XiaoMi-AI文件搜索系统
World File Search System直方图
用于无直方图单光子深度感知的单门脉冲循环神经网络
摘要 — 最近的研究表明，将时间分辨的单光子雪崩二极管 (SPAD) 传感器与神经网络直接耦合，可以简化信号处理并减少冗余。然而，之前的尝试仅限于通用神经网络模型，包括长短期记忆 (LSTM)，这些模型无法实现针对特定任务的优化。基于对 SPAD 深度感知任务需求的洞察，这项工作引入了一种高度简化的脉冲循环神经网络，专门为此目的而量身定制。该模型具有独特的单输入门架构，仅通过简单的脉冲神经元实现。与经典 LSTM 相比，它的准确度有所提高，参数数量减少了 1.95 倍，能耗降低了至少 8.40 倍，同时性能显著优于其他脉冲神经网络。结果强调了开发专用于当前任务的网络架构的重要性，这可能为完全像素内处理的潜在进步铺平道路。索引词 — 单光子雪崩二极管、直接飞行时间、脉冲神经网络、循环神经网络、机器学习
基于直方图的自动分割：从 SEM 图像中分割集成电路结构的新方法
摘要 — 在逆向工程和硬件保证领域，大多数数据采集是通过电子显微镜技术（如扫描电子显微镜 (SEM)）完成的。然而，与光学成像中的同行不同，只有有限数量的技术可用于增强和提取原始 SEM 图像中的信息。在本文中，我们介绍了一种从 SEM 图像中分割出集成电路 (IC) 结构的算法。与本文讨论的现有算法不同，该算法是无监督的、无参数的，并且不需要关于噪声模型或目标图像中特征的先验信息，这使得它在低质量图像采集场景中也有效。此外，还报告并讨论了该算法在 IC 中各种结构和层上的应用结果。索引术语 — 逆向工程、硬件保证、SEM、分割
脑肿瘤分割图像增强技术的比较分析：对比度、直方图和混合方法
摘要。本研究系统地研究了图像增强技术对基于卷积神经网络 (CNN) 的脑肿瘤分割的影响，重点关注直方图均衡化 (HE)、对比度限制自适应直方图均衡化 (CLAHE) 及其混合变体。该研究在 3064 张脑 MRI 图像的数据集上采用 U-Net 架构，深入研究了预处理步骤，包括调整大小和增强，以优化分割精度。对基于 CNN 的 U-Net 架构、训练和验证过程进行了详细分析。利用准确度、损失、MSE、IoU 和 DSC 等指标进行的比较分析表明，混合方法 CLAHE-HE 始终优于其他方法。结果突出了其卓越的准确度（训练、测试和验证分别为 0.9982、0.9939、0.9936）和强大的分割重叠，Jaccard 值为 0.9862、0.9847 和 0.9864，Dice 值为 0.993、0.9923 和 0.9932，强调了其在神经肿瘤学应用中的潜力。研究最后呼吁改进分割方法，以进一步提高神经肿瘤学的诊断精度和治疗计划。
用于分层 IC 图像分析的无监督域自适应与直方图门控图像转换
摘要 — 深度学习通过使用卷积神经网络 (CNN) 对电路结构进行分割，在具有挑战性的电路注释任务中取得了巨大成功。深度学习方法需要大量手动注释的训练数据才能获得良好的性能，如果将在给定数据集上训练的深度学习模型应用于不同的数据集，则可能会导致性能下降。这通常被称为电路注释的域转移问题，其源于不同图像数据集之间的分布可能存在很大差异。不同的图像数据集可以从不同的设备或单个设备内的不同层获得。为了解决域转移问题，我们提出了直方图门控图像转换 (HGIT)，这是一种无监督域自适应框架，它将图像从给定的源数据集转换到目标数据集的域，并利用转换后的图像来训练分割网络。具体而言，我们的 HGIT 执行基于生成对抗网络 (GAN) 的图像转换并利用直方图统计数据进行数据管理。实验是在适应三个不同目标数据集（无训练标签）的单个标记源数据集上进行的，并评估了每个目标数据集的分割性能。我们已经证明，与已报道的域自适应技术相比，我们的方法实现了最佳性能，并且也相当接近完全监督的基准。索引术语——深度学习、集成电路图像分析、无监督域自适应、图像到图像转换
确定最适合基于机器学习的多光谱脑 MRI 数据分割的直方图归一化技术
摘要 — 磁共振成像 (MRI) 的主要缺点是缺乏标准强度尺度。所有观察到的数值都是相对的，只能结合其上下文进行解释。在将 MRI 数据体输入监督学习分割程序之前，需要将它们的直方图相互配准，换句话说，它们需要所谓的规范化。用于辅助脑 MRI 分割的最流行的直方图规范化技术是 Ny'ul 等人在 2000 年提出的算法，该算法对齐一批 MRI 体积的直方图，而不注意可能扭曲直方图的局部病变。另外，一些最近的研究应用了基于简单线性变换的直方图规范化，并报告了使用它们实现的略高的准确性。本文提出研究在脑 MRI 图像分割之前分别在没有和存在局部病变的情况下执行直方图规范化的最合适的方法和参数设置。
线性扩增子测序分析报告/结果
下面的直方图显示了测序数据的读取长度分布。直方图在 y 轴上显示测序碱基数 (bp)，在 x 轴上显示读取长度。直方图中的每个条形代表读取长度的范围，条形的高度表示该范围内的碱基总数 (bp)。这会产生按每个箱体的核苷酸数加权的图，因为较长的读取在直方图中具有更大的权重。读取长度直方图可用于评估测序数据的质量，因为读取长度的分布可以指示测序过程中是否存在污染物或偏差。它们还可用于确定正在测序的扩增子的大小。
计算机视觉解决方案 - technicon
具有内置的自适应直方图均衡，各向异性扩散，小波转换和定向梯度的直方图（HOG）甚至在不断变化的工作条件下也可以解决方案。改变空间中的照明条件 - 有效，快速识别关键区域，放大缺陷并减少图像中的噪声。
DXH 900和690T血液学分析仪高级技术案例
DATAFUSION技术结合了来自多个模块的信息（增强的库尔特原理和VC）。设计的目的是实时克服样本特定的挑战，并避免其他样本重新分析或重播。DATAFUSION唯一地将多种技术纳入了一次运行中，使用每个模块的强度一起工作并克服重新分析的切换。DXH血小板计数还包括从WBC直方图和NRBC分析获得的特征信息。血小板直方图模式以及WBC直方图和NRBC分析的其他特征信息支持在严重干扰的情况下由于干扰和PLT R的标记而引起的PLT计数校正（图18）
ZEISS PhaseEvolve
使用 ZEISS Versa XRM 上的相位对比模式对吸入混合物中的乳糖载体颗粒进行成像。显示了原始（左）和 PhaseEvolve 处理（右）断层扫描数据的扫描体积重建的 2D 切片以及相应的直方图。处理后的数据提供无伪影的高对比度数据，其直方图易于分割。
peatgrids：通过数字土壤映射绘制全球泥炭地的厚度和碳库存
图4：全球泥炭数据点的直方图：（a）泥炭厚度数据分为六个区域，（b）泥炭块密度（BD，Mg M -3中的BD）和碳含量（CC，G g -1）在多个深度下。直方图中每个条形图的宽度的宽度为1 m的数据，但对于泥炭BD和CC，是0.05值的组。红色虚线显示平均值。