XiaoMi-AI文件搜索系统
World File Search System分割
vo-norvana：有效分割的多功能框架...
1俄勒冈州立大学土木与建筑工程学院助理教授（高级研究），俄勒冈州立大学101号，科尔瓦利斯SW校园之路1491号，俄勒冈州科瓦利斯。电子邮件：erzhuo.che@oregonstate.edu 2俄勒冈州立大学民用与建筑工程学院教授，101 Kearney Hall，1491 SW Campus Way，Corvallis，Corvallis，97331。电子邮件：michael.olsen@oregonstate.edu
虹膜识别的分割级融合 - FastPass
摘要 — 本文探讨了在特征提取之前在规范化/分割级别进行融合的潜力。虽然在数据/特征级别、分数级别和等级/决策级别有几种生物特征融合方法，结合了原始生物特征信号、分数或等级/决策，但这种类型的融合仍处于起步阶段。然而，对更宽松、侵入性更小的记录条件的需求日益增加，尤其是对于移动虹膜识别，这表明需要进一步研究这种非常低级别的融合。本文重点介绍虹膜生物特征系统的多分割融合方法，研究结合多种规范化算法的分割结果的好处，在公共 CASIA 和 IITD 虹膜数据集上使用两种不同的公共虹膜工具包 (USIT、OSIRIS) 中的四种方法。基于识别准确度和地面实况分割数据的评估表明，分割算法所犯的错误类型具有很高的敏感性。
ULTRACOLD SR ATOMS - 时间和频率分割
超冷物质的量子态工程和光场的精确控制共同实现了对光与物质相互作用的精确测量，可用于基础物理的精密测试。最先进的激光器可在一秒钟内保持光相位相干性。光频梳将这种光相位相干性分布在电磁波谱的整个可见光和红外部分，从而可以直接可视化和测量光波纹。同时，被限制在光学晶格中的超冷原子在两个时钟状态之间具有零差分交流斯塔克位移，这使我们能够在增强时钟信号的同时最大限度地减少量子退相干。对于 87Sr，我们在 698 nm 的 ISO _ 3 Po 双禁戒时钟跃迁中实现了 >2.4 x 10 14 的共振品质因数 [1]。这款新时钟的不确定度已达到 1 x 10。16，其不稳定性接近 1 x 10。1 秒时为 1:5 [2]。这些发展代表了超冷原子、激光稳定和超快科学的显著融合。进一步的改进仍然令人着迷，量子测量和精密计量相结合，探索下一个前沿。
使用基于边距的标签平滑校准分割网络
尽管深度神经网络推动了视觉识别任务的进步，但最近的证据表明，这些模型校准不佳，导致预测过于自信。在训练期间最小化交叉熵损失的标准做法促使预测的 softmax 概率与独热标签分配相匹配。然而，这会产生正确类别的预 softmax 激活，该激活明显大于其余激活，从而加剧了校准错误问题。最近从分类文献中观察到，嵌入隐式或显式最大化预测熵的损失函数可产生最先进的校准性能。尽管有这些发现，但这些损失在校准医学图像分割网络的相关任务中的影响仍未得到探索。在这项工作中，我们提供了当前最先进的校准损失的统一约束优化视角。具体来说，这些损失可以看作是线性惩罚（或拉格朗日项）的近似值，对 logit 距离施加了等式约束。这指出了这种底层等式约束的一个重要限制，其随后的梯度不断推向无信息解决方案，这可能会阻止在基于梯度的优化过程中在判别性能和模型校准之间达到最佳折衷。根据我们的观察，我们提出了一种基于不等式约束的简单而灵活的泛化方法，它对 logit 距离施加了一个可控的边际。在各种公共医学图像分割基准上进行的全面实验表明，我们的方法在网络校准方面为这些任务设定了新的最先进的结果，同时判别性能也得到了改善。代码可在 https://github.com/Bala93/MarginLoss 获得
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。
使用实例和实体中心分割损失函数
在本文中，我们提出了一种新型的两组分损失，用于生物医学图像分割任务，称为实例和实例中心（ICI）损失，这是一种损失函数，在使用像素损失功能（例如骰子损失）时，通常会遇到实例不平衡问题。实例组件改善了具有大型和小实例的图像数据集中的小实例或“斑点”的检测。实体中心组件提高了整体检测准确性。我们使用ATLAS R2.0挑战数据集的Miccai 2022。与其他损失相比，ICI损失提供了更好的平衡分段，并以改进1的改善而显着超过了骰子损失。7-3。7％，斑点损失为0。6-5。0％的骰子相似性系数在验证和测试集中，这表明ICI损失是实例不平衡问题的潜在解决方案。关键字：实例和实体中心细分损失，细分损失。
基于CNN和阈值分割的脑肿瘤检测模型
这项研究提出了针对大脑图像的基于全球阈值的机器学习算法。对于每个段，该网络使用各种补丁大小和决策树收集多尺度数据，从而确保该方法捕获了准确的分割信息。对于该方法，只需要一个解剖学MR图像。此方法获得了De-Noise图片和清洁图像数据。脑功能障碍的主要原因包括脑部疾病或恶性肿瘤。肿瘤是一块很小的脑组织，无法控制地生长。世界上大多数人口都患有脑部疾病，近100亿人从脑肿瘤中丧生（Cha，2006）。这是大脑的MRI。找到肿瘤，使用MRI扫描。由于分段和
分割不确定性定量的心形模型
心脏图像的分割是许多患者特定计算管道的可变组成部分，但其对模拟结果的影响仍未得到充分了解。探索赛车变异性影响的障碍是建立心室统计形状模型的技术挑战。在这项研究中，我们通过创建一个统一的形状模型（包括心外膜和eCardium），改善了以前的形状分析。我们在Shapeworks中测试了四种技术，以生成心室形状模型：标准，多体，混合，混合多域和地球距离。使用所有11个分割的多域和混合多域生成了形状模型，而Geodesic距离方法使用四个分段的子集生成了形状模型。每个形状模型在分段变异性的空间依赖性特征上，包括壁厚，环直径和基础截断。虽然三种方法中的每一种都有好处，但混合多域方法为最精确的形状模型提供了最少的点，并且在大多数应用中可能最有用。
胎儿脑组织注释和分割挑战赛结果
Kelly Payette a , b , * , Hongwei Bran Li c , d , Priscille de Dumast e , f , Roxane Licandro g , h , Hui Ji a , b , Md Mahfuzur Rahman Siddiquee i , j , Daguang Xu j , Andriy Myronenko j , Liu Kang , Peng Wang , Lichen Ying l , Juanying Xie l , Huiquan Zhang l , Guiming Dong m , Hao Fu m , Guotai Wang m , ZunHyan Rieu n , Donghyeon Kim n , Hyun Gi Kim o , Davood Karimi p , Ali Gholipour p , Helena R. Torres q , r , s , t , Bruno t , Bruno t , L ˜ a t . Vilaça q , Yang Lin u , Netanell Avisdris v , w , Ori Ben-Zvi w , x , Dafna Ben Bashat w , x , y , Lucas Fidon z , Michael Aertsen aa , Tom Vercauteren z , Daniel Sobotka ab , Georg Langs ab , Mireia Aleny ` a acda Maria Inmacula , Oscar Belle a Specktor Fadida v , Leo Joskowicz v , Liao Weibin af , Lv Yi af , Li Xuesong af , Moona Mazher ag , Abdul Qayyum ah , Domenec Puig ag , Hamza Kebiri e , f , Zelin Zhang ai , Xinyi Xu ai , Dan Wu ai , Kuan Wu aj , Jian Jian , Jian Yuz hi Xu ai , Li Zhao ai , Lana Vasung ak , al , Bjoern Menze c , Meritxell Bach Cuadra e , f , Andras Jakab a , b , am
SFS-A68：公寓空间功能分割数据集
摘要。分析建筑模型的可用面积、建筑安全性或能源分析需要空间和相关对象的功能分类数据。自动化空间功能分类有助于减少输入模型准备工作量和错误。现有的空间功能分类器使用空间特征向量或空间连通性图作为输入。深度学习 (DL) 图像分割方法在空间功能分类中的应用尚未被研究。作为解决这一差距的第一步，我们提出了一个数据集 SFS-A68，它由 68 个公寓楼空间布局的数字 3D 模型生成的输入和地面真实图像组成。该数据集适用于开发用于空间功能分割的 DL 模型。我们使用该数据集训练和评估基于迁移学习和从头开始训练的实验空间功能分割网络。测试结果证实了 DL 图像分割对空间功能分类的适用性。