XiaoMi-AI文件搜索系统
World File Search System掩码
通过有条件介绍红外图像中多级对象检测的生成数据增强
红外图像中的多级对象检测对于军事和平民使用很重要。深度学习方法可以获得高精度，但需要大规模数据集。我们提出了一个生成数据增强框架文档，用于使用有限数据的红外多级对象检测。本文的贡献是四倍。首先，Doci-Gan被设计为有条件的图像介绍框架，得出配对的红外多级对象图像和注释。其次，为文本到图像转换器配制了将文本格式对象注释转换为边界框掩码映像，从而导致增强是掩盖图像 - 图像 - 绘制图像图像翻译。第三，产生了基于多形态侵蚀的损失，以减轻对本地背景和全球背景的涂料不一致的不一致性。最后，为了生成各种图像，人工多级对象注释在增强过程中与真实的对象注释集成在一起。实验结果表明，具有高质量红外多级对象图像的文档增强数据集，从而提高了对象检测基准的准确性。
实验研讨会2 -IE
我们的安装由一个白色盒子组成，其中包含阴影的投影。阴影的脸在浮动面具后面，阴影似乎拼命地试图从上述盒子中逃脱。为代表概念的人类方面，我们决定使用掩码以及一个视频投影，显示盒子里的剪影。面具显示出非常有趣的表达，因为它传达了焦虑和悲伤的外观。我们用它来实施这样的想法，即技术正在导致人类感受到这些情绪。此外，我们将手机放在面具后面，该手机不断收到通知。背后的想法是将手机描绘成轮廓的大脑；说明这种正在进行的发送和接收消息的循环是我们大脑中已经刻有的。没有真实身体的物理面具椅，显示了我们如何在社交媒体上扮演不同的角色，仅显示一个完美的立面，其中不确定在线存在背后的人是谁，或者他们真的存在。没有任何真实质量的身体的投影表明我们的真实自我如何像我们在互联网上显示的面具后面的鬼魂或幻影一样。
计算机视觉方法烧伤区域图像分割
了解野火后被烧毁区域的程度和严重程度是对对Climate变化影响感兴趣的科学家进行研究的重要目标和重点。在我们的项目中，我们使用六个进一步的分割模型来实现这项任务，使用较低分辨率Landsat卫星的遥感图像作为输入和输出分割掩码，以表明图像的哪些部分被燃烧并且未燃烧。我们的模型建立在Pytorch模型库和开源U-NET模型的DeepLabv3分割模型上；我们使用这些模型的预贴版本作为基线，并进一步实验将红外带作为输入和MAE损失函数，旨在减少噪声和低分辨率的影响。我们发现所有方法都达到了高精度，但是除了RGB之外，还包括NIR（近红外）和SWIR（短波输入）频段的5频段模型，对于DeepLabV3和U-NET架构都表现最好。我们的模型在数据集中的加利福尼亚野火方面非常有效，但是我们希望将它们进一步推广到世界其他地区的分布之外的火灾，那里的火灾未有充分记录。这些广告将极大地帮助这些领域的应急准备，野生火灾和气候科学。
HG-CAD：计算机辅助设计中的材料预测和建议的层次图
为了支持智能计算机辅助设计（CAD），我们介绍了机器学习体系结构，即HG-CAD，该体系结构通过使用层次图表表示，建议通过联合学习身体和装配级特征来提出装配体材料。特别是，我们将材料预测和建议过程作为节点级别的分类任务，这是CAD模型的新型分层图表示，其低级图形捕获了身体几何形状，可捕获体内几何形状，这是一个高级图形的组合图，是组件的高级图表，并具有批处理掩码的随机化随机化效果。这使我们的网络能够从人体和组装水平汇总几何和拓扑特征，从而导致竞争性能。对Fusion 360画廊组装中提议的体系结构的定性和定量评估 - 显示了我们方法的可行性，表现出色的计算机视觉和人类基线，同时在应用程序场景中显示出希望。提议的HG-CAD体系结构统一了多模态CAD特征的处理，编码和联合学习，这表明有潜力作为设计自动化的建议系统，并提供了未来工作的基准。[doi：10.1115/1.4063226]
端到端多模式物体检测 - Robert Babuska
摘要 — 为视觉任务设计的深度神经网络在遇到训练数据未涵盖的环境条件时往往容易失败。多传感器配置的有效融合策略可以通过利用不同传感器流的冗余来增强检测算法的鲁棒性。在本文中，我们提出了用于在恶劣照明条件下进行 2D 物体检测的传感器感知多模态融合策略。我们的网络学习以标量权重和掩码的形式估计每种传感器模态的测量可靠性，而无需事先了解传感器特性。将获得的权重分配给提取的特征图，随后将其融合并传递给变压器编码器-解码器网络以进行物体检测。这对于不对称传感器故障的情况至关重要，可以防止任何悲剧性后果。通过大量实验，我们表明，所提出的策略在 FLIR-Thermal 数据集上的表现优于现有的最先进方法，将 mAP 提高了 25.2%。我们还针对 RGB-D 多模态检测任务提出了一种新的“r-blended”混合深度模态。我们提出的方法在 SUNRGB-D 数据集上也取得了令人满意的结果。
用量子改进医学图像识别...
研究方法•INBREAST数据集审查和呈现•数据增强：通过旋转和对比度调整，人为地增加培训数据集的多样性；通过模型改善概括来提高诊断精度•量子信息处理（QIP）研究/UNET研究和审查•U-NET：卷积神经网络专门针对生物医学图像分割，具有更高的精度，由编码器编码器结构组成。•量子过滤器：过滤和处理量子信息，导致图像的澄清和去除•使用和不使用量子过滤器的训练收敛性：这改变了图像深度和对象在图像中的位置。这意味着更改图像以揭示它们在原始数据中可能无法观察到的独特功能。•测试和调试：在增强中尝试不同的参数，并根据输出选择适当的测试用例，并调试现有方法，代码块，以确保过滤器的无错误应用。我们认为的参数将是关于图像中噪声，分辨率和剩余文物的参数。Inbreast数据集相对毫无噪音，并且是高质量的，因此使用掩码清理数据中的人工制品对于调试至关重要。
西蒙算法 - CS@YorkU
考虑一个函数 f：{0,1} n --> {0,1} n 。其定义域和余定义域各由 2 n 个元素组成。在编程上下文中，f 接受 n 个布尔参数并返回一个包含 n 个布尔值的数组。如果将 n 个 0/1 值视为整数二进制表示中的位，那么 f 可以被认为是一个函数，将 [0,N-1] 中的整数映射到 [0,N-1] 中的整数，其中 N=2 n 。我们假设 f 作为一个黑盒 U f（一个 oracle ）提供，并在硬件中实现它。假设 f 满足属性（承诺）：∃𝑠∈{0,1} ！: ∀𝑥, 𝑦∈{0,1} ！ , 𝑓(𝑥) = 𝑓(𝑦) ⇔𝑥= 𝑦 ⊕𝑠 查找位串 s 。换句话说，f 要么是 2 对 1 的（将通过掩码 s 连接的对映射到同一幅图像），要么是 1 对 1 的（将不同的元素映射到不同的图像）。1 对 1 的情况对应于 s 是一串 0，这很简单，我们将通过在承诺中添加 s ≠ 0 n 来回避。因此，我们假设 f 是 2 对 1 的。和以前一样，我们假设 f 通过实现它的黑盒 U f （一个 oracle ）给出。2. 例子
ICAS 2024演示和面板
今天的气候变化研究依赖于过去的气候信息。温度观察的历史气候记录形成了全球网格数据集，例如在IPCC报告中进行了检查。但是，将测量记录结合的数据集在过去很少，分辨率很低。我们发现，最近成功的图像介绍技术，例如在智能手机上找到的，以摆脱不需要的物体或照片中的人，在这里很有用。使用丢失的值观察掩码，衍生的AI网络能够在任何给定的月份在网格空间中人为地裁剪版本。因此，我们已经通过AI找到了一种技术，从而为我们提供了过去从未用仪器测量的数据。这些技术在气候建模过程中和周围的集成，尤其是在德国气候计算中心（DKRZ）中，展示了它们增强，补充和在某些情况下的潜力，并彻底改变了传统的建模方法。AI通过先进的降压技术在改善气候模型分辨率方面的作用展示了其完善模型模拟的能力。深度学习技术包括U-NET，扩散和视觉变压器模型。
钻石和相关材料
直接观察超大型望远镜的METIS仪器对系外行星和原始磁盘的直接观察将为行星形成和系外行星大气的过程提供新的见解。这是由于功能强大的矢量涡流冠状动曲，可以抑制星光以揭示周围微弱的信号。在这里，我们介绍了将相位掩膜处于冠状动脉核心的过程。这些环形凹槽相掩膜由钻石中的深层次波长组成，这些光栅使用具有强偏见的电感耦合氧等离子体蚀刻。METIS仪器所需的带宽比以前证明了此类com ponents的带宽，从而导致具有更高纵横比和更垂直壁的光栅设计。为了实现这一目标，用于钻石蚀刻的蚀刻面膜从铝更改为硅，并增加了血浆功率。我们还改进了减少成品成分的光栅深度以微调它们的方法。以及改进的光学测试，这使我们能够生成迄今为止为天文N波段展示的最佳涡旋相掩码。
对比，参加并扩散从大脑活动中解码高分辨率图像
通过功能磁共振成像（fMRI）记录的神经反应解码视觉刺激（FMRI）呈现出认知神经科学和机器学习之间的有趣相交，这是理解人类视觉感知的有希望的进步。然而，由于fMRI信号的嘈杂和脑视觉表示的复杂模式，任务是具有挑战性的。为了减轻这些挑战，我们引入了两个阶段fMRI表示框架。第一阶段预训练fMRI功能学习者，其提议的双对抗性掩码自动编码器可以学习DENOCORED表示。第二阶段调谐功能学习者，以通过图像自动编码器的指导来了解视觉重建最有用的神经激活模式。优化的FMRI功能学习者然后调节了一个潜在扩散模型，以重建大脑活动的图像刺激。实验结果证明了我们的模型在产生高分辨率和语义准确的图像方面的优势，从39中实质上超过了先前的最新方法。在50道路-TOP-1语义分类精度中的34％。代码实现将在https://github.com/soinx0629/vis_dec_neurips/上提供。