤、卷积神经网络、迁移学习
使用卷积神经网络（CNN）和转移学习技术的原始研究论文遥感图像分类
摘要：本研究研究了描绘变速箱，森林，农田和山脉的航空图像的分类。要完成分类工作，使用卷积神经网络（CNN）体系结构从输入照片中提取功能。然后，使用SoftMax对图像进行分类。要测试模型，我们使用90批量的ADAM优化器和0.001的学习率将其运行了十个时期。培训和评估都是使用数据集进行的，该数据集将Google卫星图像与MLRNET数据集融合在一起的图片。综合数据集包含10,400张图像。我们的研究表明，转移学习模型和MobilenetV2，对于景观分类非常有效。这些模型是实际使用的好选择，因为它们在精度和效率之间很好地结合在一起。我们的方法在内置的CNN模型上以87％的总体准确度获得了结果。此外，我们通过利用验证的VGG16和MobilenEtV2模型作为传输学习的起点，达到更高的精度。具体来说，VGG16的精度为90％，测试损失为0.298，而MobileNetV2的精度优于两个模型，其精度为96％，测试损失为0.119；结果表明，使用Mobilenetv2进行转移学习的有效性来对传输塔，森林，农田和山脉进行分类。关键字：航空图像，图像分类，卷积神经网络（CNN），转移学习
从 T1 加权到 T2 加权的迁移学习……
摘要 磁共振 (MR) 成像是一种广泛使用的医学成像技术，可生成人体的详细解剖图像。MR 图像的分割在医学图像分析中起着至关重要的作用，因为它可以对各种疾病和状况进行准确的诊断、治疗计划和监测。由于缺乏足够的医学图像，实现精确的分割具有挑战性，尤其是在应用深度学习网络的情况下。这项工作的目的是研究从 T1 加权 (T1-w) 到 T2 加权 (T2-w) MR 序列的迁移学习，以最少的计算资源增强骨骼分割。利用基于激励的卷积神经网络，提出了四种迁移学习机制：无微调的迁移学习、开放微调、保守微调和混合迁移学习。此外，提出了一种使用 T2-w MR 作为基于强度的增强技术的多参数分割模型。这项研究的创新之处在于混合迁移学习方法，该方法克服了过度拟合问题，并以最少的计算时间和资源保留了两种模态的特征。使用 14 张临床 3D 脑 MR 和 CT 图像评估分割结果。结果表明，混合迁移学习在骨分割方面在性能和计算时间方面更胜一筹，DSC 为 0.5393 0.0007。虽然基于 T2-w 的增强对 T1-w MR 分割的性能没有显著影响，但它有助于改进 T2-w MR 分割并开发多序列分割模型。
970.5227-2 数据技术转让的权利。
(iv) 有权要求将为履行本合同而首次制作或专门使用的所有技术数据和计算机软件交付给政府或由承包商以其他方式处置，无论是按照合同官员在工作进展过程中不时发出的指示，还是按照合同官员在本合同完成或终止时发出的任何指示。在将承包商制作的所有计算机软件交付给能源部科学技术信息办公室 (OSTI) 时，承包商应按照本条款第 (e)(3) 段的规定提交完整的文件包。承包商同意将此类数据的副本留在与此类数据相关的设施或工厂，并在合同官员要求时提供此类数据的访问权限或交付给政府。如果此类数据是有限权利数据或受限计算机软件，政府对此类数据的权利应仅受本条款第 (h) 段（“有限权利数据中的权利”）或本条款第 (i) 段（“受限计算机软件中的权利”）的规定管辖；以及
03.1 当泵送不同流量的冷却剂时，双排倾斜槽通道稳定段中层流传热的涡流强化
凹坑表面技术旨在通过涡流强化通道中的传热，同时保持水力损失的适度增长，该技术在热能工程中有着广泛的应用[1,2]。微电子领域对此也产生了一定的兴趣[3-5]，而关于普朗特数对层流传热强化影响的研究发表得就更少了。具体来说，在综述[2]中提到了[6,7]项研究，其中讨论了变压器油在加热壁面上具有单排球形和椭圆形凹坑的微通道中的流动。研究发现，在一个加热到 30 ◦ C 的九段微通道（宽度为 2，高度为 0.5，以通道高度为单位）的壁上，在低速（雷诺数 Re = 308）变压器油流动的情况下，定位具有中等深度（0.2）和螺距为 1.5 的球形凹坑，可以促进涡流强化传热，并且与光滑通道的情况相比，该壁面的传热增加了约 2.5 倍，水力损失减少了 7％。与光滑通道的情况相比，具有相同斑点面积（宽度为 0.55，长度为 1.5，以底部凹坑斑点直径为单位）和相同深度的椭圆形凹坑可以使传热进一步增强 3.4 倍（即，总共增强了 8.5 倍），水力损失减少 2.1％。 [8] 中发现了具有稀疏单排倾斜槽的通道稳定段中层流气流的局部加速。形成剪切流中的最大纵向速度几乎是平面平行通道中最大流速的 1.5 倍。后来确定，热效率由冲洗通道上平均的相对总努塞尔特数指定
视觉隐式学习中的结构传输和巩固
由库存定义（上图）。第1阶段中的所有对具有水平或垂直方向相同的基础结构。图中的颜色仅用于说明目的；对于参与者，所有形状都是黑色的。中断：在第1阶段之后，在两分钟至24小时之间的五个实验中有一个破裂。参与者在睡眠或清醒状态中度过了休息。训练阶段2：休息后，参与者接触了由不同抽象形状组成的视觉场景。新库存的创建对的一半具有水平，而另一半具有垂直的底层结构。2AFC测试试验：在第2阶段之后，参与者完成了一系列2AFC测试试验，在这些试验中，他们不得不确定训练阶段的真实对还是由形状随机组合创建的箔对，更熟悉。汇报：最后，参与者回答了有关实验的开放性问题，这些问题用于评估他们是否获得了有关形状对的存在的明确知识。
真实世界双场量子密钥分配的相干相转移
量子力学允许通过光学方法分发本质上安全的加密密钥。双场量子密钥分发是实现长距离光纤网络的最有前途的技术之一，但需要稳定双方通信信道的光长。在基于卷轴光纤的原理验证实验中，这是通过将量子通信与周期性稳定帧交错来实现的。在这种方法中，密钥流的较长占空比是以对信道长度的控制较松为代价的，并且在现实世界中使用此技术成功传输密钥仍然是一项重大挑战。利用源自频率计量的干涉测量技术，我们开发了一种同时进行密钥流和信道长度控制的解决方案，并在 206 公里现场部署的光纤上进行了演示，损耗为 65 dB。我们的技术将信道长度变化导致的量子比特误码率降低到 <1%，代表了现实世界量子通信的有效解决方案。
转移可概括机器人操纵的基础模型
改善现实世界中通用机器人操纵的概括能力长期以来一直是一个重大挑战。现有的方法通常依赖于收集大规模机器人数据，这些机器人数据是昂贵且耗时的。但是，由于数据的多样性不足，他们通常会限制其在开放域中的能力，并具有新的对象和不同的环境。在本文中，我们提出了一种新颖的范式，该范式有效地利用了由Internet规模的基础模型生成的语言分割掩码，以调节机器人操纵任务。通过将蒙版模态整合到源自视觉基础模型的语义，几何和时间相关先验中，并将其方法呈现为端到端的策略模型，我们的方法可以有效地感知的对象姿势并启用样本有效的概括性学习，包括新的对象，包括新的对象，包括新的对象，semantic intancics，Semantic类别，语义类别，和统一的背景。我们首先引入了一系列基础模型，以跨多个任务进行基础语言需求。其次，我们基于模仿学习开发了一个两流2D策略模型，该模型可以处理原始图像和对象掩码，以以局部 - 全球知觉方式预测机器人动作。在Franka Emika机器人和低成本双臂机器人上进行的广泛的现实世界实验证明了我们提出的范式和政策的有效性。可以在link1或link2中找到演示，我们的代码将在https://github.com/mcg-nju/tpm上发布。
通过胶体印记转移多 DNA 斑块
斑块粒子因其能够产生定向和选择性相互作用并作为创新胶体分子和晶体结构自组装的构建单元而受到广泛关注。然而，合成具有多个不同斑块的粒子仍然极具挑战性，而且缺乏有效的方法，这些构建块将为更广泛的有序材料及其固有属性开辟道路。在此，我们描述了一种通过使用胶体印章在粒子表面图案化功能性 DNA 斑块的新方法。由于选择性链置换反应，DNA 墨水仅在目标粒子和印章之间的接触区转移。产生的 DNA 斑块粒子是作为先进精密/设计构建块自组装下一代胶体材料的理想候选者。
开发与CMOS兼容的碳纳米管阵列转移方法
1 微电子与纳米电子中心（CMNE），电气与电子工程学院，南洋理工大学，50 Nanyang Ave，Singapore 639798，新加坡；chunfei001@e.ntu.edu.sg（CFS）；e190013@ntu.edu.sg（LYXL）；ChongWei@ntu.edu.sg（CWT）；lxhu@ntu.edu.sg（LH）；TanCS@ntu.edu.sg（CST）2 CNRS-NTU-THALES 研究联盟/UMI 3288，研究技术广场，50 Nanyang Ave，Border X Block，第 6 层，新加坡 637553，新加坡；jxwang@ntu.edu.sg（JW）；simon.goh@ntu.edu.sg（SCKG）；Philippe.Coquet@cnrs.fr（PC）； ehongli@ntu.edu.sg (HL) 3 Institut d'Electronique, de Micro Electronique et de Nanotechnologie (IEMN), CNRS UMR 8520-Université de Lille, 59650 Villeneuve d'Ascq, France 4 南洋理工大学机械与航空航天工程学院, 50 Nanyang Ave, Singapore 639798,新加坡 * 通讯地址：EBKTAY@ntu.edu.sg † 两位作者对本手稿的贡献相同。