XiaoMi-AI文件搜索系统
World File Search System注释的
基于 SAM 的伪标记和多尺度特征分组的弱监督隐藏对象分割
弱监督隐藏物体分割 (WSCOS) 旨在使用稀疏注释的数据进行模型训练，以分割与周围环境良好融合的物体。这仍然是一项具有挑战性的任务，因为 (1) 由于内在相似性，很难将隐藏物体与背景区分开来，以及 (2) 稀疏注释的训练数据仅为模型学习提供弱监督。在本文中，我们提出了一种新的 WSCOS 方法来应对这两个挑战。为了解决内在相似性挑战，我们设计了一个多尺度特征分组模块，该模块首先按不同粒度对特征进行分组，然后聚合这些分组结果。通过将相似的特征分组在一起，它可以促进分割的一致性，从而有助于获得单个和多个物体图像的完整分割结果。对于弱监督挑战，我们利用最近提出的视觉基础模型“分割任何物体模型 (SAM)”，并使用提供的稀疏注释作为提示来生成分割蒙版，用于训练模型。为了减轻低质量分割蒙版的影响，我们进一步提出了一系列策略，包括多增强结果集成、基于熵的像素级加权和基于熵的图像级选择。这些策略有助于提供更可靠的监督来训练分割模型。我们在各种 WSCOS 任务上验证了我们方法的有效性，实验表明我们的方法在这些任务上实现了最先进的性能。代码将在 https://github.com/ChunmingHe/WS-SAM 上提供。
脑转移分割网络，训练有鲁棒性，对带有多个假阴性的注释
深度学习已被证明是医学图像分析的重要工具。但是，需要准确标记的输入数据，通常需要专家的时间和劳动密集型注释，这是对深度学习使用的主要限制。解决这一挑战的一种解决方案是允许使用粗或嘈杂的标签，这可以允许图像的更有效，可扩展的标签。在这项工作中，我们根据熵正则化开发了偏斜的损失函数，该熵正规化假定目标注释中存在非平凡的假阴性率。从经过精心注释的脑转移病变数据集开始，我们通过（1）随机审查带注释的病变，并系统地审查最小的病变，从而用假阴性模拟数据。后者更好的模型真正的医师错误，因为较小的病变比较大的病变更难注意到。即使模拟的假阴性率高达50％，将我们的损失函数应用于随机审查数据的最大敏感性在基线的97％（未经审查的培训数据）下保留，而标准损失函数仅为10％。对于基于尺寸的审查制度，绩效从当前标准的17％恢复为88％，而我们的自举损失损失。我们的工作将与图像标记过程的更有效的缩放相同，并与其他方法并行，以创建更多效果的用户界面和注释工具。关键字：脑转移，细分，深度学习，假阴性，嘈杂标签
TERT表达与薄薄的初步转移，黑色素瘤中疲惫的CD4+ T细胞以及跨癌症实体的DNA修复
端粒酶逆转录酶（TERT）启动子突变经常发生在癌症中，与TERT表达和细胞增殖增加有关，并可能影响黑色素瘤的治疗方案。作为TERT表达在恶性黑色素瘤中的作用和TERT的非规范功能，我们的目的是通过分析几个高度注释的高度注释的黑色素瘤队列来扩展当前对TERT启动子突变和肿瘤进展中表达改变的知识。使用多元模型，我们发现在免疫检查点抑制下，没有用于TERT促进突变突变或TERT表达与黑色素瘤同龄人的存活率的稳定关联。然而，CD4+ T细胞的存在随TERT表达而增加，并且与耗尽标记的表达相关。虽然启动子突变的频率没有随着勃斯洛的厚度而变化，但在较薄的原始引起的转移中，TERT表达增加了。作为单细胞RNA - 序列（RNA-Seq）表明，TERT表达与细胞迁移的基因和细胞外基质的动力学有关，这表明TERT在侵袭和转移过程中的作用。在几个大肿瘤和单细胞RNA-seq队列中发现的共同调节基因也表明，与线粒体DNA稳定性和核DNA修复有关的TERT的非传统功能。这种模式在胶质母细胞瘤和其他实体中也很明显。因此，我们的研究增加了TERT表达在癌症转移中的作用，并可能具有免疫抵抗力。
云母人工智能有限公司
多个先进的模块为临床医生创建了一个强大的工具，以解决乳房密度的独特挑战，并提高乳房 X 线摄影和 CEM 的准确性和效率。利用大量带注释的 CEM 和乳房 X 线摄影图像，我们训练了深度学习算法并开发了创新模型，可以从训练数据中学习模式和结构并生成看起来相似的新图像。这是生成式人工智能在现实世界中的应用。
使用高清晰的空间分析
图1。使用visium HD对CRC和NAT样品进行分析。串行组织切片。选择了样品子集并用visium HD测定法（n = 3 CRC和n = 2 Nat）进行分析。切片。串行切片，并通过v2分析（n = 1 CRC和n = 2 Nat）进行测定。单细胞数据用于创建用于单元类型注释的参考数据集。原位数据用于验证visium HD数据和后续分析的发现。使用匹配数据集的数据进行了技术性能比较。
Apsley电池储能系统
•您的姓名和地址（如果您希望您的详细信息从出版物中保留您的详细信息，请确保您的个人详细信息在单独的封面上提供）； •项目名称和申请号； •关于您是“支持”或“对象”对应用程序的“支持”或仅提供注释的陈述； •您支持或反对应用程序的原因； •宣布您在过去两年中做出的任何可报告的政治捐款（请访问www.planning.nsw.gov.au/assess-and-regute/development-sessment/planning-planning-approval-pathways/donations-andations-and-gift--gift-gift-discopure或clucture或clucture或打电话1300 305 695以找到更多）; •表示您承认并接受该部门的免责声明和声明的声明。
多模式扩散变压器：从多模式目标学习多功能行为
摘要 - 这项工作介绍了多模式扩散变压器（MDT），这是一种新颖的扩散策略框架，它擅长从多模式目标规范中学习多功能行为，而语言注释很少。MDT利用基于扩散的多模式变压器主链和两个自我监督的辅助目标来掌握基于多模式目标的长马操纵任务。绝大多数模仿学习方法仅从个人目标方式中学习，例如语言或目标图像。但是，现有的大规模模仿学习数据集仅以语言注释为部分标记，这禁止当前的方法从这些数据集中学习语言条件行为。MDT通过引入潜在的目标状态表示来解决这一挑战，该状态表示同时接受多模式目标指令进行培训。此状态表示将基于图像和语言的目标嵌入对齐，并编码足够的信息以预测未来状态。该表示是通过两个自制的辅助目标来训练的，从而增强了提出的变压器主链的性能。MDT在具有挑战性的Calvin和Libero基准提供的164项任务上显示出出色的表现，其中包括包含不到2％语言注释的Libero版本。此外，MDT还建立了关于加尔文操纵挑战的新记录，证明了对先前最新的最新方法的绝对性能提高了15％，该方法需要大规模预处理并包含10倍更多可学习的参数。MDT显示了其在模拟和现实世界环境中稀疏注释的数据中求解长马的能力。演示和代码可在https://intuitive-robots.github.io/mdt policy/。
自动检测，识别和计数深...
太平洋中的深海纹状会具有强大的商业，文化和娱乐价值，尤其是鲷鱼（Lutjanidae），这些价值（Lutjanidae）构成了大部分捕捞量。然而，由于数据的稀缺，管理这些遗迹是具有挑战性的。立体声诱饵的远程水下视频站（BRUV）可以提供有关鱼类股票的有价值的定量信息，但是手动处理大量视频是耗时的，有时甚至是不现实的。为了解决这个问题，我们使用了基于区域的卷积神经网络（更快的R-CNN），这是一种深度学习体系结构来自动检测，识别和计算BRUV中的深水鲷鱼。视频是在新喀里多尼亚（南皮林）收集的，深度为47至552 m。使用在6,364张图像中观察到的11个深水鲷鱼物种中的12,100个注释的数据集，我们为具有舒适注释的6种物种获得了良好的模型性能（F-Measures> 0.7，最高0.87）。视频中最大丰度的自动和手动估计之间的相关性很高（0.72 - 0.9），但较快的R-CNN显示出低估的偏见。一种半自动协议，我们的模型在处理BRUV镜头时支持手动观察者，改善了性能，与手动计数的相关性为0.96，对于某些关键物种，则具有0.96的相关性和完美的匹配（r = 1）。此模型已经可以帮助手动观察者半自动地处理BRUVS录像，并且当更多培训数据可用以降低假否定率时，肯定会改善。这项研究进一步表明，在海洋科学中使用人工智能是进步的，但对未来有必要。
用于大规模细胞结构脑映射的卷积神经网络
人类大脑图谱为来自不同大脑、在不同层次上表征大脑组织的数据提供了空间参考系统。细胞结构是大脑微观结构组织的基本原理，因为神经元细胞排列和组成的区域差异是连接和功能变化的指标。自动扫描程序和独立于观察者的方法是可靠识别细胞结构区域和实现可重复的大脑分离模型的先决条件。当从分析单个感兴趣区域转向对大量全脑切片进行高通量扫描时，时间成为一个关键因素。在这里，我们提出了一种新的工作流程，用于映射人类死后大脑大量细胞体染色组织切片中的细胞结构区域。它基于深度卷积神经网络 (CNN)，该网络在带有注释的切片图像对上进行训练，中间有大量未注释的切片。该模型学会了以高精度创建所有缺失的注释，并且比我们之前基于独立于观察者的映射的工作流程更快。新的工作流程不需要预先对切片进行 3D 重建，并且对组织学伪影具有很强的鲁棒性。它可以高效地处理大小为数 TB 的大型数据集。该工作流程集成到 Web 界面中，无需深度学习和批量计算方面的专业知识即可访问。将深度神经网络应用于细胞结构映射开辟了新的视角，以实现高分辨率的大脑区域模型，引入 CNN 来识别大脑区域的边界。
orrosion - 俄勒冈州立大学
致谢 .................ii 简介 ....................1 腐蚀原理 ..............1 电化学电位 .............1 腐蚀理论 ...................2 影响腐蚀速率的因素 ............3 pH 的影响 ..............3 氧气的影响 ....。。。。。。。。。。。。。3 水分的影响。。。。。。。。。。......3 盐的作用 ..............3 冶金因素的影响 ............4 杂散电流的影响 ...........4 极化的影响 ...............4 种控制腐蚀的方法 ..........4 带注释的参考书目 ................5 主题索引 ..........。。。。。。。。33 金属 .。。。。。。。。。。。。。。。。。。。33 腐蚀。。。。。。。。。。。。。。。。。。33 种类型。。。。。。。。。。。。。。。。。。。33 木头。。。。。。。。。。。。。。。。。。。。33 酸度。。。。。。。。。。..........33 艘船（咸水） .................33 耐化学性及改进方法 ........33 金属腐蚀 ...............33 胶合板和胶水 ........。。。。。。。。。33