XiaoMi-AI文件搜索系统
World File Search System检测性能
使用 FUGAREC 检测长读转录组测序数据中的融合基因
摘要：融合基因是癌症治疗的重要靶点和生物标志物，临床需要准确检测融合基因的方法。RNA-seq被广泛用于检测活性融合基因。长读RNA-seq可以对mRNA全长进行测序，有望检测出短读RNA-seq无法检测到的融合基因。然而，长读RNA-seq的碱基调用错误率较高，在与基因组不一致的长读的断点附近可能会出现间隙序列。当出现间隙序列时，现有方法无法识别正确的融合基因或断点。为了解决融合基因检测中的这些挑战，我们引入了一种新算法FUGAREC（带间隙重新对齐和断点聚类的融合检测）。FUGAREC独特地将间隙序列重新对齐与断点聚类结合在一起。这种方法不仅增强了对以前无法检测到的融合基因的检测，而且显著降低了假阳性。我们证明 FUGAREC 在乳腺癌细胞系的模拟数据和测序数据上都具有很高的融合基因检测性能。
学习仅使用一个正常图像提示
摘要。使用自我发明变压器的无监督重建网络已通过单个模型实现了多级（统一）异常检测的最新性能。然而，这些自我注意重建模型主要基于目标特征，这可能会导致正常和异常特征的完美重建，这是由于与上下文的高度一致性，从而导致异常发生故障。此外，由于在低空间分辨率潜在的潜在空间中进行重建，这些模型通常会产生不准确的异常分割。为了使重建模型具有高效率，同时增强其对统一异常探测的概括，我们提出了一种简单而有效的方法，可以重建正常功能并仅使用一个正常图像提示（ONENIP）恢复异常功能。与以前的工作相比，Onenip首次仅用一个正常图像提示重建或恢复异常，从而有效地增强了统一的异常检测性能。此外，我们提出了一种有监督的炼油厂，该炼油厂通过使用实际正常和合成的异常图像来回归构造错误，从而显着改善了像素级异常分割。ONENIP优于三个行业异常脱轨基准的先前方法：MVTEC，BTAD和VISA。
跨主体辅助：间和主体内最大相关性，以增强基于SSVEP的BCIS
摘要 - 目的：通过使用单个校准数据，当前的最新方法显着提高了稳态诱发电位（SSVEP）的检测性能。但是，耗时的校准会限制了培训试验的数量，并可能导致视觉疲劳，从而削弱了单个培训数据的效率。为解决此问题，本研究提出了一种新型的受试者间和受试者内最大相关性（IISMC）方法，以通过采用跨主体间和受试者的相似性和可变性来增强SSVEP识别的鲁棒性。通过有效的转移学习，在相同任务下的类似经验在主题之间共享。方法：IISMC从自己和其他受试者中提取主题的特定信息和与任务相关的相似信息，通过最大化和内部对象内相关性来执行相同任务。多个弱分类器是由几个现有主题构建的，然后集成以通过平均加权来构建强晶格。最后，为目标识别获得了强大的融合预测指标。结果：在35个受试者的基准数据集上验证了所提出的框架，实验结果表明，IISMC获得的性能要比与TART与任务相关的成分分析（TRCA）的状态更好。明显：所提出的方法具有开发高速BCI的巨大潜力。
metode-deteksi-obyek-berbasis-computer-vision-dan-deep ...
摘要 - 在过去的几十年中，印刷电路板（PCB）的发展经历了非常快速的进步。PCB是一个用于编译和连接电子组件的容器。在PCB生产过程中，PCB中的残疾是密不可分的。在存在缺陷的PCB的情况下，将影响系统的性能较差，以克服问题，就需要一个能够良好，有效和精确地检测到PCB缺陷的系统。本研究旨在使用MMDetection框架，Resnest-101型号和硬示例采矿（OHEM）在线技术来提高PCB上的缺陷检测性能。MMDetection的功能是对象检测器的基础，将Resnest-101模型应用于转换网络的骨干，以提取更强的视觉特征，并在模型训练过程中增加对困难样本的关注。OHEM技术可以帮助确定模型难以识别的对象，以便可以正确学习，以便可以适当地检测到对象。实验的结果表明，MMDetection，Resnest-101和Ohem的结合通过获得平均平均精度（MAP）的平均平均精度（MAP）来增加了PCB中缺陷的检测。，可以预期这项研究可以帮助提高PCB生产过程中检查过程的效率。关键字pcb，mmdetection，resnest-101，ohem
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
空间常见目标检测公共数据集
摘要 基于监督学习的目标检测算法是当前目标检测的主流算法，高质量的数据集是目标检测算法获得良好检测性能的前提，数据集的数量和质量越大，模型的泛化能力越强，也就是说数据集决定了模型学习的上限。卷积神经网络以强监督的方式优化网络参数，通过比较预测帧与人工标注的真实帧来计算误差，然后将误差传入网络进行不断优化。强监督学习主要依靠大量图像作为模型进行不断学习，因此图像的数量和质量直接影响学习的结果。本文提出了一个用于检测空间中常见目标的数据集STAR-24K（即超过24000幅图像的空间目标识别数据集）。由于目前没有公开可用的空间目标检测数据集，我们从 NASA（美国国家航空航天局）和 ESA（欧洲航天局）官方网站发布的图片和视频等一系列渠道中提取了一些图片，并将其扩展到 24,451 张图片。我们对流行的物体检测算法进行了评估以建立基准。我们的 STAR-24K 数据集在 https://github.com/Zzz-zcy/STAR-24K 上公开。关键词：公开数据集、空间目标检测、深度学习、计算机视觉。
通过多尺度增强 P300 检测的性能...
摘要 — 基于 P300 的拼写系统是最流行的脑机接口应用之一。它的成功很大程度上取决于性能，包括信息传输率 (ITR) 和检测率（即准确率）。为了获得良好的性能，我们提出了一个多尺度卷积神经网络 (MS-CNN) 模型，该模型由七层组成。首先，使用前期数据集训练 MS-CNN，旨在获得一个用于 P300 检测的非特定于受试者的模型（通用模型）。其次，通过结合迁移学习技术，利用来自受试者的一部分数据对该通用模型进行调整，以更新模型以获得特定于受试者的模型。我们在 2019 年世界机器人大会的 BCI 控制机器人比赛中应用了所提出的模型，我们的表现是比赛中所有团队中最好的。在比赛中，比赛委员会随机分配了十名健康的年轻受试者来评估该模型。我们的模型实现了最佳的 P300 检测性能（更高的准确率和更少的重复时间）。当重复次数少于六次时，不特定主语情况下的 ITR 为 13.49 位/分钟，而特定主语情况下的 ITR 为 12.13 位/分钟。我们相信我们的方法可能为进一步高效实施基于 P300 的拼写系统铺平道路。
Yolov10：实时端到端对象检测
在过去的几年中，由于计算成本和检测性能之间的有效平衡，Yolos已成为实时对象检测领域的主要范式。研究人员探索了建筑设计，优化目标，数据增强策略以及其他方面的造型，取得了显着的进步。但是，对后处理的非最大抑制（NMS）的依赖阻碍了Yolos的端到端部署，并不利地影响了推断潜伏期。此外，Yolos中各个组件的设计缺乏全面而彻底的检查，从而导致了明显的计算冗余，并限制了模型的能力。它提高了次优效率，并具有相当大的提高性能。在这项工作中，我们旨在从后处理和模型体系结构中进一步提高Yolos的性能效率边界。为此，我们首先介绍了对Yolos的无NMS培训的一致双分配，这同时带来了竞争性能和较低的推理潜伏期。此外，我们介绍了Yolos的整体效率 - 准确性驱动模型设计策略。我们从效率和准确性的角度都全面优化了Yolos的各种组成部分，从而大大降低了计算开销并增强了功能。我们努力的结果是新一代的Yolo系列，用于实时端到端对象检测，称为Yolov10。广泛的实验表明，Yolov10在各种模型尺度上实现了最先进的性能和效率。
![arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日](/simg/b\b0062a8e5f096579d990b3b87816beedea428ebe.png)
arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日
摘要。对象检测算法，特别是基于 YOLO 的算法，在平衡速度和准确性方面表现出了显著的效率。然而，它们在脑肿瘤检测中的应用仍未得到充分探索。本研究提出了 RepVGG-GELAN，这是一种新颖的 YOLO 架构，通过 RepVGG 进行了增强，RepVGG 是一种重新参数化的卷积方法，用于对象检测任务，特别侧重于医学图像中的脑肿瘤检测。RepVGG-GELAN 利用 RepVGG 架构来提高检测脑肿瘤的速度和准确性。将 RepVGG 集成到 YOLO 框架中旨在实现计算效率和检测性能之间的平衡。本研究包括基于空间金字塔池化的广义高效层聚合网络 (GELAN) 架构，进一步增强了 RepVGG 的能力。在脑肿瘤数据集上进行的实验评估表明，RepVGG-GELAN 在精度和速度方面超越了现有的 RCS-YOLO。具体而言，RepVGG-GELAN 在 240.7 GFLOPs 的运行速度下，与现有的最新方法相比，其精度提高了 4.91%，AP50 提高了 2.54%。提出的具有 GELAN 架构的 RepVGG-GELAN 取得了令人鼓舞的结果，成为医学图像中准确、高效地检测脑肿瘤的最先进的解决方案。实现代码已公开发布在 https://github.com/ThensiB/RepVGG-GELAN。
EEGFormer：走向可转移和可解释的大型......
自监督学习已成为自然语言处理和计算机视觉领域的一种高效方法。鉴于从癫痫检测到波形分析等广泛的现实世界医疗应用中存在大量可用的未标记数据，因此它也适用于脑信号，例如脑电图 (EEG) 数据。现有的利用自监督学习进行 EEG 建模的研究主要集中于对单个下游任务对应的每个单独数据集进行预训练，这无法利用丰富数据的力量，并且可能会得出缺乏泛化的次优解决方案。此外，这些方法依赖于端到端模型学习，人类不易理解。在本文中，我们提出了一种新颖的 EEG 基础模型，即 EEGF ORMER，该模型在大型复合 EEG 数据上进行了预训练。预训练模型不仅可以学习 EEG 信号的通用表示并在各种下游任务上具有适应性，还可以提供数据中有用模式的可解释结果。为了验证我们模型的有效性，我们在各种下游任务上对其进行了广泛的评估，并评估了不同迁移设置下的性能。此外，我们展示了学习模型如何表现出可迁移的异常检测性能，并通过自监督学习为获取的模式提供了有价值的可解释性。