XiaoMi-AI文件搜索系统
World File Search System检测性能
使用变压器无监督的大脑异常检测和分割
病理脑外观可能是如此异质，以至于仅作为异常而言可以理解，这是由于它们偏离正常性而不是任何特定的病理特征而定义的。在医学成像中最艰巨的任务中，检测这种异常需要正常大脑的模型，将紧凑性与复杂的，远程相互作用的表达性结合在一起，以表征其结构组织。这些要求是变形金刚比其他候选候选体系结构具有更大的满足潜力，但是它们对数据和计算资源的要求抑制了它们的应用。在这里，我们将矢量定量的变异自动编码器的潜在表示与自动回应变压器的集合结合在一起，以在相对适度的数据制度内以低计算成本以低计算成本实现的健康脑成像数据来偏离健康的脑成像数据，从而实现无监督的异常检测和分割定义。我们将我们的方法与涉及合成和实际病理病变的一系列实验中的当前最新方法进行了比较。在实际病变上，我们对来自英国生物库的15,000名放射线正常参与者进行训练，并评估四个不同的脑MR数据集，患有小血管疾病，脱髓鞘病变和肿瘤。我们在图像和像素方面都表现出了出色的异常检测性能，而无需后处理就可以实现。这些结果引起了对变压器在这项最具挑战性的成像任务中潜力的关注。关键字：变压器，无监督的异常分割，异常检测，neu-Roimaging，vector量化变异自动编码器
解决自主驾驶感知的开放式对象检测：关注道路对象
摘要 - 预计自动驾驶汽车（AV）将采取安全有效的决定。因此，AVS需要对现实世界的情况进行健壮，尤其是应付开放世界的设置，即处理新颖性的能力，例如看不见的对象。经典的对象检测模型经过训练，以识别一组预定义的类，但在推理阶段很难概括为新颖的类。开放式对象检测（OSOD）旨在解决正确检测未知类别对象的挑战。但是，自主驾驶系统具有特定的开放式特性，这些特性尚未涵盖OSOD方法。的确，检测误差可能导致灾难性事件，强调优先考虑盒子检测质量而不是数量的重要性。此外，可以利用在公路场景中遇到的物体的特定特征来改善其在开放世界中的检测。在这种情况下，我们介绍了一种新的自主驾驶感知对象的定义，从而实现了AV专业的开放式对象检测器创建的ADO的命题。所提出的模型使用了一个新的分数，该分数从语义分割的背景基础真理中学到了。在道路对象评分上的这一点可以衡量该对象是否在可驱动区域上，从而增强了未知检测的选择。实验评估是在模拟和现实世界数据集上进行的，并揭示我们的方法的表现优于未知对象检测设置中的基线方法，在已知对象上与封闭式对象检测器具有相同的检测性能。
使用yolov8
摘要：本研究提出了一种开创性的方法，可以增强Yolov8模型在对象检测中的准确性，主要集中于解决各种图像类型中检测对象的局限性，尤其是对于小物体。这项工作的拟议策略结合了上下文注意块（CAB），以有效定位和识别图像中的小物体。此外，提出的工作可提高特征提取能力，而不会增加模型复杂性，从而提高了粗到1（C2F）块的厚度。此外，已经对空间注意力（SA）进行了修改以加速检测性能。增强的Yolov8模型（即Yolov8-CAB）强烈强调通过利用CAB块来利用多尺度特征图和迭代反馈来检测较小的物体的性能，从而优化了对象检测机制。因此，创新设计有助于出色的特征提取，尤其是“弱特征”，上下文信息保存和有效的特征融合。对上下文（可可）数据集中的共同对象进行了严格的测试，以证明提出的技术的功效。这对标准Yolo模型产生了显着改善。yolov8-cab模型达到的平均平均精度为97％的检测率，与常规模型相比增加了1％。本研究强调了我们改进的Yolov8方法检测对象的功能，代表了一个突破，为实时对象检测技术的进步设定了阶段。索引术语 - 人工智能，深度学习，计算机视觉，对象检测。
使用 transformers 进行无监督脑成像 3D 异常检测和分割
病理性脑外观可能非常多样化，以至于只能理解为异常，这些异常由其与正常的偏差而不是任何特定的病理特征集来定义。在医学成像中最困难的任务之一中，检测此类异常需要正常脑模型，该模型将紧凑性与表征其结构组织的复杂、长程相互作用的表达性相结合。这些要求是 Transformer 比其他当前候选架构更有潜力满足的，但它们的应用受到对数据和计算资源的需求的限制。在这里，我们将矢量量化变分自动编码器的潜在表示与一组自回归 Transformer 相结合，以实现无监督异常检测和分割，这些异常由与健康脑成像数据的偏差定义，在相对适中的数据范围内以较低的计算成本实现。我们在一系列涉及合成和真实病理病变的 2D 和 3D 数据的实验中将我们的方法与当前最先进的方法进行了比较。在真实病变中，我们利用来自英国生物库的 15,000 名放射学正常参与者训练我们的模型，并在四种不同的脑 MR 数据集上评估其性能，这些数据集包括小血管疾病、脱髓鞘病变和肿瘤。我们展示了卓越的异常检测性能，无论是图像方面还是像素/体素方面，都无需后处理即可实现。这些结果引起了人们对 transformers 在这项最具挑战性的成像任务中的潜力的关注。© 2022 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
基于 EEG 的新型精神分裂症检测，结合 IoMT 框架实现智能医疗
在神经科学领域，大脑活动分析一直被视为重要领域。精神分裂症 (Sz) 是一种脑部疾病，严重影响世界各地人们的思维、行为和感觉。脑电图 (EEG) 被证明是 Sz 检测的有效生物标志物。EEG 是一种非线性时间序列信号，由于其非线性结构，利用它进行研究至关重要。本文旨在使用深度学习方法提高基于 EEG 的 Sz 检测性能。提出了一种称为 SzHNN（精神分裂症混合神经网络）的新型混合深度学习模型，它是卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的组合。CNN 网络用于局部特征提取，LSTM 用于分类。所提出的模型已与仅使用 CNN、仅使用 LSTM 和基于机器学习的模型进行了比较。所有模型均在两个不同的数据集上进行了评估，其中数据集 1 包含 19 名受试者，数据集 2 包含 16 名受试者。针对同一模型，使用不同频带上的各种参数设置和头皮上的不同电极组进行了多次实验。基于所有实验，很明显，与其他现有模型相比，所提出的混合模型 (SzHNN) 提供了 99.9% 的最高分类准确率。所提出的模型克服了不同频带的影响，甚至仅使用 5 个电极就显示出 91% 的更高准确率。所提出的模型还在医疗物联网 (IoMT) 框架中进行了评估，用于智能医疗和远程监控应用。
用于检测海面浮油的 SAR 图像
摘要 — 遥感技术是全球海洋表面监测的重要环节，雷达是检测海洋污染的有效传感器。当局在实际使用时，通常必须在覆盖面积和雷达收集的信息量之间做出权衡。为了确定最合适的成像模式，基于接收器操作特性曲线分析的方法已应用于由两个在 L 波段运行的机载系统收集的原始数据集，这两个系统都具有非常低的仪器本底噪声。该数据集是在海上控制释放矿物油和植物油期间获得的。研究了各种与极化相关的量，并评估了它们检测浮油覆盖区域的能力。本文报告了主要极化参数的相对顺序。当传感器的本底噪声足够低时，建议使用 HV，因为它提供最强的浮油 - 海面对比度。否则，VV 被发现是检测海面浮油最相关的参数。在所有研究的四极化设置中，与单极化数据相比，没有发现显著的附加值。更具体地说，通过增加仪器噪声水平，证明了所研究的结合四个极化通道的极化量具有主要由仪器本底噪声（即噪声等效西格玛零）驱动的检测性能。该结果是通过向原始合成孔径雷达 (SAR) 数据逐步添加噪声获得的，表明清洁海域和污染区域之间的极化区分主要源于单次反弹散射和噪声之间的差异化行为。因此，使用以低仪器本底噪声收集的 SAR 数据证明了矿物和植物油覆盖的海面雷达散射与布拉格散射没有偏差。
使用机器学习检测脑卒中
摘要 — 中风是一种严重的疾病，需要及时诊断和治疗，以防止灾难性的后果。在这项工作中，我们提出了一种使用机器学习技术检测脑中风的独特方法。我们采用各种机器学习技术，包括支持向量机 (SVM)、决策树和深度学习模型，以有效地从医学成像数据中识别和分类中风病例。机器学习技术用于中风识别，因为预处理过程对于提高医学图像的质量和降低噪音至关重要。我们研究了许多机器学习架构和方法，例如随机森林、k-最近邻 (KNN) 和卷积神经网络 (CNN)，并评估它们在从脑成像数据中准确检测中风方面的有效性。使用大量标记的脑成像扫描数据集对模型进行训练和验证，从而实现全面的性能评估。通过应用预训练模型的迁移学习和数据增强技术，中风病例的识别准确性得到进一步提高。此外，利用形态学操作和特征提取等后处理方法通过微调识别的中风区域来提高整体检测性能。我们的研究结果表明，机器学习算法在从医学影像数据中识别脑卒中方面表现良好，尤其是像 CNN 这样的深度学习模型。建议的方法可以准确、高效地检测脑卒中，这可能有助于医务人员更快地诊断和治疗脑卒中患者。因此，我们的研究得出结论，机器学习算法是一种有用的脑卒中诊断工具，可为医疗专业人员在临床情况下提供有用的资源。
yolov8加权盒子融合
这项研究调查了通过将加权盒融合（WBF）整合在KERAS CV框架中，从而提高了Yolov8对象检测性能的潜力。Yolov8由于其速度，准确性和现实世界中的良好声誉而被选择。KERAS CV：简化WBF实施这项工作的关键方面涉及利用KERAS CV库。这个用户友好的框架有助于开发自定义的WBF层，无缝集成到Yolov8架构中。该创新层通过基于置信度得分策略性地组合边界框，在完善对象检测结果中起着至关重要的作用。Python：开发基础Python是该项目的主要编程语言。其广泛的计算机视觉库生态系统为数据操作和模型开发提供了重要的工具。开发和评估过程是在配备GPU的工作站上进行的。此设置确保了有效的处理和实验。但是，该方法可以适应利用基于云的资源来用于大规模培训和部署方案。评估WBF严格评估WBF整合有效性的影响，采用了全面的评估策略。这种策略涉及利用可可公开可用数据集的组合，并可能由针对特定对象的感兴趣类别定制的自定义数据集补充。标准对象检测指标（例如平均平均精度（MAP））用于量化模型的性能。评估的关键方面涉及将WBF增强的Yolov8模型与没有WBF的基线Yolov8模型进行比较。
用于检测海面浮油的 SAR 图像
摘要 — 遥感技术是全球海洋表面监测的重要环节，雷达是检测海洋污染的有效传感器。当局在实际使用时，通常必须在覆盖面积和雷达收集的信息量之间做出权衡。为了确定最合适的成像模式，基于接收器操作特性曲线分析的方法已应用于由两个在 L 波段运行的机载系统收集的原始数据集，这两个系统都具有非常低的仪器本底噪声。该数据集是在海上控制释放矿物油和植物油期间获得的。研究了各种与极化相关的量，并评估了它们检测浮油覆盖区域的能力。本文报告了主要极化参数的相对顺序。当传感器的本底噪声足够低时，建议使用 HV，因为它提供最强的浮油 - 海面对比度。否则，VV 被发现是检测海面浮油最相关的参数。在所有研究的四极化设置中，与单极化数据相比，没有发现显著的附加值。更具体地说，通过增加仪器噪声水平，证明了所研究的结合四个极化通道的极化量具有主要由仪器本底噪声（即噪声等效西格玛零）驱动的检测性能。该结果是通过向原始合成孔径雷达 (SAR) 数据逐步添加噪声获得的，表明清洁海域和污染区域之间的极化区分主要源于单次反弹散射和噪声之间的差异化行为。因此，使用以低仪器本底噪声收集的 SAR 数据证明了矿物和植物油覆盖的海面雷达散射与布拉格散射没有偏差。
用于检测海面浮油的 SAR 图像
摘要 — 遥感技术是全球海洋表面监测的重要环节，雷达是检测海洋污染的有效传感器。当当局实际使用时，通常必须在覆盖面积和雷达收集的信息量之间进行权衡。为了确定最合适的成像模式，基于接收器操作特性曲线分析的方法已应用于由两个在 L 波段运行的机载系统收集的原始数据集，这两个系统都具有非常低的仪器噪声基底。该数据集是在海上控制释放矿物油和植物油期间获得的。研究了各种与极化相关的量，并评估了它们检测浮油覆盖区域的能力。本文报告了主要极化参数的相对顺序。当传感器的本底噪声足够低时，建议使用 HV，因为它可以提供最强的浮油-海面对比度。否则，VV 被发现是检测海面浮油最相关的参数。在所有研究的四极化设置中，与单极化数据相比，没有发现显着的附加值。更具体地说，通过增加仪器噪声水平，证明了所研究的组合四个极化通道的极化量的检测性能主要由仪器本底噪声驱动，即噪声等效 sigma zero。该结果通过逐步向原始合成孔径雷达 (SAR) 数据添加噪声获得，表明清洁海域和污染区域之间的极化区分主要来自单次反弹散射和噪声之间的差异化行为。因此，使用低仪器噪声基底收集的 SAR 数据证明，矿物和植物油覆盖的海洋表面的雷达散射与布拉格散射没有偏差。