XiaoMi-AI文件搜索系统
World File Search System图像增强
使用脉冲耦合神经网络
摘要：图像处理可以定义为校正和更改图像及其解释的功能结构。数字图像处理的应用之一是使用组件和图像分割中的图像处理技术。这些技术之一是医疗世界中的磁共振成像（MRI）。在本文中，介绍了脑肿瘤检测系统以及各种异常和异常，其中图像预处理和制备包括图像增强，滤波和降低噪声。然后，图像分割是通过脉冲神经网络完成的。接下来，提取图像特征，最后，通过算法将肿瘤和异常区域与正常区域分离。在这项研究中，使用特征选择和集成方法，并使用脑MRI图像的最重要统计特征来改善脑肿瘤检测。以及进行的研究和肿瘤检测系统的实施，可以为将来的研究提供以下建议，并且肿瘤检测系统将更有效地工作。脉冲耦合神经网络（PCNN）可在预处理阶段进行图像分割，尤其是在图像过滤中。
使用便携式低场 MRI 进行脑成像
便携式低场磁共振成像 (LF-MRI) 的出现预示着神经成像的新机遇。低功耗要求和便携性使得扫描可以在传统磁共振成像套件的受控环境之外进行，从而增强了对现有技术不太适合的适应症的神经成像的访问。最大限度地利用从 LF-MRI 降低的信噪比中提取的信息对于开发临床有用的诊断图像至关重要。电磁噪声消除和稀疏 k 空间数据的机器学习重建算法的进展以及新的图像增强方法现已促成这些进步。将技术创新与床边成像相结合，为可视化健康大脑和检测急性和慢性病理变化创造了新的前景。硬件的持续开发、脉冲序列和图像重建的改进以及临床实用性的验证将继续加速这一领域的发展。随着进一步的创新，便携式 LF-MRI 将促进 MRI 的民主化并创造传统系统以前无法实现的新应用。
人工智能辅助夜视技术模拟
摘要——提出了一种新的自然色彩映射方法，将目标图像的渲染图像输出与庞大的参考图像数据库进行匹配。已经在使用的方法最终会产生假色。如果目标图像的“全局”颜色统计数据与实际夜视场景的统计数据差别太大，就会导致视觉不自然。在当今情况下，美国军方使用最先进的夜视系统，该系统结合了图像增强、可见图像和热图像。然后通过“图像超分辨率”用深度卷积网络处理融合数据。然后使用 YOLO 算法识别视觉中的主体（即背景、前景和物体），这有助于 AI 根据参考图像数据库识别和匹配颜色。由于系统 AI 结合了庞大的数据库学习，因此夜视图像中目标场景的预测配色方案匹配的概率很高。有许多可用的颜色映射方法，但本研究论文使用的是直方图匹配。
低成本数字工业放射学系统的设计、开发和优化
功能强大的计算机和可靠的成像技术的引入对传统的基于辐射的无损检测 (NDT) 技术产生了重大影响。特别是，图像数字化提供了存储经济性、通信效率和更快的检查和评估速度。发达国家的 NDT 实验室在辐射检测数据的数字化方面正在迅速发展。使用图像增强系统、成像板和平板探测器的新成像技术提高了焊缝、铸件、锻造复合材料和混凝土中表面和内部缺陷的可视化能力，揭示了通过辐射技术准确评估此类缺陷的新潜力。本出版物介绍了一种经济实惠、低成本的数字工业放射学 (DIR) 荧光透视系统的设计、开发和优化。它提供了构建经济可行、易于组装的 DIR 系统的指南，为感兴趣的成员国（包括发展中成员国）提供获取 DIR 技术的渠道。
图像处理研究 - 开放期刊系统
本研究使用复杂的图像处理技术来处理评估牛奶鱼的新鲜度的重要问题。通过RESNET-101培训的CNN分类方法的研究人员通过严格的评估过程进行了培训，其中包括GLCM功能提取，参数设置和彻底的混淆矩阵评估。在各种新鲜度水平上仔细分析了图像增强和图像分割技术对GLCM提取过程中纹理特征的影响，测量对比度，同质性，相关性和能量值。使用ADAM优化的训练，批量大小为16，学习率为0.0001和30个时代，建议的CNN配置为产生平衡的收敛期23分钟36秒。建议的方法在评估方面表现出色，在整个培训中达到了99.72％的出色精度。在测试阶段进行的其他测试证实了其有效性，因为所有指标（召回，精度和F1得分）保持在100％。这些结果突出了此特定图像处理工作中基于Resnet-101 CNN的弹性，并证明了其在正确分类牛奶新鲜度水平方面的有效性。
研究文章 FDCNet：用于肿瘤检测和分类的模糊 CNN 和分形特征提取的介绍
使用磁共振成像检测脑肿瘤是目前人工智能和医学工程面临的最大挑战之一。尽早发现这些脑肿瘤非常重要，因为它们可能会长大直至死亡。脑肿瘤可分为良性和恶性。创建一个智能医疗诊断系统来根据 MRI 成像诊断脑肿瘤是医学工程的重要组成部分，因为它可以帮助医生尽早发现脑肿瘤并监督整个康复过程中的治疗。在本研究中，提出了一种诊断良性和恶性脑肿瘤的综合方法。所提出的方法包括四个部分：图像增强以降低噪声并统一图像大小、对比度和亮度，基于形态学算子的图像分割，特征提取操作（包括基于分形模型的尺寸减小和特征选择），以及最终根据模糊深度卷积神经网络的分割和最佳类别的选择来改进特征。实验结果中使用 BraTS 数据集作为磁共振成像数据。还将一系列评估标准与以前的方法进行了比较，其中所提出的方法的准确率为 98.68%，具有显著的效果。
建立高效的神经网络进行脑肿瘤检测
脑肿瘤检测和监测对于任何指示系统都至关重要，多年的研究和诊断技术的稳步改进就是明证。因此，治疗计划对于提高患者的生活质量至关重要。有一种观点认为，深度学习可以帮助解决诊断和治疗脑肿瘤的困难。在这项工作中，我们引入了一种混合深度神经网络，它将最先进的图像增强方法（如对比度拉伸、直方图均衡化和对数变换）与迁移学习相结合，类似于 DenseNet169 和 ResNet149。这项工作深入探讨了如何提高 DCNN 预测的准确性和效率。对于数据选择，我们创建了自定义数据，这些数据来自 Br35H 和 Fig 共享存储库，其中包含增强后的良性、恶性和正常图像 (596,928,364)。性能分析了不同的场景，例如所有三种增强算法的数据都与每个神经网络一起训练并评估性能。性能结果表明，本文提出的研究成果对使用 DenseNet169 进行直方图均衡化的数据有显著的改进，准确率为 93.29%，精确率为 94%，召回率为 88%，得分率为 93%，损失率为 20.37%，是本文提出的所有训练神经网络中最高的矩阵。
量子退火实现单幅图像超分辨率
本文提出了一种基于量子计算的算法来解决单图像超分辨率（SISR）问题。SISR 的一个著名经典方法依赖于成熟的逐块稀疏建模。然而，该领域的现状是深度神经网络（DNN）已表现出远超传统方法的效果。不过，量子计算有望很快在机器学习问题中变得越来越突出。因此，在本文中，我们有幸对将量子计算算法应用于 SISR 这一重要的图像增强问题进行了早期探索。在量子计算的两种范式，即通用门量子计算和绝热量子计算（AQC）中，后者已成功应用于实际的计算机视觉问题，其中量子并行性已被利用来有效地解决组合优化问题。本研究展示了如何将量子 SISR 公式化为稀疏编码优化问题，该问题使用通过 D-Wave Leap 平台访问的量子退火器进行求解。所提出的基于 AQC 的算法被证明可以实现比传统模拟更快的速度，同时保持相当的 SISR 精度 1 。
牙科护理的革命
自有记载以来，人类大脑一直是科学家和工程师最感兴趣的结构之一。几个世纪以来，基于试图模仿其功能的原理，人们开发出了新的技术，但创造一台能够像人类一样思考和行动的机器仍然是一个无法实现的幻想。这个想法现在被称为“人工智能”。牙科已经开始感受到人工智能 (AI) 的影响。其中包括放射学图像增强，这提高了牙齿结构的可见性并有助于疾病诊断。人工智能还被用于牙髓病学中根尖病变和根部解剖的识别，以及牙周炎的诊断。本综述旨在全面概述人工智能在现代牙科众多专业中的应用。通过详尽的搜索确定了 1987 年 3 月至 2023 年 7 月期间发表的相关出版物。选择了以英文发表的研究，并包括有关人工智能在各个牙科专业中的应用的数据。牙科实践不仅仅涉及疾病诊断，还包括与临床发现的相关性以及对患者进行治疗。人工智能无法取代牙医。然而，全面了解人工智能概念和技术将在未来大有裨益。目前正在开发用于牙科应用的人工智能模型。
6-DOF闭环抓握，并进行加固学习
摘要 - 我们提出了一个基于深厚的增强学习（DRL）的基于新颖的6多型，6多的抓地框架，该框架能够直接合成笛卡尔空间中的连续6-DOF动作。我们所提出的方法使用了直觉的RGB-D摄像头的视觉观察，我们通过域随机化，图像增强和分割工具的结合来减轻SIM到真实的间隙。我们的方法包括一个非政策，最大渗透性，演员算法，该算法从二进制奖励和一些模拟示例grasps中学习了政策。它不需要任何现实世界的掌握示例，对模拟进行了完全训练，并且直接部署到现实世界中而没有任何微调。The efficacy o f o ur a pproach i s d emonstrated i n simulation and experimentally validated in the real world on 6-DoF grasping tasks, achieving state-of-the-art results of an 86% mean zero-shot success rate on previously unseen objects, an 85% mean zero-shot success rate on a class of previously unseen adversarial objects, and a 74.3% mean zero-shot success rate on a class of previously看不见，具有挑战性的“ 6-DOF”对象。可以在https://youtu.be/bwpf8imvook