XiaoMi-AI文件搜索系统
World File Search Systemvgg
由疫苗接种指南小组（VGG）编制
世界小动物兽医协会 (WSAVA) 疫苗接种指南小组 (VGG) 成立的目的是制定犬猫疫苗接种指南，旨在帮助全球兽医。之前的指南发表于 2007 年、2010 年和 2016 年，在同行评审的科学文献中被引用了数百次，下载了数万次。本文件是这些指南的更新版本。VGG 认识到其建议必须广泛且基于基本的免疫学原理，因为关于犬猫疫苗和疫苗接种的详细建议可能适用于某些国家或地区，但在其他地方可能不太适用。指南旨在为兽医的决策提供广泛的指导。它们不描述强制性或最低护理标准。国家和地区兽医协会以及个体兽医或兽医诊所可以使用这些指南制定适合自己当地情况的疫苗接种计划。尽管如此，VGG 强烈建议所有狗和猫都接种疫苗。这不仅可以保护单个动物，还可以提高“群体免疫力”，帮助最大限度地降低传染病爆发的风险。考虑到这一背景，VGG 将核心疫苗定义为所有狗和猫都应接种的疫苗，考虑到它们的生活方式和居住或旅行的地理区域。一些核心疫苗可以保护动物免受全球分布的潜在危及生命的疾病的侵害，而另一些核心疫苗可以保护动物免受仅在特定国家或地区流行的危及生命的疾病的侵害。世界各地的狗的核心疫苗是预防犬瘟热病毒 (CDV)、犬腺病毒 1 型 (CAV) 和犬细小病毒 2 型 (CPV) 的疫苗。世界各地的猫的核心疫苗是预防猫细小病毒 (FPV)、猫杯状病毒 (FCV) 和猫疱疹病毒 1 型 (FHV) 的疫苗。在世界狂犬病流行的地区，即使没有法律要求，接种狂犬病毒疫苗也应被视为对狗和猫必不可少的（即狂犬病疫苗在这些地方是核心疫苗）。犬钩端螺旋体病是另一种危及生命的人畜共患疾病，广泛分布于世界各地。在犬钩端螺旋体病流行的国家或地区，如果已知相关血清群并且有合适的疫苗可用，则强烈建议对所有犬只接种钩端螺旋体病疫苗，并且这些疫苗应被视为这些地方的核心疫苗。在世界许多地方，猫白血病病毒 (FeLV) 相关疾病是地方性的。在这些地方，FeLV 疫苗应被视为幼猫（<1 岁）和可以外出或与其他可以外出的猫一起生活的成年猫的核心疫苗。VGG 认识到母源抗体 (MDA) 会严重干扰目前大多数幼猫在幼年时期接种的核心疫苗的效力（幼猫可预防 CDV、CAV 和 CPV，幼猫可预防 FPV、FCV 和 FHV）。由于 MDA 水平在窝内和窝间差异很大，VGG 建议每 2 至 4 周给幼猫接种多剂核心疫苗，最后一次接种应在幼猫 16 周龄或以上时进行。在幼猫只能接种一次疫苗的情况下（例如，在成本受限的情况下），应在幼猫 16 周龄以上时接种核心疫苗。建议在 26 周龄或之后重新接种疫苗（而不是等到 12 至 16 个月大），以便及时为少数在 16 周以上接种疫苗时可能仍存在干扰性 MDA 的动物进行免疫接种。VGG 支持从 20 周龄开始使用血清学检测来检测接种疫苗后的血清转化（犬血清转化为 CDV、CAV 和 CPV，猫血清转化为 FPV）。这有助于确认幼年和成年动物的主动免疫保护，有助于优化成年动物的重新接种间隔，在某些情况下，有助于管理收容所中的传染病爆发。疫苗不应不必要地接种。成年动物的核心疫苗接种频率不应超过必要频率。有大量经过同行评审的已发表证据表明，大多数现代改良活病毒 (MLV) 核心疫苗提供的免疫持续时间 (DOI) 为多年。 VGG 将非核心疫苗定义为那些应该强烈推荐给那些由于地理位置和/或生活方式（如室内外活动、家庭中有多只宠物）而有可能感染非核心感染的动物的疫苗。兽医需要与宠物主人进行仔细的沟通，以决定向每位患者推荐哪些非核心疫苗。VGG 将某些疫苗列为不推荐疫苗，因为没有足够的科学证据证明可以在任何地方推荐使用这些疫苗。VGG 没有考虑一些在特定地理区域可用性或适用性非常有限的“次要”疫苗产品。VGG 强烈建议兽医教育客户定期健康检查（通常每年一次，有时更频繁）的价值，而不是谈论“疫苗接种咨询”。年度健康检查不仅仅是一次疫苗接种咨询，尽管它通常包括接种需要每年接种的选定疫苗。大多数非核心疫苗的 DOI 约为 1 年。还鼓励兽医在宠物健康检查前和检查期间接受培训，以改善宠物、主人和兽医人员的体验。Free Fear 培训计划 ( https://fearfreepets.com/fear-free-certification-overview/ ) 和 Cat Friendly 证书计划 ( https://catvets.com/cfp/cat-friendly-certificate-program/ ) 就是例子。VGG 考虑在收容所和庇护所中使用疫苗，再次认识到其中一些设施运营的财务限制。VGG 最低收容所指南规定，进入此类机构的所有狗和猫都应在进入之前或进入时接种核心 MLV 疫苗。在财务允许的情况下，这些机构
CNN 架构：Alex Net、Le Net、VGG、Google……
深度学习是一种更广泛的机器学习方法，它将为机器带来洞察力。如今，深度学习被广泛应用于对象识别、模式识别、自然语言处理和其他图像处理任务。但它主要用在对象识别任务中，如驾驶员辅助系统、自动驾驶系统、目标检测[1]等。在现实生活中。但它也有几个不同的有趣的应用，如黑白图像的着色、为安静的电影添加声音、自动机器翻译、照片中的对象分组、自动手写生成、字符文本生成、图像标题生成和自动游戏。在大多数情况下，深度学习可以借助不同的神经网络架构[2]进行。这些系统主要用于图像提取和训练。深度学习中使用了四种主要的神经网络。
基于高斯映射蝙蝠算法的VGG和极限学习机诊断脑微出血
摘要 脑微出血（CMB）是一个严重的公共健康问题。它与痴呆症有关，可以通过脑磁共振图像（MRI）检测到。CMB 在 MRI 上通常表现为微小的圆点，它们可以出现在大脑的任何地方。因此，人工检查既繁琐又耗时，而且结果通常难以重现。本文提出了一种基于深度学习和优化算法的新型 CMB 自动诊断方法，该方法以脑 MRI 作为输入，将诊断结果输出为 CMB 和非 CMB。首先，使用滑动窗口处理从脑 MRI 生成数据集。然后，使用预训练的 VGG 从数据集中获取图像特征。最后，使用高斯映射蝙蝠算法（GBA）训练 ELM 进行识别。结果表明，所提出的方法 VGG-ELM-GBA 比几种最先进的方法具有更好的泛化性能。
深度假检测的性能分析
视觉几何组在牛津大学开发了视觉几何组（VGG）结构。这是一个卷积神经网络（CNN），具有可靠的视觉识别性能。可以利用VGG进行深层检测功能提取，因为它可以捕获图像中的详细空间层次结构。它也有助于确定深层生成技术引入的伪影和不规则性。深度卷积层是指深度学习模型中使用的一种层，尤其是卷积神经网络（CNN），该卷积模型（CNN）旨在处理结构化的网格数据，例如图像。VGG架构中的深卷积层已被广泛用于深膜检测。vgg模型已经使用了诸如VGGFace（Ghazi和Ekenel，2016年）之类的方法，以提取深层操作带来的高级面部特征和斑点差异（Chang等人，2020）。
给兽医的常规预防措施建议......
WSAVA 疫苗接种指南小组 (VGG) 已向兽医明确建议使用犬肠道冠状病毒疫苗，该疫苗在某些地区市场有售。此建议可在资源页面上找到，但值得在此重申的是，绝对没有任何科学依据表明这种疫苗（VGG 将其归类为“不推荐”用于预防肠道感染）可以提供针对 SARS-COV-2 的任何交叉保护。兽医绝不能推荐或使用含有犬肠道冠状病毒的疫苗，误以为它们可能会在狗身上诱发对 SARS-COV-2 的免疫力。同样的意见也适用于使用在某些国家/地区提供的猫传染性腹膜炎 (FIP) 疫苗（WSAVA 也将其归类为“不推荐”）。
低分辨率上的鱼类鉴定 - 一项具有增强的超级分辨率生成对抗网络（ESRGAN），YOLO和VGG -16
迫切需要对摄像机镜头的鱼类物种的智能检测和识别模型，因为填充物有助于世界经济的很大一部分，这些高级模型可以大规模帮助填充。这种包含拾取机器的模型可以有益于在不干预的情况下批量排序不同的鱼类，这显着降低了大规模杂种行业的成本。现有用于检测和识别鱼类物种的方法具有许多局限性，例如有限的可伸缩性，检测准确性，未能检测到多种物种，以较低分辨率降解性能，或者指出了最佳位置的确切位置。可以使用具有预训练的权重的引人注目的深度学习模型的头部，即VGG-16，可用于检测曲面的物种，并通过实现修改的YOLO来找到图像中的确切位置，以结合边界盒回归标题。我们提出了使用ESRGAN算法和提出的神经网络来扩大图像分辨率4的因子。使用此方法，已经获得了96.5％的总体检测准确性。该实验是根据分布在9种的9460张图像的基础上进行的。进一步改进了模型后，可以集成拾取机器以根据其物种在不同大规模的工业中的物种快速分类。
使用automl -http
建筑神经体系结构通常需要在机器学习领域的专业知识，在该领域中，需要对模型建设的过程拥有广泛的知识和复杂性。自动化机器学习（AUTOML）算法，旨在简化此过程，并根据给定数据集自动构建模型体系结构。 本论文研究了针对卷积神经网络（CNNS）Resnet 50，InceptionV 3和VGG 16的Autokeras（一种汽车算法）的性能，以实现面部情感识别的任务（FER）。 CNN由于其专门的空间学习架构而经常用于FER任务。 使用转移学习作为本文的主要方法，杠杆培训了CNN的预训练的成像网架构。 所有预训练的层都被冷冻，并且完全连接的层和分类层例外。 然后，在面部表情情绪的瓦阿赫加数据集上对他们进行培训。 Autokeras在同一数据集上进行了培训，但是它是其自己的预处理和模型构建形式。 结果表明，与三个CNN体系结构相比，汽车的性能出色，返回F 1分数为0。 82，而CNN返回得分为0。 41，0。 53和0。 62分别为50，InceptionV 3和VGG 16。 结果展示了汽车和CNN体系结构之间的大量学习差距，突显了汽车作为当今广泛使用的传统机器学习方法的潜在竞争者。自动化机器学习（AUTOML）算法，旨在简化此过程，并根据给定数据集自动构建模型体系结构。本论文研究了针对卷积神经网络（CNNS）Resnet 50，InceptionV 3和VGG 16的Autokeras（一种汽车算法）的性能，以实现面部情感识别的任务（FER）。CNN由于其专门的空间学习架构而经常用于FER任务。使用转移学习作为本文的主要方法，杠杆培训了CNN的预训练的成像网架构。所有预训练的层都被冷冻，并且完全连接的层和分类层例外。然后，在面部表情情绪的瓦阿赫加数据集上对他们进行培训。Autokeras在同一数据集上进行了培训，但是它是其自己的预处理和模型构建形式。结果表明，与三个CNN体系结构相比，汽车的性能出色，返回F 1分数为0。82，而CNN返回得分为0。41，0。53和0。62分别为50，InceptionV 3和VGG 16。结果展示了汽车和CNN体系结构之间的大量学习差距，突显了汽车作为当今广泛使用的传统机器学习方法的潜在竞争者。
智能城市监视：Edge Technology Face识别机器人深度学习基于A. Medjdoubi*，M。Meddeber，K。Yahyaoui精确科学学院
在当代背景下，加强安全和安全措施的必要性变得越来越明显。鉴于技术进步的快速发展，智能和有效的监视解决方案的发展引起了人们的极大兴趣，尤其是在智慧城市（SC）领域。监视系统已随着边缘技术（ET）的出现，物联网（IoT）和深度学习（DL）的出现而改变，以成为SC的关键组成部分，尤其是面部识别的领域（FR）。这项工作推出了基于ESP32-CAM微控制器的智能监视汽车机器人，再加上结合了DL模型和传统算法的FR模型。使用HAAR-CASCADE（HC）算法进行面部检测，而特征提取依赖于提议的卷积神经网络（CNN）和预测的DL模型，即VGG和Resnet。分类是通过两种不同的算法进行的：天真的贝叶斯（NB）和K-Nearest邻居（KNN）。验证实验证明了包括HC，VGG和KNN的复合模型的优势，分别在LFW，AR和ORL数据库中达到了92.00％，94.00％和96.00％的准确率。此外，监视汽车机器人表现出实时响应能力，包括电子邮件警报通知，并在自定义数据库中拥有99.00％的出色识别精度率。此ET监视解决方案提供了能源效率，便携性，远程可访问性和经济负担能力的优势。
关于帮助和指导视障人士的人工智能和基于视觉的方法的最新进展的调查
方法 % 至论文参考。到论文 SLAM 16.7 [ 19 , 26 , 29 , 38 , 40 ] 编码器/解码器 16.7 [ 22 , 28 , 40 , 46 , 48 ] RANSAC 16.7 [ 23 , 24 , 26 , 29 , 47 ] A* 16.7 [ 19 , 25 , 26 , 29 , 30 ] 卡尔曼滤波器 16.7 [ 23 , 25 , 26 , 30 , 39 ] YOLO 16.7 [ 32 , 33 , 35 , 42 , 45 ] VGG 13.3 [ 25 , 28 , 36 , 44 ] Inception 10 [ 37 – 39 ] 特定算法 20 [ 28 , 30 , 41 , 42 , 47 , 48 ]