XiaoMi-AI文件搜索系统
World File Search System直方图
使用高维计算的鲁棒聚类
摘要 - 本文介绍了超维计算（HDC）域中数据的聚类。在先前的工作中，已经提出了一个基于HDC的聚类框架，称为HDCluster。但是，现有的HDCluster的性能并不强大。在初始化步骤中随机选择簇的高量向量，HDCluster的性能被降解。为了克服这种瓶颈，我们通过探索编码数据的相似性（称为查询过量向量，分配了初始群集过度向量。组内过度向量的相似性比组间高向量具有更高的相似性。利用查询过量向量之间的相似性结果，本文提出了四种基于HDC的聚类算法：基于相似性的K-均值，相等的Bin宽度直方图，相等的BIN高度直方图和基于相似性的亲和力传播。实验结果说明：（i）与现有的HDCluster相比，我们提出的基于HDC的聚类算法可以实现更好的准确性，更健壮的性能，更少的迭代和更少的执行时间。基于相似性的亲和力提出优于八个数据集上的其他三种基于HDC的聚类算法，而聚类准确性则高于2％约38％。（ii）即使对于一通聚类，即没有群集高量向量的任何迭代更新，我们提出的算法也可以提供比HDClter更强大的聚类精度。（iii）在八个数据集上，当八分之一的数据集投影到高维空间上时，八分之一可以达到更高或可比的精度。传统聚类比HDC更可取，当时簇数k的数量很大。
人工智能硕士课程要求 1. 课程类型
在本课程结束时，学生将能够： 1. 评估适合解决人工智能问题的图像处理技术。 2. 评估给定人工智能场景下图像处理方法的性能。 3. 在人工智能领域设计和开发图像处理系统 课程内容概要 本课程探讨解决人工智能问题的图像处理技术。图像形成和图像模型是涉及的初始步骤，它涵盖像素和对象级操作，包括直方图、边缘和片段。比较了图像增强和恢复。包括图像配准和图像变换操作。最后，给出图像特征和识别过程。包括计算机视觉的深度学习方法 评估和加权
利用大脑结构连接组的机器学习预测性别、年龄、一般认知和心理健康
图 4 基于 SC 和 FA 的每项预测任务的梯度直方图。基于 SC 的年龄、g 因子和 MHQ 因子预测的梯度分布峰度测量分别为 43.67、10.93 和 11.50，基于 FA 的梯度分布峰度测量分别为 19.24、4.36 和 5.16。这意味着，与其他两个预测任务相比，年龄预测中梯度接近平均值（零）的边缘更多。这表明该模型在年龄预测中依赖较小的边缘子集，但在 g 因子和 MHQ 因子预测中依赖广泛的边缘。FA，各向异性分数；SC，流线数
来自时间数据的空间图像：补充
本文档为“时间数据的空间图像”提供了补充信息。文档结构如下：第 I 节讨论了用于生成飞行时间图像和时间直方图的数值算法（数值正向模型）；第 II 节解释了图像（逆）检索算法；第 III 节给出了额外的实验细节；第 IV 节讨论了结构相似性指数 (SSIM) 方面的重建图像质量，重点介绍了可能影响检索算法性能的因素；第 V 节证明了我们的成像方法可以扩展到单点射频天线；最后，第 VI 节给出了 ToF 模拟和 ANN 训练的伪代码。
应用于新生儿大脑MRI分割的合成学习的综合分析
图4（a）在GT_DRAWEM和从T2W或T1W的SynthMotinh模型之间计算出的骰子分数的所有主题的分布，对于不同的结构。（b）从Synthmotinh模型预测计算出的GM体积的散点图。y轴预测是由T2W体积和T1W体积的X轴进行的。（c）跨不同方法的视觉观察的说明。地面真相标签（gt_drawem）以绿色显示，预测为红色。蓝色箭头指示与T1W图像有关GT的可见未对准区域。红色箭头指示预测中的局部错误。（d）预测GM标签（蓝色）和GM GT（橙色）中T1W和T2W图像强度的直方图。
使用机器学习检测紧急创伤环境中的颅内血肿的早期预警系统
由算法确定标签。根据决策树，在从 Haralick 特征（30）和图像矩（即中心矩、原始矩、归一化中心矩和 Hu 矩）中评估的 50 个因素中，来自 Haralick 特征的熵和方差以及图像中的中心矩特征是决定标签的最有效因素。在图像处理中，图像矩是图像像素强度的加权平均值（矩），或此类矩的函数，通常选择具有某些有吸引力的特性或解释。通过图像矩找到的图像的简单属性包括面积（或总强度）、其质心以及有关其方向的信息。另一方面，熵测量图像直方图的强度，它显示图像中不同灰度级的概率。
已接受文章预览
图 1. 钙钛矿 CsPbBr 3 QDs 的形态和光学特性：TEM 图像、UV-vis 吸收光谱和 PL 光谱，以及 (a)、(e)、(i) Cs 2 CO 3 - 40 ℃ 、(b)、(f)、(j) Cs 2 CO 3 -100 ℃ 、(c)、(g)、(k) CsOAc-40 ℃ 和 (d)、(h)、(l) CsOAc-100 ℃ QDs 的 TA 伪彩色图像。插图显示相应的尺寸分布直方图、FFT 和 IFFT 图像。 (m) Cs 2 CO 3 -40 ℃ 、Cs 2 CO 3 -100 ℃ 、CsOAc-40 ℃ 和 CsOAc-100 ℃ QDs 的 TA 漂白动力学曲线和 (n) 时间分辨 PL 衰减光谱。基于 50 多个批次的不同 QDs 的 (o) FWHM 和 (p) 峰值波长的误差线图。
Y90通过使用MIM Sureplan Y90
讨论治疗程序后，使用MIM Sureplan Y90审查了该病例。所得的剂量体积直方图（DVH）（图6）证实靶剂量已递送到肿瘤中。DVH上的粉红色线显示了递送到肿瘤的高剂量，而其他曲线（肺部和正常肝脏）接近y轴，代表可接受的低剂量传递到非目标区域。剂量计计算表明，仅10mci的树脂Y90，162.4 Gy成功地递送到靶肿瘤，而仅将12.5 GY递送到正常的肝组织。此DVH说明Trinav通过反向靶向区域进行反流保护实现了目标剂量的成功。
使用Ensemble检测混淆的恶意软件...
摘要 - 恶意软件是一种入侵，旨在损害计算机和任何网络连接的设备。由于数字时代的技术进步，恶意软件每天都以不同的形式发展。一些恶意软件包括病毒，特洛伊木马，勒索软件等。混淆的恶意软件是一种恶意软件，无法使用预定的签名模式或通过正常的检测策略来识别。混淆的恶意软件是对安全基础架构的主要威胁，很难检测到。为了自动化混淆的恶意软件检测过程，机器学习起着主要作用。本文旨在开发合适的机器学习模型作为一个合奏框架，以检测混淆的恶意软件。目标本文是在堆叠和提升下找到最有效，性能最高的合奏学习方法。堆叠的合奏学习分类器是通过机器学习模型（如随机森林，决策树，k-neart邻居和天真的贝叶斯）开发的。使用ADABOOST分类器，极端梯度提升分类器和直方图梯度增强算法开发增强集合学习分类器。从加拿大网络安全研究所进行的MalmeManalisy-2022数据集进行研究，其中包括58,598个记录，具有57个功能。使用准确性，精度，召回和F1得分等度量评估集合模型的性能。基于模型之间的比较分析，在堆叠方法中，随机森林和决策树以99.99％获得最高的精度。在增强方法中，通过直方图梯度提升和100％的极端梯度增强模型获得了最高精度。索引术语 - 合奏学习；恶意软件检测；机器学习；混淆的恶意软件；绩效评估