XiaoMi-AI文件搜索系统
World File Search Systemvoxel
一种用于AEM认知3D地质体素建模的方法......
将电阻率与岩性联系起来并非易事。因此，充分利用这些数据仍然具有挑战性。在进行成功的地质解释和构建合理的 3D 地质模型之前，必须考虑许多限制。在本文中，我们提出了一种 AEM 数据 3D 地质建模方法，其中将限制与认知和知识驱动的数据解释一起考虑。建模是通过使用体素建模技术和为此目的开发的工具迭代执行的。基于 3D 电阻率网格，这些工具允许地质学家选择定义 3D 模型中任何所需体积形状的体素组。八叉树建模的最新发展确保使用有限数量的体素进行精确建模。
AEM 数据的认知三维地质体素建模方法
摘要 航空电磁 (AEM) 数据已被证明可用于近地表地质测绘，而且在世界范围内收集的数据越来越多。然而，将测量的电阻率数据转换为岩性数据并不是一件简单的任务。因此，充分利用这些数据仍然具有挑战性。在进行成功的地质解释和构建合理的 3D 地质模型之前，必须考虑许多限制。在本文中，我们提出了一种对 AEM 数据进行 3D 地质建模的方法，其中将这些限制与认知和知识驱动的数据解释一起考虑。建模是通过使用体素建模技术和为此目的开发的工具迭代执行的。基于 3D 电阻率网格，这些工具允许地质学家选择定义 3D 模型中任何所需体积形状的体素组。八叉树建模的最新发展确保使用有限数量的体素进行精确建模。
超越体素预测的不确定性：识别值得信赖的脑损伤
摘要。深度神经网络已成为自动分割 3D 医学图像的黄金标准方法。然而，由于缺乏对提供的结果进行可理解的不确定性评估，临床医生仍然无法完全接受它们。大多数量化不确定性的方法，例如流行的蒙特卡罗 dropout，都限制了体素级预测的某种不确定性。除了与真正的医学不确定性没有明确的联系外，这在临床上也不令人满意，因为大多数感兴趣的对象（例如脑病变）都是由体素组组成的，而体素组的整体相关性可能不会简单地归结为它们各自不确定性的总和或平均值。在这项工作中，我们建议使用创新的图形神经网络方法超越体素评估，该方法由蒙特卡罗 dropout 模型的输出训练而成。该网络允许融合三个体素不确定性估计量：熵、方差和模型置信度；并且可以应用于任何病变，无论其形状或大小如何。我们证明了我们的方法在多发性硬化症病变分割任务中的不确定性估计的优越性。
大脑年龄预测：使用基于区域和体素的形态学数据
图1基于区域和体素的SVR，RVR和GPR模型的MAE具有或没有PCA的GPR模型，训练集大小与机会水平相比（7.5岁；黑色虚线）。显示了CV（站点1）和独立测试集（站点2; Blue Line）中的训练（红线）和测试集（绿线）中的性能（绿线）。使用Bootstrap分析计算了不同数据集的置信区间（阴影区域）。请注意，自举训练样本被选择为年龄和性别的年龄和性别，大小增加，最少有一个男人和一个女性，最多一个男性，最多有20名男性和20名女性。对于带有PCA的基于体素的模型，无法评估具有<150个受试者的数据集，因为PCA算法比主要组件需要更多的样本。此外，由于有限的时间和计算资源
纤维束成像中的瓶颈问题 - -ORCA - 卡迪夫大学
图 1 命名法。两个束，即 UF 和 IFOF，用于突出显示体素（a – e）和体素内的固定单元的分类。a 和 b 中的体素是单固定单元体素和单束体素以及单束固定单元的示例。由于 UF 和 IFOF 在体素 c 中分歧，因此这是多固定单元体素和多束体素的示例，其中一个固定单元被归类为单束固定单元，另一个被归类为多束固定单元。体素 d 突出显示 IFOF 的扇形化，这导致多固定单元体素和单束体素，并且两个固定单元都是单束固定单元。最后，IFOF 和 UF 都以相同的方向穿过体素 E，因此体素 e 是一个单方向体素，但也是一个多束体素，也是一个多束固定体素。这个固定体素，以及这个体素，代表了纤维束成像的瓶颈
一种用于精确脑功能映射的启发式信息聚类搜索方法
图 3 (a) 与 ICS 算法相比，探照灯程序的步骤和输出的说明。灰色体素是探照灯方法中的搜索球中心体素，也是 ICS 算法中的起始体素。此示意图中探照灯的半径是一个体素，探照灯球的信息（每个球体用特定颜色表示）被分配给球体中心的体素，也就是说，输出图中的每个体素都具有与其搜索球相同的颜色（信息）。另一方面，ICS 方法的输出是一组通过数据驱动的启发式方法从起始体素扩展而来的聚类。每个聚类的信息都用特定的颜色表示。(b) 左：ICS 创建的重叠聚类的示例说明。右：单独描绘的相同聚类。黑点表示的体素是起始体素 vs，根据判别分析启发式方法进行扩展，从而为每个聚类得出特定的判别分数
UC旧金山先前出版的作品
图1分别来自美食群和较差的结果组的两只P11低氧缺血（HI）小鼠的超极化13 C光谱。（a）在良好结果组的HI小鼠中，在15 s中所选体素（（c）中的蓝色正方形）的顺序光谱的堆栈图。（b）在美食组中，在HI鼠标中，在8 s处的选定体素（（c）中的蓝色正方形）的单个光谱。（c）T2加权的磁共振（MR）良好结果组的HI小鼠图像。没有可见的脑损伤（T2分数为0）。用于绘制光谱的选定体素（蓝色正方形）覆盖了左灰色核（putamen）和皮层的区域。（d）在不良结果组的HI小鼠中，在15 s中，所选体素（蓝色正方形）的顺序光谱的堆栈图。（e）在不良结果组的HI小鼠中，位于8 s的选定体素（蓝色正方形）的单个光谱。（f）T2加权的MR图像来自不良结果组的HI小鼠。有轻度高强度的脑损伤（T2分数为5；红色箭头）。用于绘制光谱的选定体素（蓝色正方形）放置在覆盖左灰色核（putamen）和皮层的脑损伤区域。
自适应空间基础架构的可部署cuboctahedron
摘要 - 对月球，火星及其他地区的开发任务需要多个空间基础设施。但是，将材料发送到太空的成本很高。一种缓解这种成本的方法是使用自适应基础架构，该基础架构可能利用可以根据相关环境和任务需求组装，拆卸并重新组装成多种机械结构的离散构件。的确，NASA可自动化的可重新配置自适应系统（ARMADAS）项目正在采用这种方法。由Armadas Engineers选择的离散建筑组件是Cuboctaheron，或更简单的“ Voxel”作为体积像素。体素轻巧且简单，并组装成具有高刚度和稳定性的可编程机械超材料结构。然而，完整体素的运输保持体积较大，并且在体内的制造体积为系统增加了显着的复杂性。在此，我们引入了一个Cuboctoctahedron Voxel设计，该设计在运输过程中压缩到其部署体积的35％，并在其目的地处于其扩展状态下被动锁，然后可以组装许多体素。受Hoberman Sphere的启发，Voxel设计用于使用一维力输入部署。我们进一步确认新的可部署体素与现有的Armadas组装代理兼容。索引术语 - 改变形状的机器人，变形机器人，模型基础设施，可重构基础架构
co-OCC：耦合显式特征融合与体积渲染多模式3D语义占用预测的正规化 - 补充材料
图1（a）说明了对外部参数不准确引起的对齐图像和点云的挑战。很难实现直接的几何对齐。要解决因未对准而导致的错误的积累，我们提出了GSFusion。此方法搜索附近的功能，以确保几何和语义对齐，从而使每个LiDAR Voxel功能能够与融合过程中的K相邻升起的像素特征进行交互。这扩大了感知字段，从而使图像和点特征更全面，更强大。此外，图。1（b）突出显示了激光点云的稀疏性对与摄像机相互作用的影响。为了解决这个问题，渲染过程可确保LIDAR功能，相机功能或LIDAR相机功能的密集表示，如图1（c）。这确保了足够的体素相互作用并提高整体性能。
基于激光雷达的强度感知室外3D对象检测
摘要：基于激光雷达的3D对象检测和定位是自动导航系统的关键组成部分，包括自动驾驶汽车和移动机器人。大多数基于LIDAR的3D对象检测和定位方法主要使用LIDAR点云中的几何或结构特征抽象。但是，由于不利的天气条件或高度散射培养基的存在，这些方法可能会因环境噪声而易受环境噪声。在这项工作中，我们提出了一个强度感知的体素编码器，用于鲁棒3D对象检测。提出的体素编码器生成了一个强度直方图，该强度直方图描述了体素内点强度的分布，并用于增强体素特征集。我们将此强度感知的编码器集成到有效的单级体素检测器中，以进行3D对象检测。使用Kitti数据集获得的实验结果表明，我们的方法相对于3D检测中的CAR对象的最新方法，从鸟类的视图和行人和环体对象获得了可比的结果。此外，我们的模型可以在推理期间达到40.7 fps的检测率，该检测率高于最新方法的检测率，并产生较低的计算成本。