XiaoMi-AI文件搜索系统
World File Search System图像数据
用于图像数据分类的硬件高效量子神经网络评估
摘要：量子计算有望在未来从根本上改变计算机系统。最近，量子计算的一个新研究课题是机器学习的混合量子-经典方法，其中参数化的量子电路（也称为量子神经网络 (QNN)）由经典计算机优化。这种混合方法可以兼具量子计算和经典机器学习方法的优点。在这个早期阶段，了解量子神经网络对不同机器学习任务的新特性至关重要。在本文中，我们将研究用于对图像进行分类的量子神经网络，这些图像是高维空间数据。与以前对低维或标量数据的评估相比，我们将研究实际编码类型、电路深度、偏置项和读出对流行 MNIST 图像数据集的分类性能的影响。通过实验结果获得了关于不同 QNN 学习行为的各种有趣发现。据我们所知，这是第一项考虑图像数据的各种 QNN 方面的工作。
使用对比学习对质谱图像数据进行自监督聚类
对实验伪影和噪声敏感，从而降低了它们对具有相似定位但不同对比度的空间模式的泛化能力。最近，使用卷积神经网络 (CNN) 的迁移学习和半监督深度学习方法已经开发出来，分别用于聚类离子图像和量化分子共定位。26,27 这些报告表明，MSI 数据的有限大小对传统的 CNN 训练框架提出了挑战，因为传统的 CNN 训练框架通常依赖于大量带注释的图像。因此，这些方法与传统的机器学习方法相比，在查找共定位分子图像方面提供了相对较小的改进。计算机视觉自监督对比学习方法的最新进展，包括 MoCo、28 SimCLR 29
图像数据压缩
- 奥地利航天局（ASA）/奥地利。- 比利时科学政策办公室（BELSPO）/比利时。- 机器建筑中央研究所（TSNIIMASH）/俄罗斯联合会。- 北京跟踪与电信技术研究所（CLTC/BITTT）/中国/中国卫星卫星发射和跟踪控制将军/中国。- 中国科学院（CAS）/中国。- 中国太空技术学院（CAST）/中国。- 英联邦科学与工业研究组织（CSIRO）/澳大利亚。- 丹麦国家航天中心（DNSC）/丹麦。- deciênciae tecnologia Aerospacial（DCTA）/巴西。- 电子和电信研究所（ETRI）/韩国。- 欧洲剥削气象卫星（Eumetsat）/欧洲的组织。- 欧洲电信卫星组织（Eutelsat）/欧洲。- 地理信息和太空技术发展局（GISTDA）/泰国。- 希腊国家太空委员会（HNSC）/希腊。- 希腊航天局（HSA）/希腊。- 印度太空研究组织（ISRO）/印度。- 太空研究所（IKI）/俄罗斯联合会。- 韩国航空航天研究所（KARI）/韩国。- 通信部（MOC）/以色列。- 穆罕默德垃圾箱拉希德航天中心（MBRSC）/阿拉伯联合酋长国。- 国家信息与通信技术研究所（NICT）/日本。- 国家海洋与大气管理局（NOAA）/美国。- 哈萨克斯坦共和国国家航天局（NSARK）/哈萨克斯坦。- 国家太空组织（NSPO）/中国台北。- 海军太空技术中心（NCST）/美国。- 荷兰太空办公室（NSO）/荷兰。- 粒子与核物理研究所（KFKI）/匈牙利。- 土耳其科学技术研究委员会（Tubitak）/土耳其。- 南非国家航天局（SANSA）/南非共和国。- 太空和高中气氛研究委员会（Suparco）/巴基斯坦。- 瑞典太空公司（SSC）/瑞典。- 瑞士太空办公室（SSO）/瑞士。- 美国地质调查局（USGS）/美国。
临床研究中非图像数据的迁移学习
。CC-BY 4.0 国际许可 它是永久可用的。 是作者/资助者，已授予 medRxiv 许可以在（未经同行评审认证）预印本中显示预印本 此版本的版权所有者于 2021 年 10 月 3 日发布。；https://doi.org/10.1101/2021.10.01.21264290 doi：medRxiv 预印本
CEM500K，一种大规模的异质无标记的蜂窝电子显微镜图像数据集，用于深度学习
细胞电子显微镜（EM）数据集的抽象自动分割仍然是一个挑战。依靠利益区域（ROI）注释的监督深度学习（DL）方法产生了无法推广到无关数据集的模型。较新的无监督的DL算法需要相关的预训练图像，但是，当前可用的EM数据集的预培训在计算上是昂贵的，对于看不见的生物学环境的价值很小，因为这些数据集很大且同质。为了解决此问题，我们提出了CEM500K，这是一个敏捷的25 GB数据集，为0.5 10 6独特的2D蜂窝EM图像，该图像从近600个三维（3D）和10,000个二维（2D）图像中策划了> 100个无关的成像项目。我们表明，在CEM500K上预先训练的模型学习在生物学上相关且具有有意义图像增强的功能。至关重要的是，我们对这些预训练的模型进行了转移学习，并在六个公开可用和一项新得出的基准细分任务上评估了转移学习，并报告了每个模型的最新结果。我们发布了CEM500K数据集，预先培训的模型和策划管道，用于建立模型和EM社区的进一步扩展。数据和代码可在https://www.ebi.ac.uk/pdbe/emdb/empiar/entry/10592/和https://git.io/jlltz上获得。
在整个鼠标脑图像数据集中用于3D细胞检测的深度学习算法
了解神经系统的功能需要绘制其由功能，解剖或基因表达定义的其组成细胞的空间分布。最近，组织制备和显微镜的发展使整个啮齿动物大脑都可以成像细胞弹出。但是，手动映射这些神经元很容易出现偏见，并且通常不切实际地消耗。在这里，我们提出了一种使用stan-dard台式计算机硬件的鼠标全脑显微镜图像中完全自动化的3D检测神经元somata的开放源算法。我们通过绘制大脑范围的位置来证明方法的应用和力量，这些位置的大脑种群用逆行跨突触性VI-RAL感染表达的细胞质泛流蛋白标记。
SAG-GAN：用于医学图像数据增强的半监督注意力引导 GAN
摘要 — 最近，深度学习方法，特别是卷积神经网络 (CNN)，在计算机视觉领域取得了巨大突破。此外，大规模注释数据集是成功训练过程的关键。然而，在医学领域获取这样的数据集是一个巨大的挑战。为此，我们提出了一种使用循环一致性生成对抗网络 (GAN) 生成合成医学图像的数据增强方法。我们添加半监督注意模块来生成具有令人信服的细节的图像。我们将肿瘤图像和正常图像视为两个领域。所提出的基于 GAN 的模型可以从正常图像生成肿瘤图像，反过来，它也可以从肿瘤图像生成正常图像。此外，我们表明生成的医学图像可用于提高 ResNet18 在医学图像分类中的性能。我们的模型应用于三个有限的肿瘤 MRI 图像数据集。我们首先在有限的数据集上生成 MRI 图像，然后训练三种流行的分类模型以获得最佳的肿瘤分类模型。最后，我们使用经典的数据增强方法使用真实图像训练分类模型，使用合成图像训练分类模型。这些训练模型之间的分类结果表明，与经典的数据增强方法相比，所提出的 SAG-GAN 数据增强方法可以提高准确率和 AUC。我们相信所提出的数据增强方法可以应用于其他医学图像领域，并提高计算机辅助诊断的准确性。索引词——生成对抗网络 (GAN)、数据增强、注意模块、医学图像处理
图像数据库、人工智能和胶囊内窥镜；赌注就在眼前
胶囊内镜已成为小肠检查的主要内镜方式，这一点已得到时间的认可。因此，胶囊内镜 (CE) 已成为千禧一代的又一项技术，他们现在以力量、意志和决心展望未来，走上更具颠覆性的道路 [1]。尽管如此，即使对于勇敢的年轻人来说，成熟也伴随着一定的“义务”和社会要求。当然，当医疗技术成为关注的主题时，这或多或少会转化为诊断产量、并发症率和质量/性能保证措施 [2 – 4]。此外，就该领域的未决问题而言，仍然存在一些问题。我们也许毫不犹豫地一口气数出 CE 的适应症，甚至提供类似的并发症率和安全“胶囊化”的途径，但对于我们这些在高容量中心阅读 CE 视频的人来说，我们希望制造商现在已经对一些技术调整进行了分类。它们的范围从更好的图像分辨率和电池寿命到各种软件增强和/或硬件进步 [5, 6]。事实上，我们一直在重复呼吁 CE 革命的下一波浪潮，即包括治疗能力、集成/智能、数据（不仅仅是图像）收集、驱动和定位的浪潮，总结了任何当前可用的 CE 提供系统必须面对的主要挑战，以提高其市场提案和价值超过竞争对手。人工智能 (AI) 的热潮并不新鲜；事实上，CE 阅读软件的本质是早期人工智能的应用之一。Lewis Score [7]、QuickView [8]、疑似血液指标 [9] 等工具只不过是专有阅读软件早期版本中集成的人工智能的巧妙片段，主要目的是协助、支持和/或加快医疗决策过程 [10]。
使用 OMERO 在 QBI 存储图像数据
不幸的是，OMERO 无法看到已存储在 RDM 上的文件，它只能看到通过 Insight Uploader 上传的文件（OMERO.Insight 应用程序中的蓝色向上箭头）。对于通过 OMERO 组织/共享数据的用户，已存储在 RDM 中的文件需要通过 Insight 再次上传，从而有效地复制数据。
使用组合专题制图仪 (TM) 和航天飞机成像雷达 (SIR-B) 图像数据对植被进行特征化
与森林砍伐、碳循环、酸沉降和污染有关的重要问题。此外，全球植物信息在经济方面也很有用，例如调查粮食和纤维资源状况。许多研究人员已经研究了光学数据的信息内容，重点研究了 Landsat 传感器 [即多光谱扫描仪 (MSS) 和专题制图仪 (TM)]。遥感和植物学文献中充满了关于 MSS 和 TM 图像数据的潜在或实际用途的论文（请参阅 Colwell (1983) 的摘要）。其他研究人员已经探索了主动微波数据的信息内容（请参阅 Ulaby 等人 (1983) 的摘要）。很少有研究人员将光学和主动微波数据结合起来用于植被特征描述（Wu，1981）。在本文中，我们介绍了对加利福尼亚州某地区航天器拍摄的光学和有源微波图像数据进行综合研究的结果，该地区的草本植物和木本植被种类繁多。 1984 年 10 月，美国国家航空航天局 (NASA) 进行了第二次航天飞机成像雷达 (SIR) 任务。第一次任务 (SIR-A) 于 1981 年 11 月完成。它是一台合成孔径雷达 (SAR)，工作在 L 波段，波长为 23.5 厘米，微波发射和接收均为水平极化（即 HH 极化组合）。SIR-A 以入射角观察地球表面