XiaoMi-AI文件搜索系统
World File Search System分割
使用4D雷达和视觉融合增强了3D对象检测，并进行分割辅助
4D雷达对复杂的照明和不利天气条件表现出鲁棒性，与3D目标检测相比提供了独特的数据特征。但是，由于4D雷达点云的稀疏性，大多数3D目标检测算法的性能受到限制。为了解决这个问题，本文提出了一个基于细粒点云segmentation的3D对象检测模型。我们的方法首先使用雷达参考点模块丰富了点云数据，以补偿其稀疏性。然后将点云呈现，并通过简单的分割网络提取语义信息。最后，通过使用注意机制融合点云特征和半信息来实现3D对象检测。在VOD数据集上进行的广泛实验表明，我们的模型达到了平均平均精确度（MAP），比验证集的基线高5％，自行车的4％显着提高，山雀的改善为8％。这些结果通过基于激光雷达的模型缩小了性能差距，突出了我们分割辅助检测方法的效果。源代码可在https://github.com/huniki/rvasanet.git.git
边缘感知的双分支网络用于核实例分割
摘要 - 在移动医疗保健和远程诊断中，核分割是病理分析，诊断和分类的关键步骤，需要实时处理和高准确性。然而，核大小，模糊轮廓，不均匀染色，细胞聚类和重叠的细胞的变化阻碍了精确的分割。此外，现有的深度学习模型通常以增加复杂性的成本优先考虑准确性，从而使其不适合资源有限的边缘设备和现实世界部署。为了解决上述问题，我们提出了一个边缘感知的双分支网络，用于核实例分割。网络同时预测目标信息和目标轮廓。在网络中，我们提出了一个上下文融合块（CF-block），该融合块有效地从网络中提取和合并了上下文信息。加法 - 我们引入了一种后处理方法，该方法结合了目标信息和目标轮廓，以区分重叠的核并生成实例分割图像。进行了广泛的定量评估，以评估我们方法的性能。实验结果表明，与BNS，Monuseg和CPM-17数据集的最新方法相比，该方法的出色性能。索引术语 - 努塞鲁斯细分，移动医疗保健，实体细分，医学成像，双支分支网络
glioseg 的验证：实现稳健的胶质瘤分割
在实习期间，您将通过广泛的验证协议评估 Glioseg 的稳健性，其中包括分析管道中使用的各个分割模型的输出，并探索各种标签融合策略以组合这些输出。目标是实施和比较几种融合策略（从简单到更高级的策略），并找到提高分割准确性的最佳策略。在评估阶段，您将使用来自胶质瘤患者的扫描的保留数据集，其中将提供两位专家评估者的分割结果。这项工作将有助于提高管道的稳健性，并可能为脑肿瘤分析带来更好的临床应用。对于这个项目，拥有一些基本的 Python 编程和深度学习经验很重要。
主论文提案强化学习用于分割分析和组装CAD模型
计算机辅助设计（CAD）在现代工程中起着至关重要的作用，从而可以创建复杂的数字模型。有效地分析和将这些CAD模型分为其组件部分对于在制造，组装自动化和质量控制中的应用至关重要。机器和深度学习的最新进展促进了特征提取，分割，零件分类，反向工程和相关操作。，通常，即使是高级机器学习方法，也需要有效培训大型数据集。
ecseg：自动驾驶汽车的边缘云切换图像分割
摘要 - 由于较长的车辆到云通信延迟，因此存在的自动驾驶汽车尚未利用云计算来执行其深度学习的驾驶任务。同时，这些车辆通常配备了资源受限的边缘计算设备，这些设备可能无法实时执行计算密集的深度学习模型。商业移动网络的数据传输速度的提高阐明了将云计算用于自动驾驶的可行性。我们的城市规模的现实世界测量结果表明，车辆可以通过低数据传输延迟的第五代（5G）移动网络部分使用云计算。在本文中，我们介绍了ECSEG的设计和实现，ECSEG是一个边缘云的切换图像分割系统，该系统在边缘和云之间动态切换，以实现基于深度学习的语义分割模型，以实时了解车辆的视觉场景。由于各种因素之间的复杂相互依存关系，包括动态无线通道状况，车辆的运动和视觉场景变化，因此开关决策具有挑战性。为此，我们采用深度强化学习来学习最佳的切换政策。基于现实世界实验和痕量驱动模拟的广泛评估表明，与四种基线方法相比，ECSEG可以实现自动驾驶汽车的卓越图像分割精度。
贝叶斯相似度加权聚合用于联合脑肿瘤分割
度量贝叶斯+UCB SimAgg RegAgg 模拟时间（小时） 47.45 78.14 78.13 预计收敛分数 0.7264 0.7273 0.7227 DICE 标签 0 0.9977 0.9978 0.9980 DICE 标签 1 0.6844 0.6657 0.6561 DICE 标签 2 0.7257 0.6430 0.6665 DICE 标签 4 0.7464 0.7603 0.7313
MRI脑肿瘤使用深度学习进行分割。
歧视方法试图提取区分特征，然后是分类器以进行分类[3]。例如，Dandil等。[4]使用基于图像强度特征的空间模糊c均值（FCM）分类器，以达到0.91的精度，0.91灵敏度的灵敏度和0.95的敏感性对于“ WT”段。Tustison等。[5]研究了不同的特征，包括强度，几何和不对称特征，提取了多种MRI模态。基于与不对称相关的特征的随机森林分类器在Brats 2013数据库[6]中获得了最佳性能[6]，即“ WT”，“ TC”，“ TC”和“ ET”组件的DSCS为0.87、0.78和0.74。然而，歧视方法依赖于提取特征的质量，这可能并不能很好地代表肿瘤分割问题。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
明尼苏达大学明尼苏达超级计算研究所 1 ；明尼苏达大学共济会大脑发育研究所 2 ；圣路易斯华盛顿大学神经病学、儿科学、放射学和精神病学系 3 ；北卡罗来纳大学教堂山分校精神病学系 4 ；芝加哥大学心理学系 5 ；密歇根大学 6 ；PrimeNeuro 7 ；俄勒冈健康与科学大学 8 ；明尼苏达大学神经病学系 9 ；明尼苏达大学儿童发展研究所 10 ；明尼苏达大学儿科学系 11 ；明尼苏达大学放射学系 12 ，明尼苏达大学磁共振研究中心 13 ，乔治城大学大脑可塑性和恢复中心 14
测试同型加密分割模型LLMS的鲁棒性
摘要。时锁拼图是独特的加密原始图，它使用计算复杂性将信息保密在一段时间内保持秘密，此后安全性到期。不幸的是，在引入的二十五年之后，当前的时间锁定原料的分析技术没有提供合理的机制来构建多方加密原始的原始系统，这些密码原始的原始系统将到期的安全性用作建筑块。正如在同行评审的文献中重新指出的那样，当前对此问题的尝试缺乏合成性，完全一致的分析或功能。本文介绍了一个新的基于理论的复杂性框架和新的结构定理，以分析具有完整通用性和组成的定时原则（这是中央模块化协议设计工具）。该框架包括一个基于细粒度的复杂性的安全模型，我们称之为“剩余复杂性”，该模型可能会在定时原语上泄漏。我们针对多方计算协议的定义通过考虑细粒度的多项式电路深度来概括文献标准，以模拟可行时间到期的计算硬度。我们的组成理论依次又导致（细粒度）安全性降解，因为项目的组成。在我们的框架中，模拟器具有计算深度的多项式“预算”，在组成中，这些多项式相互作用。最后，我们通过典型的拍卖应用演示如何应用我们的框架和定理。在第一次，我们证明可以以完全一致的方式证明，具有虚假的假设 - 基于漏水，温和安全的组件的多方应用程序的属性。因此，这项工作显着地将可证明的密码学扩展到了独立的任意多项式安全性的世界，再到经常出现在实践中的小时域的领域，在实践中，组件的安全性到期，而较大的系统仍然安全。
使用机器学习的图像进行分割
摘要：在计算机视觉领域，图像分割通过将复杂的图像划分为不同的段或区域，从而起着至关重要的作用。此过程可以对各种应用程序进行更深入的分析和对视觉数据的理解。我们的项目着重于通过最先进的机器学习技术来推进图像细分。通过利用深度学习，尤其是U-NET及其变体等卷积神经网络（CNN），我们的方法旨在实现高度精确的细分。除了单纯的像素分类之外，我们的目标是生成复杂的面具，以准确描述每个图像中的边界和结构。这项努力不仅旨在实现技术卓越的目标，而且还努力模仿类似人类的知觉，确保我们的模型可以有效地处理多样化和细微的视觉信息。