XiaoMi-AI文件搜索系统
World File Search System图像匹配
具有立体视觉应用的迭代图像注册技术
图像注册在计算机视频中找到了多种应用，例如与立体视觉，模式识别和运动分析的图像匹配。不断增加，现有的图像注册技术往往是昂贵的。此外，它们通常无法处理图像的旋转或其他扭曲。在本文中，我们提出了一种新的图像注册技术，该技术使用空间强度梯度信息来指导搜索最佳匹配的位置。通过考虑有关图像的更多信息，该技术能够找到与图像比较少得多的两个图像之间的最佳匹配，这些技术比以某种固定顺序检查了注册位置的技术要少得多。我们的技术利用了以下事实：在许多应用中，这两个图像已经在近似注册中。可以将此技术推广以处理图像的任意线性扭曲，包括旋转。
利用深度学习人工智能对胸部X光图像进行质量控制
对于高质量的放射科来说，X 射线成像的持续质量控制 (QC) 至关重要。有效的 QC 工作是一个持续的过程，需要医学物理学家耗费大量时间从多个成像系统收集数据并进行费力的分析。重复和拒绝的 X 射线图像会导致患者受到不必要的辐射暴露并降低放射科的效率，因此延迟拒绝的 X 射线图像是成功的 QC 程序的关键组成部分。我们认为深度学习 (DL) 算法可以最大限度地减少工作量并提高 QC 程序的准确性。在此海报中，我们介绍了对 CXR 图像执行自动 QC 检查的 DL 算法的开发和性能评估。我们重点关注 (1) 使用的采集协议是否与获取的正面 CXR 图像匹配，以及 (2) 正面 CXR 定位是否可以接受？
每周通讯11月4日至8日，2024年PQHS新闻
2024年11月5日，星期二，2：00-3：00pm -Albert Sherman Center 9楼开放空间茶TIME将由HII主持。请停下来，打招呼，喝杯茶。11月6日，星期三，10：00 - 11:00 AM标题：AI如何使AT-HOME COVID-19测试更容易，更可靠的演讲者：Xian Du和Meysam Safarzadeh博士说明：此谈话将探索旨在对旨在对AT-HOME COVID COVID-COVID-19的快速抗原测试进行分类的AI驱动图像分析管道的开发和应用。通过采用机器学习技术（包括图像匹配和转移学习），该方法旨在解决人类解释的常见问题，例如微弱的测试线和患有视觉障碍的人。我们将讨论系统的架构，其在各种测试品牌中的性能，以及它如何提高现实世界中非实验室环境的诊断准确性。AI标准化快速测试解释并增强公共卫生结果的潜力也将得到强调。
航空发动机点火系统建模与故障诊断开放研究
摘要：航空发动机点火系统是发动机的核心部分，包括点火电源、点火激励器、点火引线和点火火花塞，点火系统的可靠性是发动机能否安全高效运行的关键。对点火系统故障诊断的研究对于提高飞机的安全性和持续适航性具有十分重要的意义。本文主要对航空发动机点火系统故障的诊断方法研究和诊断系统设计进行了研究。针对这一问题，设计了点火系统数学模型，并利用该模型模拟点火系统故障，建立点火系统理论数据库。然后搭建实验系统，模拟真实点火系统故障，生成点火系统仿真数据库。基于点火系统故障数据库，采用波形图像匹配算法实现真实点火波形与故障数据库中波形的对比。最后，提出了基于诊断平台和配备高速数据采集卡的工控机的点火系统故障诊断系统。分析结果表明，点火系统故障诊断系统能够准确识别典型的点火故障。
航空发动机建模与故障诊断研究...
摘要：航空发动机点火系统是发动机的核心部件，包括点火电源、点火激励器、点火导线和点火火花塞等。点火系统的可靠性是发动机能否安全、高效运行的重要因素。为了提高飞机的安全性和持续适航性，开展点火系统故障诊断研究具有十分重要的意义。本文主要对航空发动机点火系统故障的诊断方法研究和诊断系统设计进行研究。针对该问题，设计了点火系统数学模型，并利用该模型模拟点火系统故障，建立点火系统理论数据库。随后，搭建实验系统，模拟实际点火系统故障，生成点火系统仿真数据库。基于点火系统故障数据库，采用波形图像匹配算法，实现真实点火波形与故障数据库波形的比对。最后，提出了基于诊断平台和配备高速数据采集卡的工控机的点火系统故障诊断系统。分析结果表明，该点火系统故障诊断系统能准确识别典型点火故障。
机器视觉
这本书是对机器视觉的易于访问且全面的介绍。它提供了所有必要的理论工具，并显示了它们如何在实际图像处理和机器视觉系统中应用。关键特征是包括许多编程练习，这些练习可以洞悉实用图像处理算法的开发。作者从对数学原理的评论开始，然后继续讨论图像处理中的关键问题，例如图像的描述和表征，边缘检测，特征提取，分割，纹理和形状。他们还讨论了图像匹配，统计模式识别，句法模式识别，聚类，扩散，自适应轮廓，参数变换和一致的标签。描述了重要的应用程序，包括自动目标识别。本书中的两个复发主题是一致性（用于解决机器视觉问题的主要哲学结构）和优化（用于实现这些方法的数学工具）。本书中使用的软件和数据可以在www.cambridge.org/9780521830461上找到。这本书针对电气工程，计算机科学和数学的研究生。这对从业者也将是有用的参考。
一种从空间立体影像中描绘建筑物足迹的混合方法
城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物足迹 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两个核线图像中都无法清晰地检测到建筑物轮廓的情况下。此外，尽管影像匹配提供了表示建筑物高度的 DSM，但从该 DSM 中提取的建筑物大小和形状通常
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
基于图形设计元素的自动提取和重建
摘要。该研究旨在探索绘画和设计中的视觉和神经网络，并提出一种基于重复网络的绘画和设计元素以及计算机辅助设计（CAD）重建的方法。通过这种方法，希望在提供更具创造力的灵感的同时，可以自动提取和重建绘画设计元素。本文调查了如何使用RNN实现绘画和设计元素的自动提取，包括线条，颜色，构图和其他元素的识别和提取。此外，该研究详细讨论了如何重建CAD中提取的绘画设计元素，并实现设计元素的参数化表示，以进行后续编辑和修改。改进前图像匹配错误率在9％至10％之间，而提高的匹配错误率为3％至5％。这表明改进的方法可显着降低图像匹配的错误率。提高前的最低错误率为9％，而改善后的最大错误率为4.5％，进一步验证了改进方法的有效性。通过限制模型参数，正则化项可防止在训练数据上过度拟合模型，从而使模型可以更好地概括到测试数据并提高匹配的准确性。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。