XiaoMi-AI文件搜索系统
World File Search System图像数据
从...
引言患者特定的心脏建模结合了源自医学图像和生物物理模拟的心脏的几何形状，以模拟心脏功能的各个方面。它可以非侵入性地提供有用的生理信息，以促进对个别患者的心脏疾病的理解，诊断和治疗计划[1]。但是，从患者图像数据中生成拟合心脏的模拟网格通常需要复杂的程序和大量的人类努力，从而限制了临床翻译。因此，我们有动力开发快速自动化的方法，从医学图像中构建心脏的模拟网格。深度学习方法可以从现有数据训练神经网络，以自动处理医疗图像并产生全心重建。虽然大多数先前的深度学习方法都集中在图像分割上，但我们最近的方法直接从患者图像数据中直接重建表面网格[2-3]。通过变形表面网格模板，我们以前的方法消除了中间分割步骤，该步骤有时会引入含有拓扑异常的外部区域，这些区域是无形的，无法用于基于模拟的分析[2]。我们还将自由形式变形（FFD）与深度学习结合在一起，以预测控制点网格的位移，以变形包含模拟的整个心脏模板的空间，从而可以直接重建来自图像数据的模拟现象[3]。但是，由于FFD对复杂形状变形的能力有限，因此我们先前的方法需要一个密集的控制点网格，包括成千上万的控制点，以实现可接受的整个心脏重建精度[3]。在这里，我们提出了一种新的深度学习方法，该方法利用Biharmonic坐标来变形整个心脏模板，以更高的精度和更少的控制点拟合目标图像数据。我们还引入了一些有效的学习偏见作为目标功能，以产生能够更好地满足心脏流量计算模拟的建模要求的网格。
在线环境下基于通道优化视觉图像的机械臂控制
摘要 — 脑电图是一种有效的方法，它以非侵入方式在用户和计算机之间提供双向通路。在本研究中，我们采用视觉图像数据来控制基于 BCI 的机械臂。随着用户执行任务，视觉意象会随着时间的推移增加视觉皮层的 alpha 频率范围的功率。我们提出了一种深度学习架构，仅使用两个通道来解码视觉图像数据，并且我们还研究了具有显着分类性能的两个 EEG 通道的组合。使用所提出的方法时，离线实验中使用两个通道的最高分类性能为 0.661。此外，使用两个通道（AF3-Oz）的在线实验中的最高成功率为 0.78。我们的结果提供了使用视觉图像数据控制基于 BCI 的机械臂的可能性。
深度学习在医学图像分析中的障碍
摘要 - 深度学习的使用已彻底改变了疾病的检测，并使医疗保健领域中强大而精确的计算机辅助诊断工具创建了疾病。人工智能（AI）工具现在可以检测癌症，内部出血，断裂等，而无需人工干预，这要归功于深度学习。蓬勃发展的医疗保健行业面临着深度学习的严重风险。由于嘈杂的医学图像数据，用户和患者不信任以及与医学数据相关的道德和隐私问题，缺乏平衡的注释的医学图像数据，对深度神经网络和建筑的对抗性攻击，这是深度学习研究人员和工程师所面临的一些重大挑战，尤其是在医学图像诊断中。本文解决了这些问题。这项研究通过探索其在医疗保健中的潜在应用来定义AI的公众怀疑。
数字 - Joanneum Research
我们评估遥感数据以监测环境并开发用于灾害控制的态势感知系统。为此，我们开发了图像评估算法、数据预处理流程链以及从立体图像数据生成 3D 信息。除了来自光学传感器的数据外，还处理来自 SAR（合成孔径雷达）和 Lidar（光检测和测距）的信号。
引入新芽（使用阈值的区域输出的半自动化划分）：一种适应性的计算机视觉工具，用于生成3D分段
3D图像数据的可用性提高需要提高目前依赖手动标记的数字细分效率，尤其是在将结构分为多个组件时。自动化和半自动化的方法，例如深度学习和智能插值，但需要预先标记的数据，以及专门的硬件和软件。深度学习模型通常需要手动创建广泛的培训数据，尤其是对于复杂的多级分段。在这里，我们介绍了Sprout，这是一种新颖的，半自动化的计算机视觉方法，提供了时间效率且用户友好的管道，用于细分和分析图像数据。发芽基于指定的密度阈值和连接组件的侵蚀生成种子（代表对象的部分），以实现元素分离。种子生长以获得完全分类的分割。我们将Sprout的性能与智能插值的性能进行比较，并将其应用于不同的数据集，以证明此开源3D细分方法的实用性和多功能性。
空中对象检测分析
摘要。计算机视觉允许计算机从图像，视频和其他视觉输入中检索信息。无人驾驶汽车（UAV）技术也用于帮助计算机视觉从空中收集图像数据。本文旨在通过从对象上方垂直捕获图像来使用UAV进行树对象检测。图像数据是从2023年7月5日至12日从Sleman Yogyakarta附近收集的。总共将162张图像用作数据集。Yolov8n模型被实施至162张图像作为培训和验证数据。接下来，将其他12个图像用作测试数据。结果表明，Yolov8n可以从上方检测到树木。具有适当图像捕获的测试数据集的置信值超过80％。作为用于对象检测的深度学习算法，Yolo模型可以快速准确地执行对象检测。随后的研究将着重于使用Yolo算法来分析对象检测的实施，以测量开放绿色区域。
数字 - Joanneum 研究
我们评估遥感数据以监测环境并开发用于灾害控制的态势感知系统。为此，我们开发了图像评估算法、数据预处理流程链以及从立体图像数据生成 3D 信息。除了来自光学传感器的数据外，还处理来自 SAR（合成孔径雷达）和激光雷达（光检测和测距）的信号。
Terapixel图像处理的集成光子编码器
摘要（150个单词）现代镜头设计能够解决> 10吉像素，而相机框架速率和高光谱成像的进步使Terapixel/S数据获取成为了真正的可能性。阻止这种高数据率系统的主要瓶颈是功耗和数据存储。在这项工作中，我们表明模拟光子编码器可以应对这一挑战，从而可以使用比数字电子设备低的功率来实现高速图像压缩。我们的方法依赖于硅 - 光子学前端来压缩原始图像数据，预言了能量密集型图像调理并减少数据存储要求。压缩方案使用被动无序的光子结构来对原始图像数据进行内核型随机投影，其功耗最少和低潜伏期。后端神经网络可以以超过90％的结构相似性重建原始图像。此方案有可能使用小于100 FJ/Pixel处理Terapixel/S数据流，从而为超高分辨率数据和图像采集系统提供了途径。
徕卡 BLK247 AI
Leica BLK247 AI 软件使用先进的机器学习算法，可将物体分类为“人类”或“非人类”。与其他技术不同，BLK247 AI 根据 LiDAR 数据而非图像数据对物体进行分类。这样，在任何照明条件下或因隐私原因禁止使用 RGB 图像的区域，都可以进行精确分类。