XiaoMi-AI文件搜索系统
World File Search System多分辨率
使用多分辨率奇异值分解（MSVD）
大脑计算机界面（BCI）多模式融合具有通过减轻与单个模态相关的缺点来以高度可靠的方式生成多个命令的潜力。在本工作中，通过同时记录的脑电图（EEG）（EEG）和功能性近红外光谱（FNIRS）信号融合来获得的混合EEG-FNIRS BCI系统 - 用于克服Uni-Mododity的局限性并获得更高的任务分类。尽管混合方法增强了系统的性能，但由于缺乏融合这两种方式的计算方法的可用性，这些改进仍然是适中的。为了克服这一点，提出了一种新的方法，使用多分辨率的奇异值分解（MSVD）来实现基于系统和特征的融合。使用KNN和树分类器比较了两种基于不同特征集的方法。通过多个数据集获得的结果表明，所提出的方法可以有效地融合这两种方式与分类精度的提高。
多标签ECG分类的多分辨率共同学习网络
摘要 - 记录心脏的电子生理活性的摘要 - 心理图（ECG）已成为诊断这些疾病的关键工具。近年来，深度学习技术的应用显着提高了ECG信号分类的实现。多分辨率特征分析在不同时间尺度上捕获和过程信息可以提取ECG信号的微妙变化和整体趋势，显示出独特的优势。但是，基于简单特征添加或串联的常见多分辨率分析方法可能导致忽视低分辨率特征，从而影响模型性能。为了解决这个问题，本文提出了多分辨率的共同学习网络（MRM-Net）。MRM-NET包括双分辨率注意结构和特征互补机制。双分辨率的体系结构过程并联高分辨率和低分辨率特征。通过注意机制，高分辨率和低分辨率分支可以集中于微妙的波形变化和整体节奏模式，从而增强了捕获ECG信号中关键特征的能力。同时，特征互补机制在特征提取器的每一层之后引入了相互特征学习。这允许在不同的分辨率方面的功能相互加强，从而减少信息丢失并提高模型性能和鲁棒性。在PTB-XL和CPSC2018数据集上进行的实验表明，MRM-NET在多标签ECG分类性能中的现有方法显着优于现有方法。我们的框架代码将在https://github.com/wxhdf/mrm上公开获取。索引术语 - ECG分类，多分辨率，注意机制，相互学习
使用多传感器和多分辨率遥感图像的长期土地覆盖变化检测：中国长大学的案例研究
更改检测是遥感应用程序中最重要的方面之一。但是，由于图像采集的有限条件，从相同类型的遥控传感器获得的图像通常用于监视长期土地使用和土地覆盖（LULC）的变化。由于航空航天技术的发展和新的光学遥控传感器，LULC更改检测可以很好地使用多传感器和多分辨率图像进行。本文的主要贡献是验证通过将不同的更改检测方法应用于多传感器和多分辨率遥感图像来执行长期LULC更改检测是可行且可行的。在这项研究中，从1998年至2018年，在Landsat，Quickbird，Worldview-4和GF-2图像上使用了不同的变更检测方法，以检测中国Chang'an University的Weishui校园的LULC变化。结果表明，使用LandSat-5图像的直接光谱比较方法比使用LandSat-7图像在1998年至2008年之间更有效地检测到1998年至2008年之间的LULC变化。然而，在2008 - 2018年间，基于对象的变更检测方法比使用时间序列的高分辨率图像来监视校园中LULC更改的分类后方法更适用。这项研究可用作使用多传感器和多分辨率遥感图像的参考，以及在LULC变化检测场中不同变化检测方法的组合。
智能分辨率：将低温电子显微镜与人工智能驱动的多分辨率模拟相结合，以观察 SARS-CoV-2 复制-转录机制的运作
严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 复制转录复合物 (RTC) 是一种多结构域蛋白，负责在人体细胞内复制和转录病毒 mRNA。用药物化合物攻击 RTC 功能是治疗 COVID-19 的途径。传统工具，例如低温电子显微镜和全原子分子动力学 (AAMD)，无法提供足够高的分辨率或时间尺度来捕捉这种分子机器的重要动态。因此，我们开发了一种创新的工作流程来弥合这些分辨率之间的差距，使用中尺度波动有限元分析 (FFEA) 连续模拟和 AI 方法层次结构，不断学习和推断特征以保持 AAMD 和 FFEA 模拟之间的一致性。我们利用多站点分布式工作流管理器来协调 AI、FFEA 和 AAMD 作业，从而实现 HPC 中心间资源的最佳利用。我们的研究提供了前所未有的途径来研究 SARS-CoV-2 RTC 机制，同时为大规模支持 AI 的多分辨率模拟提供了通用能力。
Remondino-Rizzi 基于现实的 3D 世界文档...
3D 光学计量学组，布鲁诺凯斯勒基金会 (FBK)，意大利特伦托 - (remondino, rizziale)@fbk.eu 委员会 V，工作组 V/4 关键词：摄影测量、激光扫描、多分辨率、多传感器、世界遗产地 摘要：文化遗产记录的重要性得到了广泛认可，并且对以数字方式记录和保存文化遗产地的压力也越来越大。新传感器、数据捕获方法和多分辨率 3D 表示的不断发展以及现有传感器、数据捕获方法和多分辨率 3D 表示的改进可以为文化遗产地的记录、保护和展示以及该领域研究的发展做出重大贡献。本文回顾了一些重要的记录要求和规范、实际的测量和建模方法及其局限性和潜力以及遗产领域涉及的可视化问题。报告并讨论了一些联合国教科文组织世界遗产地 3D 记录的例子。
分层多尺度脑肿瘤分割网络
摘要：准确、高效的自动脑肿瘤分割算法对临床实践具有重要意义。近年来，人们对使用卷积神经网络的自动分割算法产生了浓厚的兴趣。在本文中，我们提出了一种新型的分层多尺度分割网络 (HMNet)，它包含一个高分辨率分支和并行的多分辨率分支。高分辨率分支可以跟踪脑肿瘤的空间细节，而多分辨率特征交换和融合使网络的感受野能够适应不同形状和大小的脑肿瘤。具体而言，为了克服昂贵的 3D 卷积造成的大量计算开销，我们提出了一个轻量级的条件通道加权块来减少 GPU 内存并提高 HMNet 的效率。我们还提出了一个轻量级的多分辨率特征融合 (LMRF) 模块，以进一步降低模型复杂度并减少特征图的冗余。我们在 BraTS 2020 数据集上运行测试，以确定所提出的网络的效果如何。 HMNet 对 ET、WT 和 TC 的骰子相似度系数分别为 0.781、0.901 和 0.823。在 BraTS 2020 数据集和其他两个数据集上进行的大量对比实验表明，我们提出的 HMNet 与 SOTA 方法相比取得了令人满意的性能。
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
dynagrid：用于大规模集成和电化的动态微电网
技术范围开发了一种多分辨率（分形）方法，该方法考虑了几层动态网格分配，并具有不同级别的细节：•在正常运行期间，最佳分区可能会随时间变化，例如，由于大量电动汽车（EVS）的存在（EVS）（EVS）（EVS）或每日变化在Solar PhotoRAr Photovoltaic（PV）中的每日变化中，因此可以将载荷变化，从而改变了负载的加载，从而改变了负载。•在中断期间，通常在正常操作中表现良好的分区可能无效地继续为网络中未受影响和严重损坏的部分中的客户提供服务。创新：•微电网的动态和多分辨率形成•网络微电网的分布式控制和操作•公平的微电网网络，以改善能量正义。