XiaoMi-AI文件搜索系统
World File Search System像素
800 万像素 CCD 显微镜科研相机
a. 使用具有“接口”选项卡上列出的推荐规格的计算机时，指定的性能有效。b. 曝光时间随操作模式而变化；使用外部触发器时，曝光时间可能短于 1 毫秒。c. ADC = 模拟数字转换器 d. ADU = 模拟数字单元 e. 相机帧速率受垂直硬件分级参数的影响。对于彩色相机，当 ThorCam 中的图像类型设置不是“未处理”时，仅 1 x 1 分级可用。设置为“未处理”时，相机最多可以分级 24 x 24，但生成的图像将是单色的。f. 如果您的应用程序受读取噪声限制，我们建议使用较低的 CCD 像素时钟速度 20 MHz。有关读取噪声的更多信息，以及如何估计总相机噪声限制因素的示例，请参阅相机噪声选项卡。
使用具有像素变化检测的深信信矛盾神经网络对MRI进行有效的脑肿瘤分类
脑肿瘤是一种癌症，其中大脑中的组织在大脑中迅速而不均匀地生长，并对人类生命造成巨大威胁。脑肿瘤被认为是成年人中常见可怕的癌症之一，它也会影响儿童。这种癌症分为两种类型，例如良性肿瘤和恶性肿瘤。然而，良性肿瘤是可以治愈的，而恢复受恶性肿瘤影响的患者的生存机会较小。如今，通常使用MR图像来检测脑肿瘤的种类。早期分类和肿瘤的鉴定对于治疗肿瘤并从早期死亡中挽救了人类生命很重要。然而，使用术前和术后MR图像的脑肿瘤分类和变化检测百分比是一项非常具有挑战性的任务。为了克服此类问题，这项研究提出了一种新的有效技术，用于使用拟议的深信念网络（DBN） +深卷积神经网络（DCNN）来确定像素变化检测。该过程涉及四个阶段，例如预处理，分割，特征提取和分类。DBN + CNN的组合用于基于错误函数的决策。DBN + CNN通过开发的横梁算法进行了训练。此外，提出的方法的最大准确度为0.957，灵敏度为0.967，特异性为0.918。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
将 ALPIDE 像素传感器芯片嵌入高能粒子探测器空间模块的热/机械设计
摘要。高能粒子探测器 (HEPD) 模块用于测量地球磁层中捕获的电子和质子通量的倾斜角和能量，能量分别为 3-100 MeV 和 30-300 MeV。由于 CSES-02 卫星的发射，改进 HEPD 的一个有趣选择是为跟踪模块配备 ALPIDE 单片有源像素，该像素是专门为 CERN 的 ALICE 实验的 ITS 升级而开发的。在这项工作中，我们提出了一个模块化紧凑型粒子跟踪器项目，该跟踪器由 5 个转塔组成，利用配备混合集成电路 (HIC) 的 150 像素传感器，并由安装在铝制外壳中的碳纤维增强塑料 (CFRP) 板条支撑。所有设想的解决方案都经过了严格的资格测试，涉及振动和热应力。 HEPD-02 跟踪器项目预示着 CFRP 将大规模应用于科学和探索性质的太空计划。
大型零件线+弧增材制造的新型路径规划策略概念：像素
摘要：针对线弧增材制造 (WAAM)，我们提出并实施了一种创新轨迹策略，该策略适用于不同的、更复杂的几何形状，而非单一解决方案。这种名为 Pixel 的策略可定义为一个复杂的多任务程序，用于执行优化的路径规划，其操作通过计算算法（启发式算法）进行，具有可访问的计算资源和可容忍的计算时间。模型层被分成方形网格，一组点系统地生成并分布在切片轮廓内，类似于屏幕上的像素，轨迹在此规划。Pixel 策略基于从旅行商问题 (TSP) 技术创建轨迹。与现有算法不同，Pixel 策略使用经过调整的贪婪随机自适应搜索程序 (GRASP) 元启发式算法，并由作者开发的四个并发轨迹规划启发式算法辅助。交互从随机初始解决方案（全局搜索）和后续迭代改进（局部搜索）提供连续轨迹。在所有循环之后，定义一条轨迹并用机器代码编写。实施计算评估以证明每种启发式方法对最终轨迹的影响。最终使用两种不同的不易打印的形状进行了实验评估，以证明所提策略的实际可行性。
欧洲XFEL小型量子系统仪器的1兆像素PNCCD检测器：系统和操作方面
在过去的十年中，X射线自由电子激光器（例如欧洲XFEL（Euxfel））都对其仪器提出了很高的要求。尤其是在低于1 KEV的低光子能量下，需要高灵敏度的检测器，因此需要低噪声和高量子效率，以使设施使用者能够充分利用光子源的科学电位。已安装并委托具有1024 1024像素格式的1百万像素PNCCD检测器，用于在Euxfel的小量子系统（SQS）仪器的纳米尺寸量子系统（NQS）站进行成像应用。该仪器目前在0.5至3 Kevand之间的能量范围内运行。NQS站设计，用于研究强烈的FEL脉冲与簇，纳米粒子和小型生物分子的相互作用，通过将照相离子和光电光谱与一致衍射成像技术结合在一起。成像检测器的核心是PN型电荷耦合器件（PNCCD），像素螺距为75 m m 75 m m。根据实验场景，PNCCD由于其非常低的电子噪声为3 e和高量子效率，因此可以对单个光子进行成像。在此概述了Euxfel PNCCD检测器以及2019年6月在SQS实验中的调试和第一次用户操作的结果。对探测器设计和功能的详细描述，在机械上和从控件方面的Euxfel实施以及重要的数据校正步骤旨在为用户提供有用的背景，以计划和分析Euxfel的实验，并可以作为比较其他费尔斯的终点站的基准。
使用像素γ校正的图像质量增强
冗余技术用于提高性能并实现以提高系统的寿命。如今，许多行业都应用了冗余方法。冗余的常见方法之一是其在开关系统中的利用。在交换系统中，一个或多个组件被视为活动模式，而其他组件则在待机状态下被视为开关，如有必要。为了充分利用冗余设备中的所有组件，开关单元必须完美地执行其功能，例如开关。用开关单元成功覆盖的范围以概率表示。在本文中，提出了一种新的开关成功可能性方法，并表明随着系统的增加，开关的效率和性能逐渐降低。该方法的分析基于应力强度方法。最后，应用了一些用于验证结果的数值示例。
SIGE BICMOS技术中整体硅像素原型的时间分辨率和功耗
摘要：SIGE BICMOS技术可用于生产超快速的低功率硅像素传感器，即使没有内部增益也可以提供最新的时间分辨率。此类传感器的开发需要识别和控制主要因素，这些因素可能会降低正时性能以及传感器时间分辨率对放大功率消耗的依赖性的表征。IHP微电子学中SG13G2技术在SG13G2技术中产生的原型传感器的90 SR源的测量表明，在7μA的放大电流下，在150μpS的放大电流下的时间分辨率为145 ps，功率为150μA。用于校正时间步行的信号时阈值测量的分辨率是影响该原型的时机性能的主要因素。
神经传感器：利用可编程传感器学习 HDR 成像和视频压缩感知的像素曝光
摘要——相机传感器依靠全局或滚动快门功能来曝光图像。这种固定功能方法严重限制了传感器捕捉高动态范围 (HDR) 场景和解决高速动态的能力。空间变化像素曝光已被引入作为一种强大的计算摄影方法，用于光学编码传感器上的辐照度并通过计算恢复场景的附加信息，但现有方法依赖于启发式编码方案和庞大的空间光调制器来光学实现这些曝光功能。在这里，我们引入神经传感器作为一种方法，以端到端的方式与可微分图像处理方法（例如神经网络）联合优化每像素快门功能。此外，我们展示了如何利用新兴的可编程和可重新配置的传感器处理器直接在传感器上实现优化的曝光功能。我们的系统考虑了传感器的特定限制来优化物理上可行的光学代码，我们在模拟和真实场景实验中评估了其快照 HDR 和高速压缩成像的性能。