XiaoMi-AI文件搜索系统
World File Search System改进的
改进的基于轮廓的建筑角点检测...
即使在现代社会，也很难找到符合特定标准的建筑平面图。大多数情况下，在客户指定他对新家的设想后，建筑师会浏览他的档案，以找到符合这些标准的类似平面图。下一步，他会修改它们以满足进一步的限制。但是，这种手动搜索需要很长时间，即使它可能具有很高的准确率，但召回率却很低。为了能够自动搜索，必须扫描档案并自动分析。自动平面图分析是提取嵌入在图像中的有关建筑物结构的信息的任务。它由几个子任务组成，例如，从文档中分割文本和图形、检测墙壁和门，最后识别不同的房间。自动平面图分析是模式识别和机器学习领域正在进行的研究课题。为了解决这个问题，人们进行了几次不同目标的尝试：[1-3] 尝试从 2D 平面图重建 3D 模型，而 [4] 尝试提取房间及其连接。参考文献 [5、6] 侧重于对手绘和草图平面图的理解。最近，我们介绍了一种自动平面图分析方法 [7]。对 [ 7 ] 中的结果进行分析得出的结论是，房间检索
使用改进的 YOLOv8 进行脑肿瘤识别
摘要 — 确定脑肿瘤的范围是脑癌治疗中的一项重大挑战。主要困难在于对肿瘤大小的近似检测。磁共振成像 (MRI) 已成为一种重要的诊断工具。然而，从 MRI 扫描中手动检测脑肿瘤的边界是一项劳动密集型任务，需要广泛的专业知识。深度学习和计算机辅助检测技术已导致机器学习在这方面取得了显着进步。在本文中，我们提出了一种改进的 You Only Look Once (YOLOv8) 模型来准确检测 MRI 图像中的肿瘤。所提出的模型用检测头中的实时检测变压器 (RT-DETR) 取代了非最大抑制 (NMS) 算法。NMS 会滤除检测到的肿瘤中的冗余或重叠的边界框，但它们是手工设计和预设的。RT-DETR 删除了手工设计的组件。第二项改进是通过用鬼卷积替换正常卷积块进行的。 Ghost Convolution 降低了计算和内存成本，同时保持了高精度并实现了更快的推理速度，使其成为资源受限环境和实时应用的理想选择。第三项改进是在 YOLOv8 的主干中引入视觉变换器模块来提取情境感知特征。我们在提出的模型中使用了公开的脑肿瘤数据集。所提出的模型比原始 YOLOv8 模型表现更好，也比其他物体检测器（Faster R-CNN、Mask R-CNN、YOLO、YOLOv3、YOLOv4、YOLOv5、SSD、RetinaNet、EfficientDet 和 DETR）表现更好。所提出的模型实现了 0.91 mAP（平均精度）@0.5。
NEI 对许可和监督计划改进的意见
众所周知，美国乃至全世界对无碳、可靠能源的需求急剧上升。最近通过的两党立法《先进核能法案》1 将帮助核能在国家实现气候和能源安全目标的努力中发挥关键作用。《先进核能法案》的规定将增强美国的国际竞争力，加速创新先进核技术的国内部署，促进美国核管理委员会 (NRC) 流程的更高效率和及时性，并实现对运行反应堆群的监督和许可的现代化。我们赞赏 NRC 已采取措施响应《先进核能法案》的要求，包括组建内部团队来处理《先进核能法案》的规定，建立网页与利益相关者 2 进行沟通，以及召开公开会议让外部利益相关者参与进来。
改进的合规援助计划 (ICAP)
我在哪里停车？法院大楼附近有几处收费停车场。我应该带什么？我应该带什么？您应该准备好用现金、借记卡、汇票、银行本票或信用卡支付“今日付款”金额。个人支票必须在解除驾照冻结之前结清，因此如果通过个人支票付款，可能会有延迟。图森市法院要求支票和信用卡付款时出示身份证明。这可以是任何合法的带照片身份证明，例如驾照或政府签发的身份证。有关安全检查和法院设施内允许事项的信息可在此处找到：https://www.tucsonaz.gov/courts/tucson-city-court 如果您需要法院大楼内的特殊 ADA 设施，请致电 520-791-4189，TTD：791-2639
基于Chebyshev多项式的改进的公钥加密算法
摘要：由于其非常理想的属性，Chebyshev多项式通常用于公共密钥加密系统的设计。本文分散了Chebyshev映射，总体上是Chebyshev多项式的特性，并提出了基于Chebyshev混乱映射和RSA的改进的公钥加密算法，即CRPKC-K i。此算法介绍替代乘法系数K I，其选择取决于T R（T d（x））mod n = t d d（t r（x））mod n的大小，而特定的值选择规则是参与者之间共享的秘密，克服了先前的计划的缺点。在密钥生成和加密/解密阶段中，使用更复杂的中间过程来实现较高的算法复杂性，从而使算法对普通攻击更加强大。该算法还与其他基于RSA的算法相结合，以证明其在性能和安全性方面的有效性。
增材制造工艺改进的不确定性量化：最新进展
本文回顾了将不确定性量化 (UQ) 方法应用于增材制造 (AM) 的最新进展。基于物理和数据驱动的模型正在不断开发和完善，以支持 AM 中的流程优化和控制目标，特别是最大限度地提高质量并最大限度地减少 AM 产品的可变性。然而，在使用这些模型进行决策之前，需要回答的一个基本问题是这些模型的可信度，并考虑影响其预测的各种不确定性来源。由于 AM 过程中存在复杂的多物理、多尺度现象，AM 中的不确定性量化 (UQ) 并非易事。本文回顾了关于 UQ 方法的文献，重点关注模型不确定性，讨论了相应的校准、验证和确认活动，并研究了 AM 文献中报告的应用。将当前的 UQ 方法扩展到增材制造需要解决多物理、多尺度相互作用、数据驱动模型的不断增加、制造成本高以及测量复杂性的问题。讨论了实施 AM 验证、校准和确认所需开展的活动。还回顾了关于使用 UQ 活动结果进行 AM 流程优化和控制（从而支持质量最大化和变异性最小化）的文献。概述了 UQ 和 AM 决策方面未来的研究需求。
基于改进的Segformer的水下图像的语义分割
水下图像细分对于诸如水下探索，海洋环境监测和资源开发等任务至关重要。尽管如此，鉴于水下环境的复杂性和可变性，改善模型准确性仍然是水下图像分割任务中的关键挑战。为了解决这些问题，本研究提出了基于标准Segformer模型的水下图像的高性能语义分割方法。首先，Segformer中的混合变压器主链被Swin Transformer替换，以增强特征提取并促进对全局上下文信息的有效获取。接下来，在骨干的下采样阶段和解码器中引入了有效的多尺度注意（EMA）机制，以更好地捕获多尺度特征，从而进一步提高了细分精度。此外，将特征金字塔网络（FPN）结构合并到解码器中，以在多个分辨率下组合特征图，从而使模型可以有效地集成上下文信息，从而在复杂的水下环境中增强了鲁棒性。对SUIM水下图像数据集进行测试表明，拟议的模型在多个指标上达到了高性能：联合（MIOU）的平均相交（MIOU）为77.00％，平均召回（MRECALL）为85.04％，平均精度（Mprecision）为89.03％，为89.03％，F1Score（MF1Score（Mf1score）为86.63％）。与标准Segformer相比，MIOU的提高3.73％，MRECALL为1.98％，Mprecision的3.38％和MF1Score的2.44％的提高，参数增加了989万。结果表明，所提出的方法通过最小的其他计算实现了出色的分割精度，从而显示了水下图像分割中的高性能。
改进的有效网植物质量分级
排序。这不仅需要巨大的劳动力费用，而且还产生了各种质量的蔬菜，从而导致总体质量降低，否则可以占据优惠的市场价格。此外，以降低的成本获取和包装具有更高市场价值的蔬菜，这直接影响了总体销售价格，不适合大规模生产。与传统的手动检测，识别和分类技术相比，利用计算机愿景进行图像识别，检测和分类不仅可以提高效率，而且还可以提高准确性。目前，计算机视觉技术被广泛用于蔬菜和水果的分类，植物和作物害虫的鉴定以及不完整的片剂的识别，这些片剂可以迅速找到和识别检测中所需的特征；这实现了更有效和经济的提取。对评估农产品视觉质量的计算机视觉技术的探索是在生产的早期阶段进行的，从而产生了可观的结果。主要重点是检查谷物，干果，水果，鸡蛋和类似物品。这导致了值得称赞的结果。这还提供了新的想法和蔬菜图像识别方法的理论可行性。这可以节省人力和物质资源，从而降低人工成本，提高蔬菜分级的性能以及加快蔬菜分级的速度。近年来，随着图像识别领域的深度学习技术的重大突破，由VGGNET，GOGLENET，RESNET等代表的卷积神经网络模型不仅取得了重大成就（在广泛的计算机视觉挑战中取得了实现），而且还在众多的众多学者中实现了众多的众多学者，并在其他方面进行了分类和分类。因此，为了减少对蔬菜质量等级进行分类所需的人力，物质资源和成本，本文提出了一种基于深度学习的蔬菜质量分级方法，建立了蔬菜分级图像数据集，随后提出了改进的蔬菜质量级别的改进的有效网络模型（Ca-foricednet-CBAM）。
信任领导的学校改进的DNA：概念模型
8 Krafcik，J F（1998）“精益生产系统的胜利”。斯隆管理评论，30（1）：41–52。9 Womack，J P，Jones，D T和Roos，D（1990）。改变了世界的机器。Simon和Schuster。 10 d'Andreamatteo，A等。 （2015）“医疗保健中的精益”，《卫生政策》，119（9），pp。 1197–1209。 11 Radnor，Z J，Holweg，M，＆Waring，J（2012）。 “靠医疗保健：未兑现的承诺？”。 社会科学与医学，74（3），364-371。 12 Pande，P S，Neuman，R P和Cavanagh，R R（2000）。 六个Sigma Way：GE，Motorola和其他顶级公司如何磨练其表现。 纽约：麦格劳 - 希尔。 13 Goh，T N（2010）。 “工业中的六个西格玛：二十五年后的一些观察”。 质量和可靠性工程国际，26（2），221-227。 14 Radnor，Z和Osborne，S P（2013）。 “精益：公共服务的失败理论？”。 公共管理评论，Simon和Schuster。10 d'Andreamatteo，A等。（2015）“医疗保健中的精益”，《卫生政策》，119（9），pp。1197–1209。11 Radnor，Z J，Holweg，M，＆Waring，J（2012）。“靠医疗保健：未兑现的承诺？”。社会科学与医学，74（3），364-371。12 Pande，P S，Neuman，R P和Cavanagh，R R（2000）。六个Sigma Way：GE，Motorola和其他顶级公司如何磨练其表现。纽约：麦格劳 - 希尔。13 Goh，T N（2010）。 “工业中的六个西格玛：二十五年后的一些观察”。 质量和可靠性工程国际，26（2），221-227。 14 Radnor，Z和Osborne，S P（2013）。 “精益：公共服务的失败理论？”。 公共管理评论，13 Goh，T N（2010）。“工业中的六个西格玛：二十五年后的一些观察”。质量和可靠性工程国际，26（2），221-227。14 Radnor，Z和Osborne，S P（2013）。“精益：公共服务的失败理论？”。公共管理评论，
一种改进的电动执行器故障识别方法
摘要：航空航天业越来越多地采用机电驱动系统，因此需要可靠的诊断和预测方案来确保安全运行，尤其是在关键的安全关键系统（例如主飞行控制）中。此外，如果在预测性维护框架中实施预测方法，则可以提高系统在生命周期内的可用性，从而降低成本。在本文中，将介绍一种已经提出的算法的改进，该算法的范围是预测机电执行器中电机的实际退化状态，并提供温度估计。该目标是通过使用适当处理的反电动势信号和简单的前馈神经网络来实现的。可以以较小的误差实现对电机健康状况的良好预测。