XiaoMi-AI文件搜索系统
World File Search System多分辨率
ScienceDirect
机器学习技术在钢铁行业的应用并不新鲜，它被广泛用于预测（Ordieres-Mer'e 等人，2010 年）和聚类目的（Gonz'alez-Marcos 等人，2014 年）。随着深度学习等机器学习技术的出现，科学家、研究人员和工程师为设计具有视觉敏锐度仿生特征的人工视觉系统（Caves 等人，2018 年；Park 等人，2020 年）和精确的视觉运动检测（Fu 等人，2019b 年；Zhao 等人，2020 年）做出了巨大努力。深度神经网络在执行人工视觉方面取得成功的主要原因之一是它们能够发现具有网格状拓扑的数据的统计特性，例如：平移不变性、组合性和局部聚类（Simoncelli 和 Olshausen，2001 年）。卷积网络利用这一数学特性，擅长从平移不变的网格状数据集中提取相关信息。组合性来自数据集的多分辨率，例如彩色像素的 RGB 通道，而局部聚类是由于网格状数据集呈现相似的局部特征而实现的（Chollet，2018 年）。事实上，有些应用以质量为主要目标（Ordieres-Mer´e 等人，2013 年）。深度学习也作为工业质量分类的工具被应用（Villalba-Diez 等人，2019 年；Schmidt 等人，2020 年），其中包括钢铁质量分类（Fu 等人，2019b、a；Hao 等人，2021 年；Psuj，2018 年；Zheng 等人，2021 年）。
高分辨率模型对比项目（Highresmip）气候模型的北极海冰的过去和未来
摘要。我们检查了六个气候模型的北极海冰性能的过去和预计变化，该模型在耦合模型对比的耦合模型对比ISON项目阶段6（CMIP6）中的高分辨率模型对比项目（HighResmip）中进行了调查。在大雷值中，每个实验都使用参考分辨率结构（与典型的CMIP6运行一致）和更高分辨率的配置进行运行。分析了水平网格分辨率在大气模型组件和海洋模型组件中的作用，在北极海冰覆盖的过去和繁殖变化中。模型输出来自耦合的历史（Hist-1950）和Future（HighreRes-Future）运行，用于描述北极海冰的多模型，多分辨率表示，并评估该分辨率增强原因的系统差异（如果有）。我们的结果表明，海冰覆盖的表示与海洋/大气网格之间没有密切的关系。 Horizontal分辨率的影响取决于所检查的海冰特征和所使用的模型。然而，与大气的重新构造相比，海格的重新构成具有更大的作用，涡流的海洋结构通常可以提供更现实的海冰区和海冰边缘的代表。所有型号都大量的海冰缩小：北极从1950年到2050年损失了近95％的海冰量。基于历史表现的模型选择可能会提高模型预测的准确性，并预测北极最早在2047年将无冰。随着整个海冰的损失，注意到总海冰的空间结构的变化及其在冰层中的划分：边际冰区（MIZ）将在2050年到2050年主导冰盖，这表明向新的海冰制度转移到了更接近Cur-
基于斑点的成像（SBI）应用，具有光谱光子计数检测器的新建立的最佳成像（最佳成像和断层扫描）LA
摘要：基于斑点的成像（SBI）是一种先进的X射线成像技术，除了吸收信号外，还测量相位和暗场信号。SBI使用随机波前调节器生成斑点，需要两个图像：一个单独具有斑点模式，另一个具有样品和斑点。SBI重建算法通过比较这两个图像来检索三个信号（传输，折射和暗场）。在SBI中，斑点可见性在检索三个信号中起着至关重要的作用。将技术从同步加速器源转化为紧凑的实验室设置时，源源的连贯性和可用分辨率中的局限性降低会产生较低的斑点可见性，从而阻碍了相位和暗场信号的检索。在这种情况下，直接检测CDTE X射线光子计数检测器（XPCD）提供了一个有吸引力的解决方案，因为它们允许高检测效率和最佳的空间分辨率增强斑点可见性。在这项工作中，我们介绍了新建立的最佳成像（最佳成像和断层扫描）实验室，用于托管在Elettra Synchrotron（意大利Trieste）的X射线成像。SBI的设置具有高达15 µm的分辨率，包括XPCD和电荷整合平面面板检测器（FPD）来获取SBI数据。总结了将SBI应用程序从同步器设施转移到紧凑的实验室设置时的主要限制因素。通过比较使用两个检测器获得的SBI图像来讨论XPCD比FPD的优点。简要介绍了通过使用XPCD的多阈值获取的光谱分解方法的潜力。本工作中显示的结果代表了实现多模式和多分辨率X射线设施的第一步。
在德国奥格斯堡的两个不同高度的生物多样性，丰度，季节性和昼夜的花粉分布模式
机载花粉是全球最重要的空气过敏剂。由于气候变化，花粉季节性和丰度正在发生重大改变，这引起了基本问题：花粉暴露何时和多少增加？为了回答这个问题，我们采用了多分辨率的研究设计，从大约每年到年度规模，研究了空中花粉的多样性，丰度和时间出现。使用7天记录的Hirst型体积陷阱，在2015年至2017年期间进行了空气传播的花粉浓度。监控是在地面上进行的，我们主要是上下班和居住的地方，在“金标准”屋顶级别（地面高12 m），分辨率：a）每天bi-hourly，b）。评估了所有分类单元的生物多样性和相对丰度，并开发了第一个花粉季节日历以及昼夜节律日历，用于德国奥格斯堡。确定了40多种花粉类型，其中13种是最丰富的（每个相对丰度> 0.5％，总计91.8％）。生物多样性在高度之间没有任何明显的差异，尿布科，槟榔和豆豆的花粉代表了始终超过一半的区域大气生物多样性。在屋顶级别的花粉丰度通常看起来更高，尤其是对于betula，picea和quercus。主要的花粉季节从3月至10月延长，最高峰将于4月至5月。在屋顶级别，大多数分类单元的花粉季节都早些时候，整个季节更长。时花粉在一天中，在中午至下午观察到较高的花粉浓度（荨麻教，肺科，plantago，大多数是地面上的分类单元）或傍晚到清晨，经常使用多模式的昼夜模式（betula，fraxinus，fraxinus，fraxinus，大多数是屋顶级别的分类）。我们的发现表明，应深入重新考虑地面和“金标准”屋顶级花粉测量之间的丰度和时间分布模式的概括。
使用机器学习的HSRP数字板检测-IJRPR
在过去五年中，使用机器学习技术对高安全性登记板（HSRP）的检测和认可取得了相当大的势头，这是在深度学习进步的推动下，尤其是卷积神经网络（CNNS）。这些模型已被证明有效地识别字母数字模式并处理与HSRP相关的复杂性，例如不同的字体，设计和安全功能。在2019年，Li等人。在CNN中引入了专门用于车辆登记板检测的CNN中的使用。通过将模型的注意力集中在数字板的关键区域上，它们的方法提高了结果的准确性和解释性。这项研究在应对复杂的HSRP设计带来的挑战方面至关重要，该设计通常包括全息图和水印。基于注意力的方法使该模型忽略了无关紧要的背景信息，而是专注于板块的重要细节[1]。Uddin等人解决了HSRP检测域中标记的数据有限的问题。在2020年，使用了转移学习技术。通过在大规模数据集上微调预训练的模型，然后将其调整为HSRP识别的特定任务，它们在速度和准确性方面都有显着提高。他们的研究还探讨了数据扩展等技术，以增强模型的概括能力，当时应用于不同的HSRP格式[2]。在2021年，Shah等人。此方法对于处理监视录像中通常遇到的模糊或扭曲的图像特别有用[3]。引入了多分辨率CNN体系结构，以改善在不同条件下（例如不同的图像分辨率，角度和环境因素）的HSRP检测。他们的方法使网络可以在多个尺度上处理图像，从而改善了鲁棒性，尤其是在现实情况下，可以从不同角度或在弱光条件下捕获板。在2022年，Patel和Rao开发了一种混合系统，将CNN与光学特征识别（OCR）技术相结合，用于检测和识别HSRPS。他们的方法利用CNN来定位和检测板，而OCR则被用来读取板上的字母数字字符。这种集成导致对HSRP的检测和识别更加准确，尤其是在安全特征或字体显着变化的情况下[4]。Kumar等。 （2023）的重点是克服缺乏大规模数据集对HSRP检测所带来的挑战。 他们的研究介绍了新型的数据增强技术和合成数据集生成，其中人为生成的HSRP图像用于训练CNN模型。 这种方法不仅扩展了数据集，还扩展了Kumar等。（2023）的重点是克服缺乏大规模数据集对HSRP检测所带来的挑战。他们的研究介绍了新型的数据增强技术和合成数据集生成，其中人为生成的HSRP图像用于训练CNN模型。这种方法不仅扩展了数据集，还扩展了
通过人工智能和物联网迈向智能交通
智慧城市的关键愿景之一是打造更加智能的交通网络，特别是智能交通。它促进人类、动物和货物安全有效的物理移动和互动。典型的全球问题包括可持续能源、交通事故、交通拥堵、物流管理、数据分析、安全和隐私。近年来，物联网 (IoT) 和人工智能 (AI) 在实现这一智慧城市愿景方面发挥了主导作用。前者为可扩展且强大的数据收集和传输提供了坚实的基础设施。后者为智能交通应用的机器带来了创造性和创新性元素。在本期特刊“交通革命中的物联网和人工智能”中，发表了十 (10) 篇研究文章。这些文章围绕人工智能和物联网对智能交通的影响展开了有意义的讨论。本社论不仅总结了专刊文章，还分享了其他热门研究主题。交通运输在当今的经济和社会发展中发挥着至关重要的作用。作为日常道路使用者，我们需要确保安全有效的出行。根据世界卫生组织 (WHO) 的数据，每年道路交通死亡和受伤人数分别达到 135 万和 5000 万 [ 1 ]。根据 Web of Science 统计数据，自 2007 年以来，人们对智能交通的关注度不断提高，这反映在研究出版物数量的不断增加上。从 2014 年到 2019 年，研究出版物数量平均增长了 51.6%。第一篇文章“基于场景划分和深度强化学习的海上自主水面舰艇自主导航决策”[ 2 ]，由 X. Zhang、C. Wang、Y. Liu 和 X. Chen 撰写，研究了海上自主水面舰艇 (MASS)。自适应导航和不确定环境引起了人们的关注。提出了一种人工势场深度强化学习方法。他们的实验表明，与传统的深度强化学习方法相比，所提出的方法将碰撞率从 2.24% 显着降低到 1.16%。Y. Jiang、B. Liu、Z. Wang 和 X. Yi 发表了一篇文章“从头开始：一种基于众包的数据融合方法，用于支持位置感知应用”[ 3 ]。26 名志愿者参与了数据收集过程。多维众包结合多分辨率环境地图和交易编码已应用于室内定位问题。总共从两层楼的五种智能手机收集了 931 条众包数据轨迹，总建筑面积为 4000 平方米。结果显示，一半的数据点是完美的，而 90% 的数据点有两个单元格的偏差。
XSL•fo
背景：心脏骤停（CA）是重症患者死亡的主要原因。临床研究表明，对CA的早期鉴定会降低死亡率。算法能够使用多元时间序列数据来预测具有高灵敏度的Ca。但是，这些算法遭受了很高的错误警报率，它们的结果在临床上不可解释。目标：我们使用多分辨率统计特征和基于余弦相似性的特征提出了一种集成方法，以及时预测Ca。此外，这种方法提供了临床上可解释的结果，临床医生可以采用这些结果。方法：使用来自“重症监护IV数据库”和EICU协作研究数据库的医学信息MART的数据回顾性分析患者。基于被诊断为心力衰竭的成年人的24小时时间窗口的多元生命体征，我们提取了基于多解决的统计和基于余弦相似性的特征。这些功能用于构建和发展梯度提升决策树。因此，我们采用了对成本敏感的学习作为解决方案。然后，进行了10倍的交叉验证以检查模型性能的一致性，并使用Shapley添加说明算法来捕获所提出模型的整体可解释性。接下来，使用EICU协作研究数据库进行了外部验证以检查概括能力。根据CA的及时预测，提出的模型达到了高于0.80的AUROC，以预测提前6小时的CA事件。结果：所提出的方法在接收器工作特性曲线（AUROC）下产生了0.86的总面积，并且在Precision-Recall曲线（AUPRC）下为0.58。所提出的方法同时提高了精度和灵敏度以增加AUPRC，从而减少了错误警报的数量，同时保持了高灵敏度。此结果表明所提出的模型的预测性能优于先前研究中报告的模型的性能。接下来，我们证明了特征重要性对所提出方法的临床解释性的影响，并推断了非CA和CA组之间的影响。最后，使用EICU协作研究数据库进行了外部验证，并且在一般重症监护病房的人群中获得了0.74的AUROC，AUPRC为0.44。结论：拟议的框架可以为临床医生提供更准确的CA预测结果，并通过内部和外部验证降低错误警报率。此外，临床上可解释的预测结果可以促进临床医生的理解。此外，生命体征变化的相似性可以为患有心力衰竭相关诊断患者的CA预测的时间模式变化提供见解。因此，我们的系统足以适合常规临床使用。此外，关于拟议的CA预测系统，在未来的数字健康领域开发了临床成熟的应用程序。
使用可解释的机器学习对重症监护病房中的心脏骤停进行早期预测：回顾性研究
背景：心脏骤停 (CA) 是重症监护病房 (ICU) 患者死亡的主要原因之一。尽管已经开发了许多具有高灵敏度的 CA 预测模型来预测 CA，但由于缺乏泛化和验证，它们的实际应用一直具有挑战性。此外，不同 ICU 亚型患者之间的异质性尚未得到充分解决。目标：本研究旨在提出一种临床可解释的集成方法，用于在 24 小时内及时准确地预测 CA，而不考虑患者的异质性，包括不同人群和 ICU 亚型之间的差异。此外，我们进行了独立于患者的评估以强调模型的泛化性能，并分析了临床医生可以实时轻松采用的可解释结果。方法：使用重症监护医学信息集市-IV (MIMIC-IV) 和 eICU 协作研究数据库 (eICU-CRD) 的数据对患者进行回顾性分析。为了解决性能不佳的问题，我们使用基于生命体征、多分辨率统计分析和基尼指数的特征集构建了我们的框架，并以 12 小时的窗口期来捕捉 CA 的独特特征。我们从每个数据库中提取了 3 种类型的特征，以比较 MIMIC-IV 中的高风险患者组和 eICU-CRD 中没有 CA 的患者之间的 CA 预测性能。在特征提取之后，我们使用具有成本敏感学习的特征筛选开发了一个表格网络 (TabNet) 模型。为了评估实时 CA 预测性能，我们使用了 10 倍留一患者交叉验证和交叉数据集方法。我们在每个数据库中针对不同队列人群和 ICU 亚型评估了 MIMIC-IV 和 eICU-CRD。最后，使用 eICU-CRD 和 MIMIC-IV 数据库进行外部验证，以评估模型的泛化能力。所提方法的决策掩码用于捕获模型的可解释性。结果：在 MIMIC-IV 和 eICU-CRD 中，所提出的方法在不同队列人群中的表现均优于传统方法。此外，它在两个数据库中对各种 ICU 亚型的准确度都高于基线模型。可解释的预测结果可以作为非 CA 组和 CA 组之间的统计比较，从而增强临床医生对 CA 预测的理解。接下来，我们分别使用在 MIMIC-IV 和 eICU-CRD 上训练的模型测试了 eICU-CRD 和 MIMIC-IV 数据集，以评估泛化能力。结果显示，与基线模型相比，性能更优越。结论：我们用于学习独特特征的新框架在不同的 ICU 环境中提供了稳定的预测能力。大多数可解释的全局信息揭示了 CA 组和非 CA 组之间的统计差异，证明了其作为临床决策指标的实用性。因此，所提出的 CA 预测系统是一种临床