XiaoMi-AI文件搜索系统
World File Search System分类图像
拉杰马哈尔煤田土地利用/植被覆盖测绘...
2.6.1 几何校正、纠正与地理参考 2.6.2 图像增强 2.6.3 训练集选择 2.6.4 签名生成与分类 2.6.5 在 GIS 中创建/叠加矢量数据库 2.6.6 分类图像的验证 2.6.7 最终土地利用/植被覆盖图的准备 3.0 土地利用/植被覆盖制图 18-31 3.1 简介 3.2 土地利用/覆盖分类 3.3 数据分析 3.3.1 植被覆盖 3.3.2 采矿区 3.3.3 农业用地 3.3.4 荒地 3.3.5 定居点 3.3.6 水体 4.0 结论与建议 32-33
拉杰马哈尔煤田土地利用/植被覆盖测绘...
2.6.1 几何校正、纠正与地理参考 2.6.2 图像增强 2.6.3 训练集选择 2.6.4 签名生成与分类 2.6.5 在 GIS 中创建/叠加矢量数据库 2.6.6 分类图像的验证 2.6.7 最终土地利用/植被覆盖图的准备 3.0 土地利用/植被覆盖制图 18-31 3.1 简介 3.2 土地利用/覆盖分类 3.3 数据分析 3.3.1 植被覆盖 3.3.2 采矿区 3.3.3 农业用地 3.3.4 荒地 3.3.5 定居点 3.3.6 水体 4.0 结论与建议 32-33
拉杰马哈尔煤田土地利用/植被覆盖测绘...
2.6.1 几何校正、纠正与地理参考 2.6.2 图像增强 2.6.3 训练集选择 2.6.4 签名生成与分类 2.6.5 在 GIS 中创建/叠加矢量数据库 2.6.6 分类图像的验证 2.6.7 最终土地利用/植被覆盖图的准备 3.0 土地利用/植被覆盖制图 18-31 3.1 简介 3.2 土地利用/覆盖分类 3.3 数据分析 3.3.1 植被覆盖 3.3.2 采矿区 3.3.3 农业用地 3.3.4 荒地 3.3.5 定居点 3.3.6 水体 4.0 结论与建议 32-33
拉贾马哈尔煤田土地利用/植被覆盖测绘...
2.6.1 几何校正、纠正和地理参考 2.6.2 图像增强 2.6.3 训练集选择 2.6.4 签名生成和分类 2.6.5 在 GIS 中创建/叠加矢量数据库 2.6.6 分类图像的验证 2.6.7 最终土地利用/植被覆盖图准备 3.0 土地利用/植被覆盖制图 18- 31 3.1 简介 3.2 土地利用/覆盖分类 3.3 数据分析 3.3.1 植被覆盖 3.3.2 采矿区 3.3.3 农业用地 3.3.4 荒地 3.3.5 定居点 3.3.6 水体 4.0 结论和建议 32-33
人工智能、3D 文档和岩画
摘要 岩画，最好被描述为岩石雕刻，是通过去除岩石表面的部分来产生负浮雕而产生的。这一传统在北欧青铜时代（公元前 1700 年 - 公元前 550 年）在斯堪的纳维亚南部尤为盛行，当时有超过 20,000 艘船只和成千上万的人、动物、马车等。这些生动且极具吸引力的材料提供了定量数据，对于了解青铜时代的社会结构和意识形态具有很高的潜力。提供技术上最好的记录以及自动识别和分类图像的能力将有助于充分利用斯堪的纳维亚南部和其他地方的岩画的研究潜力。因此，我们尝试使用更快的基于区域的卷积神经网络 (Faster-RCNN) 来训练一个模型，该模型基于一种新方法生成的数据来定位和分类图像对象，以改善 3D 记录内容的可视化。新创建的 3D 岩画记录层提供了目前可用的最佳数据，并且与旧方法相比减少了刻写偏差。我们根据输入图像训练了多个模型，这些输入图像上标注了使用不同参数生成的边界框，以找到最佳解决方案。数据包括 408 次岩画遗址扫描中的 4305 张单独图像。为了增强模型并丰富训练数据，我们使用了数据增强和迁移学习。成功的模型在船和圆圈以及人物和轮子上表现异常出色。这项工作是一项跨学科的事业，引发了对考古学、数字人文和人工智能的重要思考。经过训练的模型所代表的思考和成功为未来的岩画研究开辟了新途径。
人工智能为何失败：视差 - 杨伟凯
摘要《人工智能为何失败：视差》是“人工智能为何失败”系列中的一个互动视觉艺术装置。这件作品旨在通过滑动屏幕展示人工智能从无法解释的“黑匣子”到可解释的“白匣子”的转变。其目的是让人们，无论他们对人工智能的了解程度如何，都能直观地理解人工智能错误分类背后的原因。通过与滑动屏幕交互，用户可以点击他们感兴趣的错误分类图像，探索影响分类的主要因素。他们还可以比较有偏见的人工智能实例和正常的人工智能实例之间的数据和模型差异。这个装置是跨越技术差距的桥梁。与各种AI模型集成，帮助艺术家和设计师更深入地了解AI如何做出与艺术设计风格、特征、图像、材料、音乐节奏、旋律和和弦相关的决策。
CRISPR-CAS9及以后：植物基因组的下一步...基于注意力指导深度学习模型
摘要癌症是全球死亡的第二大原因。脑肿瘤每四个癌症死亡中的一分之一。 提供准确及时的诊断可能会导致及时治疗。 近年来，图像分类的快速发展促进了计算机辅助诊断。 卷积神经网络（CNN）是用于分类图像的最广泛使用的神经网络模型之一。 但是，其有效性受到限制，因为它无法准确识别病变的焦点。 本文提出了一种新型的脑肿瘤分类模型，该模型整合了注意机制和多径网络来解决上述问题。 注意机制用于选择属于目标区域的关键信息，同时忽略无关紧要的细节。 多路径网络将数据分配给多个通道，然后再转换每个通道并合并所有分支的结果。 多径网络等效于分组的卷积，这降低了复杂性。 使用由3064 MR图像组成的数据集对该模型进行的实验评估，其总体准确度为98.61％，这表现出色的先前研究。脑肿瘤每四个癌症死亡中的一分之一。提供准确及时的诊断可能会导致及时治疗。近年来，图像分类的快速发展促进了计算机辅助诊断。卷积神经网络（CNN）是用于分类图像的最广泛使用的神经网络模型之一。但是，其有效性受到限制，因为它无法准确识别病变的焦点。本文提出了一种新型的脑肿瘤分类模型，该模型整合了注意机制和多径网络来解决上述问题。注意机制用于选择属于目标区域的关键信息，同时忽略无关紧要的细节。多路径网络将数据分配给多个通道，然后再转换每个通道并合并所有分支的结果。多径网络等效于分组的卷积，这降低了复杂性。使用由3064 MR图像组成的数据集对该模型进行的实验评估，其总体准确度为98.61％，这表现出色的先前研究。
利用卷积神经网络的 VGG-16 进行医学...
摘要 — 医学图像分类是医疗保健领域的一个重要关注领域，它涉及准确分类图像中的异常或异常。它需要快速准确的分类以确保对患者进行适当和及时的治疗。本文介绍了一种基于卷积神经网络 (CNN) 的模型，该模型利用 VGG16 架构进行医学图像分类，特别是在脑肿瘤和阿尔茨海默氏症数据集中。VGG16 架构以其提取重要特征的卓越能力而闻名，这对医学图像分类至关重要。为了提高诊断的准确性，进行了详细的实验设置，其中包括精心选择和组织涵盖数据集中不同疾病和异常的医学图像集合。然后调整模型的架构以实现图像分类的最佳性能。结果显示该模型在识别医学图像中的异常方面的效率，尤其是对于脑肿瘤数据集。给出了灵敏度、特异性和 F1 分数评估指标，强调了该模型准确区分各种医学图像疾病的能力。关键词——深度学习、卷积神经网络 (CNN)、VGG-16、医学图像分类。
评估临床医生嵌入人工智能辅助诊断骨折的途径。
摘要。骨折检测一直是医学成像界的长期范例。已经提出了许多算法和系统来准确检测和分类图像，以确定身体不同部位是否存在骨折。虽然这些解决方案能够获得甚至超过人类评分的结果，但很少有人致力于评估如何将这些系统嵌入临床医生和放射科医生的工作流程中。此外，X 射线照片中包含的报告还可以提供有关骨折性质和严重程度的关键信息。在本文中，我们介绍了我们的第一项发现，旨在评估如何将计算机视觉、自然语言处理和其他系统正确嵌入临床医生的路径中，以更好地帮助完成骨折检测任务。我们使用公开的骨折数据集以及英国国家医疗保健系统在研究计划中提供的少量数据展示了一些初步实验结果。结果表明，将来自不同现有和预训练模型的迁移学习应用于挑战中提供的新记录的可能性很高，并且可以通过多种方式将这些技术嵌入临床医生的路径中。关键词：骨折检测、自然语言处理、卷积神经网络、临床医生路径
人工智能在皮肤病学中的应用
人工智能 (AI) 已成为医学领域日益流行的研究课题，并越来越多地应用于皮肤病学。有必要了解这项技术的进展，以帮助指导和塑造医疗保健提供者和接受者的未来。我们查阅了文献，以评估有关该主题的出版物类型、AI 解决的特定皮肤病学主题以及实施过程中最具挑战性的障碍。迄今为止，已经发表了大量原创文章和评论，但只有少数详细评论。然而，大多数 AI 应用侧重于区分良性和恶性皮肤病变；其他应用涉及溃疡、炎症性皮肤病、过敏原暴露、皮肤病理学和基因表达谱。应用程序通常分析和分类图像，但是，风险评估计算器等其他工具正变得越来越普及。尽管许多应用在技术上是可行的，但已经确定了重要的实施障碍，包括系统性偏见、标准化难度、可解释性以及医生和患者的接受度。本综述深入分析了未来的研究需求和可能性。皮肤病学迫切需要临床研究来提供成功克服已发现障碍的证据。考虑到这些研究目标，人工智能在皮肤病学中可能在不久的将来发挥适当的作用。