XiaoMi-AI文件搜索系统
World File Search System实例
对硬性实例对过度拟合的影响...
对抗训练是一种鲁棒性模型来防止对抗攻击的流行方法。但是，它表现出比在干净输入的训练要严重得多的。在这项工作中，我们从培训实例的角度（即训练输入目标对）研究了这种现象。基于训练集中实例相对困难的定量度量，我们分析了该模型在不同难度水平的训练实例上的行为。这使我们证明，对抗训练的概括性能衰减是拟合硬对抗实例的结果。我们从理论上验证了线性和一般非线性模型的观察结果，证明了在硬实例上训练的模型的概括性能要比在简单实例上接受培训的模型要差，并且这种概括差距随着对抗性预算的规模而增加。最后，我们调查了在几种情况下减轻对抗性过度插入的解决方案，包括快速的对抗训练和使用其他数据进行预处理的模型。我们的结果表明，使用训练数据可自动提高模型的鲁棒性。
scmild：单细胞多个实例学习，用于样本分类和相关的亚群发现
单细胞转录组学可以研究细胞异质性，但是当前的无监督策略使将单个细胞与样品条件相关联的挑战。我们提出了SCMILD，这是一个基于多个实例学习的弱监督学习框架，该框架利用样本级标签来识别与条件相关的细胞亚群。SCMILD采用双分支结构来同时执行样本级分类和细胞级表示。，我们使用与CRISPR扰动细胞的对照模拟研究验证了该模型对条件相关细胞的可靠鉴定。对包括狼疮，COVID-19和溃疡性结肠炎在内的各种单细胞RNA-seq数据集进行了评估，SCMILD始终超过了最先进的模型，并确定了与原始研究的发现一致的条件特异性细胞亚群。这证明了SCMILD探索各种生物学条件及其在不同疾病环境中的适用性的细胞异质性的潜力。
基于量子退火的 Transformer 微调实例选择方法
摘要 目前，深度学习（DL）被广泛用于解决非常复杂的任务。然而，DL模型的训练需要庞大的数据集和漫长的训练时间。我们引入了一种新颖的量子实例选择（IS）方法，该方法将训练数据集的大小减少了多达 28%，同时保持了有效性，提高了训练效率和可扩展性。我们的方法利用量子退火（QA），一种特定的量子计算范式，可以解决优化问题。这是首次尝试使用 QA 解决 IS 问题，我们为其提出了一种新的二次无约束二元优化（QUBO）公式。对多个自动文本分类（ATC）数据集进行的大量实验表明，我们的解决方案是可行的，并且与当前最先进的 IS 解决方案具有竞争力。
边缘感知的双分支网络用于核实例分割
摘要 - 在移动医疗保健和远程诊断中，核分割是病理分析，诊断和分类的关键步骤，需要实时处理和高准确性。然而，核大小，模糊轮廓，不均匀染色，细胞聚类和重叠的细胞的变化阻碍了精确的分割。此外，现有的深度学习模型通常以增加复杂性的成本优先考虑准确性，从而使其不适合资源有限的边缘设备和现实世界部署。为了解决上述问题，我们提出了一个边缘感知的双分支网络，用于核实例分割。网络同时预测目标信息和目标轮廓。在网络中，我们提出了一个上下文融合块（CF-block），该融合块有效地从网络中提取和合并了上下文信息。加法 - 我们引入了一种后处理方法，该方法结合了目标信息和目标轮廓，以区分重叠的核并生成实例分割图像。进行了广泛的定量评估，以评估我们方法的性能。实验结果表明，与BNS，Monuseg和CPM-17数据集的最新方法相比，该方法的出色性能。索引术语 - 努塞鲁斯细分，移动医疗保健，实体细分，医学成像，双支分支网络
MamMIL：使用状态空间模型对整个幻灯片图像进行多实例学习
摘要 — 近年来，病理诊断通过将深度学习模型与使用全切片图像 (WSI) 的多实例学习 (MIL) 框架相结合而取得了优异的表现。然而，WSI 的千兆像素特性对高效的 MIL 提出了巨大挑战。现有研究要么不考虑实例之间的全局依赖关系，要么使用线性注意等近似值来建模对对实例交互，这不可避免地带来了性能瓶颈。为了应对这一挑战，我们提出了一个名为 MamMIL 的框架用于 WSI 分析，通过将选择性结构化状态空间模型（即 Mamba）与 MIL 相结合，能够在保持线性复杂度的同时对全局实例依赖关系进行建模。具体而言，考虑到 WSI 中组织区域的不规则性，我们将每个 WSI 表示为一个无向图。为了解决 Mamba 只能处理一维序列的问题，我们进一步提出了一种拓扑感知扫描机制来序列化 WSI 图，同时保留实例之间的拓扑关系。最后，为了进一步感知实例之间的拓扑结构并结合短程特征交互，我们提出了一种基于图神经网络的实例聚合块。实验表明，MamMIL 可以实现比最先进的框架更先进的性能。代码可以在 https://github.com/Vison307/MamMIL 访问。索引术语 — 多实例学习、状态空间模型、整个幻灯片图像
通过文本到图像RGBA实例生成生成构图场景
文本到图像扩散生成模型可以以繁琐的及时工程为代价产生高质量的图像。可以通过引入布局条件来提高可控性，但是现有方法缺乏布局编辑能力和对对象属性的细粒度控制。多层生成的概念具有解决这些局限性的巨大潜力，但是同时生成图像实例与场景组成限制了控制对细粒对象属性的控制，在3D空间和场景操作能力中相对定位。在这项工作中，我们提出了一种新型的多阶段生成范式，该范式专为细粒度的控制，灵活性和互动性而设计。为了确保对实例属性的控制，我们设计了一个新颖的训练范式，以使扩散模型适应带有透明度信息的RGBA图像，以生成孤立的场景组件。为了构建复杂的图像，我们采用了这些预生成的实例，并引入了一个多层复合生成过程，该过程平滑地组件在现实的场景中。我们的实验表明，我们的RGBA扩散模型能够生成具有对对象属性的精确控制的多样化和高质量实例。通过多层组成，我们证明了我们的方法允许从高度复杂的提示中构建和操纵图像，并通过对物体外观和位置进行精细的控制，从而获得比竞争方法更高的控制程度。
Sisyphean劳动实例化设备（幻灯片）
图8：原型中的最终硬件组件。软件组件经过了几次迭代来测试变体，这些变化在幻灯片的LCD屏幕和基于浏览器的接口上显示了不同的信息。这些变化考虑了参与者对原型原型的反应。
基于 MRI 的脑肿瘤实例分割（使用 Mask R-
脑肿瘤分割是医学图像分析中对于患者准确诊断和治疗的关键步骤。传统的肿瘤分割方法通常需要大量的手动操作，并且容易出现差异。在本研究中，我们提出了一种使用 Mask R-CNN 进行脑肿瘤分割的自动化方法，Mask R-CNN 是一种最先进的深度学习实例分割模型。我们的方法利用 MRI 图像来高精度地识别和描绘脑肿瘤。我们在带注释的 MRI 图像数据集上训练了 Mask R-CNN 模型，并使用平均精度 (mAP) 指标评估了其性能。结果表明，我们的模型实现了 90.3% 的高 mAP，表明其在准确分割脑肿瘤方面的有效性。这种自动化方法不仅减少了肿瘤分割所需的手动操作，而且还提供了一致可靠的结果，有可能改善临床结果。
德克萨斯2012 教育部（MEC）高等教育人员改善（CAPES）评估委员会（DAV）19.farm@capes.gov.br 报告Vigitel Brasil 2023（2706367）我知道25351.911221 ... 初步报告 - 血友病患者和血液凝血因子VIII> VIII因子VIII PowerPoint演示 技术会议与展览 - 门户gov.br 意见SEI No. 3997/2024/MF摘要：CP ANVISA No. 1,282 ... 人类细胞和组织的良好实践指南用于治疗用途 扇区和项目资格参数列表 技术注释14（0046213575）I SEI 25000.031534/2024-94 ... 最终语句特定实例号02/20181 ... FDD-空缺出版-Gov.br 卫生部-Portal Gov.br 航空中的人工智能-Portal Gov.br
遵循良好编辑实践的索引期刊的出版物是药学区域的提高和可见性的基础，这对国家的科学和技术发展做出了重大贡献。通过选择在可靠的期刊上发表，作者在其作品中表现出色，以使他们的作品从该地区有能力的同龄人的公认过程中获得科学的信誉，从而确保道德平稳性，有助于其研究的质量和完整性。此外，在受人尊敬的期刊上发表的文章倾向于实现更广泛，更合格的受众，促进对药学科学知识的传播，并积极影响公共卫生，药物教育，药物政策和与化学药品相关的风险管理。因此，理解和仔细应用原则以识别合法杂志成为任何研究人员不仅旨在认识其工作的研究人员的关键步骤，而且还旨在对药物科学的持续进展做出有效贡献。
bin选择的几个透明实例细分
摘要在本文中，我们考虑了从机器人箱拾取设置中从RGB或灰度相机图像中分割多个实例的问题。用于解决此任务的先前方法通常是在Mask-RCNN框架上构建的，但是它们需要大量注释的数据集进行填充。取而代之的是，我们在几个拍摄设置中考虑任务，并在trinseg中考虑了基于mask-rcnn的透明对象的数据效率和健壮的实例分割方法。我们在trinseg中的关键创新是双重的：i）一种被称为transmixup的新颖方法，用于使用合成透明的对象实例生成新的训练图像，该图像是通过空间转换带注释的示例创建的； ii）一种评分理想对象模板的预测段和旋转之间一致性的方法。在我们的新评分方法中，空间转换是由辅助神经网络产生的，然后将得分用于填充不一致的实例预测。为了证明我们方法的效果，我们介绍了一个新的几种数据集的实验，该数据集由七个类别的非偏见（透明和半透明）对象组成，每个类别的大小，形状和透明度的透明度变化。我们的结果表明，Trinseg实现了最先进的性能，在MIOU中提高了14％以上的细化面膜RCNN，同时需要很少的带注释的培训样本。