XiaoMi-AI文件搜索系统
World File Search System纹理
Ibrahim A. Mirsal 土壤污染起源、监测与治理
3.1 物理特性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 3.1.1 颜色。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 3.1.2 纹理。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 3.1.3 结构。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 3.1.4 一致性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。48 3.1.5 孔隙率。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49
单轴铁电体中标称带电畴壁的极化拓扑结构
铁电体中的非均匀极化纹理为丰富的新材料物理学提供了沃土。非均匀极化分布的含义之一是在极化不连续处或一般在极化矢量场发散非零的点处出现束缚电荷。束缚电荷会感应出能量耗费很大的电场。因此，无论极化分布多么复杂，系统都倾向于保持其内部的电中性。那么中性意味着要么极化矢量场应该无发散，要么束缚电荷应该受到半导体性质的自由载流子的屏蔽。非均匀且几乎无发散的极化纹理主要见于多轴铁电体 [1,2]，其中自发极化矢量可以旋转。
单轴铁电体中标称带电畴壁的极化拓扑结构
铁电体中的非均匀极化纹理为丰富的新材料物理学提供了沃土。非均匀极化分布的含义之一是在极化不连续处或一般在极化矢量场发散非零的点处出现束缚电荷。束缚电荷会感应出能量耗费很大的电场。因此，无论极化分布多么复杂，系统都倾向于保持其内部的电中性。那么中性意味着要么极化矢量场应该无发散，要么束缚电荷应该受到半导体性质的自由载流子的屏蔽。非均匀且几乎无发散的极化纹理主要见于多轴铁电体 [1,2]，其中自发极化矢量可以旋转。
建立信息学，技术与科学（位）
摘要 - 图像分割是数字图像识别的分析过程之一，在该过程中，此过程将数字图像分为基于均匀像素的几个唯一区域。均匀分组图像的过程基于几种颜色，纹理和形状特征。数字图像处理中的颜色非常重要，因为颜色具有许多人类可以轻松理解的信息。颜色具有各种特征，结合了颜色强度和灰色（灰度）和二进制（黑白）值。但是，颜色特征提取过程具有许多弱点。如果所使用的对象的尺寸和范围很小，则需要将颜色特征的使用与提取相结合，并且可以最大化分割过程。本研究在提取过程中使用颜色和纹理特征。它使用水中的细菌对象（微生物），图像质量和往往难以识别的物体。将颜色空间特征提取过程与Gabor滤波器结合使用，以使分割过程产生高质量的精度。好。本研究中使用的Gabor滤波器与L*A*B空间向量相结合，以提高分割过程中的精度。结果表明，纹理特征的使用通过测试1.2的群集值而导致精度提高17.5％。
![arXiv:2002.04207v1 [ed.IV] 2 月 11 日](/simg/2\24b0be80f7ffd05615a53ff11a45e2fea5309180.webp)
arXiv:2002.04207v1 [ed.IV] 2 月 11 日
纹理和边缘为图像识别提供不同的信息。边缘和边界编码形状信息，而纹理则体现区域的外观。尽管卷积神经网络 (CNN) 在计算机视觉和医学图像分析应用中取得了成功，但主要只学习纹理抽象，这通常会导致边界描绘不精确。在医学成像中，专家手动分割通常依赖于器官边界；例如，为了手动分割肝脏，医生通常首先识别边缘，然后填充分割蒙版。受这些观察的启发，我们提出了一个即插即用模块，称为边缘门控 CNN (EG-CNN)，可与现有的编码器-解码器架构一起使用来处理边缘和纹理信息。EG-CNN 学习在编码器中强调边缘，通过辅助边缘监督预测清晰的边界，并将其输出与原始 CNN 输出融合。我们在两个公开可用的数据集 BraTS 19 和 KiTS 19 上评估了 EG-CNN 与各种主流 CNN 在脑肿瘤和肾脏语义分割方面的有效性。我们展示了添加 EG-CNN 如何持续提高分割准确性和泛化性能。
频谱归一化对比对比的 -
现有的图像到图像（I2i）翻译方法通过将斑块的对比度学习置于生成性对抗网络中，从而实现最先进的性能。然而，斑块的对比度学习仅关注局部内容的相似性，但忽略了全球结构的结合，这会影响生成的图像的质量。在本文中，我们提出了一个基于双重对比的正则化和光谱归一化的新的未配对I2I翻译框架，即SN-DCR。为了维持全局结构和纹理的一致性，我们分别使用不同的深度特征空间设计了双重对比正则化。为了改善生成图像的全局结构信息，我们制定了语义上对比的损失，以使生成的图像的全局语义结构类似于语义特征空间中目标域中的真实图像。我们使用革兰氏矩阵从图像中提取纹理样式。同样，我们设计样式的对比损失，以改善生成图像的全局纹理信息。此外，为了增强模型的稳定性，我们在发电机的设计中采用了光谱归一化卷积网络。我们进行了全面的实验来评估SN-DCR的有效性，结果证明了我们的方法在多个任务中实现了SOTA。
第23 Mauterndorf Winterschool，2025年2月9日至14日
p1.1 2d Andreas BeerUniversitätRegensburg接近性诱导的交换交互和动态电荷转移在Mose2/Crsbr van-der-waals异质结构带有正交旋转纹理
