XiaoMi-AI文件搜索系统
World File Search System分级的
评估糖尿病性视网膜病变的深度学习系统
4。Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。 内分泌学领域。 13，946915（2022）5。 das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。 生物医学信号处理和控制68，102600（2021）6。 Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。 ARXIV预印ARXIV：1505.00737，2015。 7。 Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。 斯坦福教育的报告。 2016。 8。 Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。内分泌学领域。13，946915（2022）5。das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。生物医学信号处理和控制68，102600（2021）6。Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。ARXIV预印ARXIV：1505.00737，2015。7。Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。斯坦福教育的报告。2016。8。Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2018：2724-2727。9。Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。2019年信息与通信技术与系统（ICT）第12届国际会议。IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2019：152-157。10。刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉
基于规则的语言模型安全奖励
基于大型语言模型（LLM）基于人类偏好的细微调整已被证明可以增强其能力和安全行为。但是，在与安全相关的情况下，没有对人类注释的精确说明，收集的数据可能会导致模型过于谨慎，或者以不良的风格做出反应，例如是判断力。另外，随着模型功能和使用模式的发展，可能需要添加或重新标记的数据来修改安全行为。我们提出了一种利用AI反馈的新型偏好建模方法，仅需要少量的人类数据。我们的方法，基于规则的奖励（RBR），使用了所需或不希望行为的规则集合（例如拒绝不应与LLM分级器一起进行判断。与使用AI反馈的先前方法相比，我们的方法使用了直接在RL培训中的细粒度，可组合，LLM分级的几个提示作为奖励，从而获得更大的控制，准确性和易于更新。我们表明RBR是一种有效的训练方法，与91.7的人为反馈基线相比，F1得分为97.1，从而通过更好的平衡有用性和安全性，导致了更高的安全行为精度。
微结构和功能分级弧形添加剂制成的钢组合
功能分级的材料（FGM）已获得了各种应用的许多兴趣，旨在符合当地特性（例如腐蚀行为）的特殊要求，这高度决定了该组件的寿命。腐蚀行为在很大程度上取决于设计材料的化学成分和微观结构。因此，使用线性弧添加剂制造（WAAM）设计了两种FGM组合，其线性变化的材料沉积从G 3SI1到G 19 9L SI（组合1）和G 18L NB到G 19 9L SI（组合2）。使用光学显微镜（OLM）分析不同位置的微观结构，具有连接能量分散X射线光谱（SEM/EDS）和X射线衍射（XRD）的扫描电子显微镜（扫描电子显微镜）。由0.6 M NaCl溶液中的电化学腐蚀行为通过环状电力动力学极化（CPDP）确定，包括CPDP后的SEM成像，以确定凹坑的大小和形态。有关化学梯度的铁素体（α和δ），马氏体和奥氏体类型的相形序列。由于Cr和/或Ni的增加，两种组合方向上的两种组合都增强了点腐蚀性，而PIT形态在各种微观结构的存在依赖性方面发生了变化。
冶金工程
冶金工程涉及将岩石和矿物质转化为使我们生活更美好的金属和矿物产品的研究，设计，实施和改进。Metallurgical engineering students take courses in: particle separation technology, which focuses on particle separation, processing, and recycling, and includes particle characterization, comminution, size separation, flotation, coal preparation, remediation of nuclear materials, automatic control and process engineering of particles including metal powders, energy-related minerals, pigments, and ceramics;化学冶金术，重点是去除金属，加工和回收到纯化的金属中，包括异质反应动力学，运输现象，计算机建模，浸出，溶液纯化，离子纯化，溶剂萃取，降水，降水，烘焙，烘焙，还原，还原，冶炼，冶炼，铁，铁和钢材；和物理冶金，重点是金属铸造，形成，连接和金属特性评估和优化，包括相变，粉末冶金，金材术，功能分级的材料，复合材料，磁性材料，薄膜加工，疲劳，疲劳，正电子，快速固化，快速固化，金属失效分析和腐蚀。（有关其他信息，请参阅http://www.mse.utah.edu/。）
使用人工智能的自动椰干分级系统
摘要 ：农业是印度最大的经济部门。椰子是所有产品中需求量最大的产品之一。干椰子、椰干是椰子油的主要来源。它自然含有 70% 的水分，干燥后水分含量约为 7% 可生产椰子油。椰干分级任务在农业行业中至关重要，因为市场对高品质椰干的需求很大。然而，人工分级椰干准确性较低、耗时且容易出错。自动分级系统不仅加快了处理时间，而且还最大限度地减少了错误。国内外市场对椰干的需求都很大。一般来说，在印度，椰干的质量检验是由人类专家进行的。椰干的手工分级既费时又不太准确。随着快速高精度人工智能和图像处理技术的出现，分级系统的自动化有望减少时间和劳动力成本，提高准确率。因此，本文提出了一种使用人工智能的自动有效椰干分级方法。在这个提议的系统中，使用人工智能和图像处理技术开发了用于分析椰干分级的软件。椰干的分级是根据椰干的大小、颜色、形状和硫含量进行的。自动椰干分级系统可帮助农民和消费者根据椰干的质量进行准确分级。
医生对医疗人工智能伦理的要求
5 Bulten, W.、Pinckaers, H.、van Boven, H.、Vink, R.、de Bel, T.、van Ginneken, B.、van Ginneken, B.、van der Laak, J.、Hulsbergen-van de Kaa, C. 和 Litjens, G. (2020 年)。使用活检对前列腺癌进行格里森分级的自动深度学习系统：一项诊断研究。柳叶刀肿瘤学，21（2），233–241。 https://doi.org/10.1016/S1470 -2045(19)30739 -9； Chen, JH 和 Asch, SM (2017)。医学中的机器学习和预测——超越膨胀预期的顶峰。新英格兰医学杂志，376（26），2507–2509。 https://doi.org/10.1056/NEJMp1702071； Bejnordi, BE、Veta, M.、van Diest, PJ、van Ginneken, B.、Karssemeijer, N.、Litjens, G.、van der Laak, J. 和 CAMELYON16 联盟。 (2017)。深度学习算法对乳腺癌女性淋巴结转移检测的诊断评估。 JAMA，318（22），2199-2210。 https://doi.org/10.1001/jama.2017.14585； Erickson, BJ、Korfiatis, P.、Akkus, Z. 和 Kline, TL (2017)。用于医学成像的机器学习。 X 射线照相术，37（2），505–515。 https://doi.org/10.1148/rg.2017160130
人工智能在前列腺癌活检诊断和格里森分级中的应用现状及后续步骤
活检中前列腺癌的诊断和格里森分级对于前列腺癌男性的临床管理至关重要。尽管如此，病理学家之间的高度分级差异性导致治疗不足和过度治疗的可能性。人工智能 (AI) 系统在协助病理学家进行格里森分级方面显示出良好的前景，这可能有助于解决这一问题。在这篇小型评论中，我们重点介绍了有关癌症检测和格里森分级的人工智能系统开发的研究，并讨论了广泛临床实施所需的进展以及预期的未来发展。患者摘要：这篇小型评论总结了与验证人工智能 (AI) 辅助癌症检测和活检中前列腺癌格里森分级有关的证据，并强调了广泛临床实施之前所需的其余步骤。我们发现，尽管有强有力的证据表明人工智能能够像经验丰富的泌尿病理学家一样进行格里森分级，但仍需要做更多的工作来确保人工智能系统在不同患者群体、数字化平台和病理实验室的不同环境中的结果准确性。© 2021 作者。由 Elsevier BV 代表欧洲泌尿外科协会出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons. org/licenses/by/4.0/）。
量化示例 - 符号 - 及以下 - ...
第一部分。对实验结果的讨论。前面论文中描述的结果表明，膜的电行为可以由图中所示的网络表示。1。电流可以通过为膜容量充电或通过与容量并联的电阻通过电阻来通过膜传递。离子电流分为由钠和钾离子（INA和IK）携带的成分，以及由氯化物和其他离子组成的小“泄漏电流”（I，I）。离子电流的每个组件都由驱动力确定，该驱动力可以方便地测量为电势差和具有电导尺寸的渗透系数。因此，钠电流（INA）等于钠电导率（9NA）乘以膜电位（E）和钠离子（ENA）平衡电位之间的差异。类似的方程式适用于'K和I，并在p上收集。 505。我们的实验表明GNA和9E是时间和膜电位的函数，但是ENA，EK，EL，CM和G可以将其视为恒定。可以通过说明：首先，将膜电位对渗透率的影响汇总会导致钠电导率的瞬时增加，并且降低但保持较慢但保持钾的增加速度的增加；其次，这些变化是分级的，并且可以通过重现膜来逆转。为了确定这些影响是否足以说明复杂现象，例如动作潜力和难治时期，有必要获得有关
Yolopears：用于质量分级系统中多级梨表面缺陷检测的Yolo对象检测器的新基准
梨是最广泛消耗的水果之一，它们的质量直接影响消费者的满意度。表面缺陷，例如黑点和小斑点，是梨质量的关键指标，但由于视觉特征的相似性，检测它们仍然具有挑战性。这项研究提出了Pearsurfacedects，这是一个自我结构的数据集，包含六个类别的13,915张图像，其中有66,189个边界框注释。这些图像是使用定制的图像采集平台捕获的。在数据集上建立了27种版本的27个最先进的Yolo对象探测器的Yolo对象检测器，Yolor，Yolov5，Yolov5，Yolov6，Yolov7，Yolov7，Yolov7和Yolov9。为了进一步确保评估的全面性，还包括了三个高级非Yolo对象检测模型，T-DETR，RT-DERTV2和D-FINE。通过实验，发现yolov4-p7的检测准确性在map@0.5达到73.20％，而Yolov5n和Yolov6n也显示出极大的潜力，可以进一步提高梨表面缺陷检测的准确性。本研究中用于模型基准的梨表面缺陷检测数据集和软件程序代码都是公开的，这不仅会促进对梨表面缺陷检测和分级的未来研究，而且还为其他水果大数据和类似研究提供了宝贵的资源和参考。
将动态MRI的深度学习膀胱分割的损失函数结合起来
摘要 - 植物遗传疾病主要影响妇女，并成为一个公共卫生问题，尽管他们的病理生理学仍然知之甚少。作为主要的器官经历了针对病理学的运动和变形，动态MRI是现在的放射科医生的金标准。器官边界，器官形状的受试者间变异性和病理畸形使得段难以执行。为了开发一个朝着病理分级的成像软件，器官边界的MRI分割的准确性是一个关键标准。自动方法尚未足够准确，无法替代强制性的手动分割步骤。已经开发了使用完全卷积神经网络（FCN）的自动分割方法，但通常用于训练的损耗功能通常不足以适合器官边界检测。我们提出了一个专门用于器官边界检测的损失函数，以增强训练，从而提高结果准确性。使用基线U-NET体系结构[1]对Dynamic 2D MRI的膀胱分割进行了评估该方法。结果表明，与广泛使用的骰子损失相比，我们的边界损失函数以及骰子损失的使用优于现有方法，并提高了分割精度。索引项 - 图像分割，完全卷积的网络，混合损失，距离损失，动态MRI，骨盆