XiaoMi-AI文件搜索系统
World File Search System单视
人工智能通过眼底照片检测视乳头水肿
结果 6779 名患者的训练和验证数据集包括 14341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统检测视乳头水肿的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
使用机器学习为视障人士检测纸币
在当今充斥着欺骗和其他欺诈行为的世界里，人们发现生活非常困难。对于盲人或视力有障碍的人来说，情况更糟。他们在日常生活中面临着更多的挑战，特别是在处理货币和其他与金钱有关的问题时。为了帮助盲人，我们正在开发一个项目，帮助他们识别货币的面额，因为钞票上没有盲文标记。伪钞或假钞是另一项难以识别的任务，无论是对健康人还是盲人而言。因此，除此之外，我们还加入了假钞检测系统，帮助每个公民避免被骗。关键词：假钞检测、货币识别、VGG16、盲人、CNN、图像处理。介绍机器学习是一种人工智能能力，它奖励编程应用程序在预测结果时更加谨慎，而无需进行明确修改。ML 计算利用明显的信息作为预期新收益的义务。在神经网络中，卷积神经网络 (ConvNets 或 CNN) 是进行图像分类、图像分析和图像处理的主要方法之一。图像识别、面部识别等是 CNN 广泛应用的领域之一。
纵向单...
为了最大程度地减少与强制施用相关的纵向成像和潜在风险的辐射暴露，采取了二维（2D）非对比度轴向轴向单板CT CT，而不是在临床实践中常见的三维（3D）体积CT。然而，很难在纵向成像中找到相同的横截面位置，因此在不同年内捕获的器官和组织存在实质性变化，如图1。在2D腹部切片中扫描的器官和组织与身体成分措施密切相关。因此，增加的位置差异可以准确地分析身体组成的挑战。尽管有这个问题，但尚未提出任何方法来解决2D切片中位置差异的问题。我们的目标是减少位置方差在人体组成分析中的影响，以促进更精确的纵向解释。一个主要的挑战是，在不同年内进行的扫描之间的距离是未知的，因为该切片可以在任何腹部区域进行。图像注册是在其他情况下用于纠正姿势或位置错误的常用技术。但是，这种方法不适合解决2D采集中的平面运动，其中一种扫描中出现的组织/器官可能不会出现在另一种扫描中。基于参考。13，图像协调方法分为两个主要组：深度学习和统计方法。值得注意的统计方法包括战斗14及其变体，15-17 Convbat，18和贝叶斯因子回归。19然而，与生成模型不同，统计方法通常缺乏对我们方案至关重要的生成能力。基于深度学习的现代生成模型最近在生成和重建高质量和现实的图像方面取得了重大成功。20 - 26生成建模的基本概念是训练生成模型以学习分布，以便生成的样品 ^ x〜pdð ^xÞ来自与训练数据分布x〜pdðxÞ的分布相同。27通过学习输入和目标切片之间的联合分布，这些模型可以有效地解决注册的局限性。变化自动编码器（VAE），28是一种生成模型，由编码器和解码器组成。编码器将输入编码为可解释的潜在分布，解码器将潜在分布的样本解码为新数据。生成对抗网络（GAN）20是另一种类型的生成模型，其中包含两个子模型，一个生成新数据的生成器模型和一个区分实际图像和生成图像的歧视器。通过玩这个两人Min-Max游戏，Gans可以生成逼真的图像。Vaegan 29将GAN纳入VAE框架中，以创建更好的合成图像。通过使用歧视器来区分真实图像和生成的图像，Vaegan可以比传统的VAE模型产生更真实和高质量的图像。但是，原始的vaes和gan遭受了缺乏对产生图像的控制的局限性。有条件的GAN（CGAN）30和CONDINATION VAE（CVAE）31解决了此问题，该问题允许生成具有条件的特定图像，从而对生成的输出提供了更多控制。但是，这些条件方法中的大多数都需要特定的目标信息，例如目标类，语义图或热图，在测试阶段32作为条件，这在我们的情况下是不可行的，因为我们没有任何可用的直接目标信息。
使用单...
微生物驱动全球碳循环1，并可以与宿主生物体建立象征关系，从而影响其健康，衰老和行为2 - 6。微生物种群通过改变可用的代谢物池和专门的小分子7、8的产生与不同的生态系统相互作用。这些群落的巨大遗传潜力被人相关的微型iSms举例说明，该微生物ISM的编码是人类基因组9、10的大约100倍。然而，这种代谢潜力在现代的未纳入代谢组学实验中仍未被反射，其中通常<1％的注释分子可以归类为微生物。这个问题特别影响质谱（MS）基于非靶向代谢组学，这是一种通过微生物11所产生或修饰的分子11的常见技术，该技术在复杂生物学样品的光谱注释中著名地挣扎。这是因为大多数光谱参考文献都偏向于原代代谢产物，药物或工业化学品的市售或以其他方式的标准。即使在注释代谢物时，也需要进行广泛的文献搜索，以了解这些分子是否具有微生物起源并识别各自的微生物生产者。公共数据基础，例如Kegg 12，Mimedb 13，Npatlas 14和Lotus 15，可以帮助进行这种解释，但它们大部分限于已建立的，很大程度上基因组所涉及的代谢模型或完全表征和发行的分子结构。此外，虽然旨在从机械上开发了旨在询问肠道微生物组的靶向代谢组学努力16，但它们仅着眼于相对较少的商业可用的微生物分子。因此，尽管MS参考文库不断扩大，但大多数微生物化学空间仍然未知。为了填补这一空白，我们已经开发了Microbemasst（https://masst.gnps2.org/microbemasst/），这是一种利用的搜索工具
中红外单
超敏光谱是中红外（MIR）技术的重要组成部分。然而，miR探测器的缺点在单光子水平上对稳健的miR光谱构成了挑战。我们提出了miR单光子频率上转换光谱非局部将miR信息映射到时间do-main。来自自发参数下调的宽带miR光子频率向上转换为具有量子相关性保存的近红外带。通过纤维的组延迟，在1.18微米的带宽为2.76至3.94微米内的miR光谱信息被成功地投影到相关光子对的到达时间。在每秒6.4×10 6光子的条件下，使用单像素检测器证明了具有单光子敏感性的聚合物的传输光谱。开发方法绕过扫描和频率选择不稳定性，它在不断发展的环境中固有的兼容性和各种波长的可伸缩性而引人注目。由于其高灵敏度和鲁棒性，生化样品的表征和量子系统的弱测量值可能是预见的。
无监督的1-2视图适应凝视估计
目光的估计已成为最近研究日益兴趣的主题。大多数当前方法都依赖于单视面图像作为输入。然而，这些副本很难处理较大的头部角度，从而导致估计的准确性。要解决此问题，添加二视摄像头可以帮助更好地捕获眼睛的外观。但是，现有的多视图方法具有两个限制。1）他们需要培训的多视图注释，这很昂贵。2）更重要的是，在测试过程中，必须知道多个相机的确切位置并与训练中使用的相匹配，这限制了应用程序场景。为了应对这些挑战，我们提出了一种新颖的1视图 - 2视图（1-2视图）适应解决方案，在本文中，无监督的1-2视图适应框架 - 用于注视估计的工作（UVagaze）。我们的方法适应了一个传统的单视凝视估计器，以灵活地放置了双摄像头。在这里，“灵活”意味着我们将双摄像头放在任意位置，而不论训练数据如何，而不知道它们的外部参数。具体来说，乌瓦加兹（Uvagaze）建立了双视图相互监督适应策略，它利用了两种观点之间的凝视方向的内在一致性。以这种方式，我们的方法不仅可以从常见的单视图预训练中受益，而且还可以实现更高级的双视凝视估计。实验结果表明，单视图估计量适用于双重视图，可以获得更高的效果，尤其是在跨数据集设置中，取代率提高了47.0％。项目页面：https：//github.com/ mickeyllg/uvagaze。
人工智能通过眼底照片检测视乳头水肿
结果 来自 6779 名患者的训练和验证数据集包括 14,341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统对视乳头水肿检测的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。