XiaoMi-AI文件搜索系统
World File Search System地面图像
我为什么使用 UltraCam。 - 微软
UltraCam Osprey 不仅仅是一款标准相机，它在一个摄影测量级外壳中安装了两台相机，使用尖端技术同时收集摄影测量级地面图像 (PAN、RGB、NIR) 和倾斜图像 (RGB)，可用于地籍、基础设施规划、DTMOrtho 或 DSMOrtho 生成等应用。与所有 UltraCam 系统一样，UltraCam Osprey 提供亚像素精度、高动态范围，并在传感器头中集成所有系统组件，包括可选的 UltraNav 直接地理参考和飞行管理子系统，以及完整的 UltraMap 软件支持。
新品 新品 - 微软
UltraCam Osprey Prime II 不仅仅是一款标准相机，它在一个摄影测量级外壳中安装了两台相机，使用尖端技术同时收集摄影测量级的地面图像（PAN、RGB 和 NIR）和倾斜图像（80 兆像素 RGB），可用于地籍、基础设施规划、DTMOrtho 或 DSMOrtho 生成等应用。与所有 UltraCam 系统一样，UltraCam Osprey 提供亚像素精度、出色的信噪比，并在传感器头中集成所有系统组件，包括可选的 UltraNav 直接地理参考和飞行管理子系统。凭借一流的飞行收集效率，UltraCam Osprey Prime II 的设计非常合理
~~ 海洋开发部...
随着时间的推移，一些机构和组织开始在海洋领域开展工作。农业部和印度农业研究理事会直接参与生物资源的调查和评估，石油和天然气委员会负责碳氢化合物的勘探和开发，中央盐和海洋化学品研究所负责海水中的化学物质，太空部和国家遥感局负责与海洋相关的地面图像和照片解释技术。其他机构，如印度工程师有限公司、印度理工学院、巴巴原子研究中心、几所大学、中央水利和电力研究站、航运部、海军水文办公室、印度气象局、印度地质调查局和外交部，也开始在各自感兴趣的特定领域做出贡献。
微型 X 射线的局限性和可行性
随着太空探索向长期任务迈进，可靠的医疗诊断工具变得越来越重要。探索医疗能力 (ExMC) 和探索医疗集成产品团队 (XMIPT) 进行的微型 X 射线 (XR) 技术演示旨在评估微型 XR 设备在航天中的可行性和实用性。本摘要探讨了当前微型 XR 系统的局限性、培训机组人员的挑战、临床决策支持系统 (CDSS) 的潜在作用以及地面图像解释的可行性。我们还建议将微型 XR 整合到其他 ExMC 工作中，旨在确定未来探索级任务所需的能力和资源。微型 XR 设备面临的主要挑战之一是能否获得特定的解剖视图，尤其是在航天器的密闭和失重条件下。当空间有限，无法正确定位患者以及成像设备的体积有限时，操作员可能难以获取诊断质量的图像。由于空间辐射和探测器的限制可能会进一步影响图像质量，这些设备操作程序的灵活性对于它们在空间应用中的成功至关重要。
迈向图像编辑方法的定量评估指标
在生成AI的快速发展的领域中，这项工作采取了初步步骤，以建立用于比较图像编辑方法的系统范围。当前，缺乏用于评估IMED编辑任务的定量指标，而新方法主要是定性评估的。我们的方法涉及三个关键组成部分：1）使用gan-Control创建大型合成数据集，该数据集可以生成地面图像，以跨不同面部身份进行一致的编辑； 2）匹配过程，将编辑的图像与相应的地面真相配对； 3）将感知距离指标应用于匹配对。我们通过用户研究和一组仿真实验评估了我们提出的框架的有效性。我们的结果表明，我们的方法可以以与人类判断相符的方式对图像编辑方法进行排名。这项研究旨在为随后的研究中的图像编辑技术建立全面的评估框架奠定基础，并就此主题进行对话。
飞机系统和控制讲义 - IARE
电子支援措施（ESM），提供敌方发射器的发射器信息、范围和方位 磁异常探测器（MAD），在攻击前确认海面下大型金属物体（潜艇）的存在 声学传感器，提供检测和跟踪水下物体通过的手段 任务计算，整理传感器信息并提供融合数据 防御辅助设备，提供检测导弹袭击和部署对抗措施的手段 武器系统，用于武装、指挥和从飞机武器站发射武器 使用各种不同的视距、高频（HF）或卫星通信系统进行通信 定位保持，在无法使用定位灯的条件下，提供安全保持队形的手段 电子战系统，检测和识别敌方发射器，收集和记录流量，并在必要时提供干扰传输的手段 摄像机，用于记录武器效果，或为情报目的提供高分辨率地面图像 平视显示器，为机组人员提供主要飞机信息和武器瞄准信息头盔显示器为机组人员提供主要飞行信息和武器信息，同时允许头部自由活动，数据链路使用数据而不是语音在安全通信下传输和接收消息
SANS-CNN：一种利用宇航员图像数据来诊断航天相关神经眼部综合症的自动机器学习技术
太空飞行相关神经眼综合征 (SANS) 是太空飞行最大的生理障碍之一，需要对未来的行星任务进行评估和缓解。由于太空飞行环境是临床受限的环境，本研究的目的是使用在宇航员 SANS 光学相干断层扫描 (OCT) 图像上训练和验证的机器学习模型提供 SANS 的自动早期检测和预测。在本研究中，我们提出了一个轻量级卷积神经网络 (CNN)，它结合了 EffficientNet 编码器，用于从 OCT 图像中检测 SANS，名为“SANS-CNN”。我们使用 6303 张 OCTB 扫描图像进行训练/验证（80%/20% 分割），并使用 945 张 SANS 图像进行测试，结合地面图像和宇航员 SANS 图像进行测试和验证。使用 NASA 标记的 SANS 图像对 SANS-CNN 进行了验证，以评估准确度、特异性和敏感性。为了评估真实世界的结果，还在这个数据集上采用了两种最先进的预训练架构。我们使用 GRAD-CAM 来可视化中间层的激活图，以测试 SANS-CNN 预测的可解释性。SANS-CNN 在测试集上的准确度为 84.2%，特异性为 85.6%，敏感性为 82.8%，F1 分数为 84.1%。此外，SANS-CNN 的准确度分别比另外两种最先进的预训练架构 ResNet50-v2 和 MobileNet-v2 高出 21.4% 和 13.1%。我们还应用两种类激活图技术来可视化模型感知到的关键 SANS 特征。 SANS-CNN 代表一种使用真实宇航员 OCT 图像进行训练和验证的 CNN 模型，能够快速有效地预测在临床和计算资源极其有限的地球轨道以外的太空飞行任务中出现的类似 SANS 的情况。