XiaoMi-AI文件搜索系统
World File Search System自动识别
快速、自动识别单个活脑细胞
神经细胞的形状像幼苗：大而圆的种子（细胞体）被一簇卷曲的根（树突）包围，而一根长茎（轴突）则向另一个方向延伸。这张图片以椭圆形显示了不同动物之间某些神经元细胞体位置的变化。每个神经元都是随机着色的。神经元在图中从上到下、从左到右排列，因为它们在线虫中的位置是从鼻子到尾巴（前后）和从背部到腹部（背腹）。来源：CC BY-ND 4.0 Toyoshima 等人，2020 年，DOI：10.1186/s12915-020-0745-2
钙钛矿还是非钙钛矿？一种从 X 射线衍射图自动识别新型混合钙钛矿的深度学习方法
图 3. ML 方法对钙钛矿与非钙钛矿进行分类。a. 根据数据集中 XRD 模式范围（2 ）的 CNN 预测准确度，b. 根据数据集中 XRD 模式范围（2 ）的 CNN 混淆矩阵真阴性，c. 根据数据集中 XRD 模式范围（2 ）的 CNN 混淆矩阵假阳性，d. 根据数据集中 XRD 模式范围（2 ）的 CNN 混淆矩阵假阴性，e. 根据数据集中 XRD 模式范围（2 ）的 CNN 混淆矩阵真阳性，f. XRD 模式（d 间距（Å））对于随机森林分类的特征重要性（步长：2.18°（2 ））。
在未标记的相机陷阱图像中自动识别非洲豹子
摘要 - 本文介绍了一种解决现实世界动物识别问题的算法，即确定panthera提供的非标记的非洲豹图像数据集中的K单个动物数量未知数量。为了确定豹子的ID，我们提出了一种有效的自动化算法，该算法包括从图像中分割豹子体，对图像对之间的相似性和群集进行了分割，然后进行验证。要执行聚类，我们采用了修改的三元搜索，该搜索使用了新型的自适应K -Medoids ++聚类算法。最佳聚类是使用Silhouette分数的扩展定义确定的。使用新的聚类后验证程序用于进一步提高聚类的质量。使用Panthera数据集评估了该算法，该数据集由1555张图像中拍摄的677个单独的豹子组成，并通过基线K -Medoids ++聚类算法算法的0.864进行了调整后的共同信息评分，与0.864相比进行了聚类。
校正：人工智能的利用来自动识别美术
本文的资金声明是不正确的。正确的资金声明如下：这项研究得到了上海文化和教育融合项目（中国）以及教育部（中国）的意识形态和政治演示课程的支持。作者和PLOS一位编辑希望告知读者，[1]的参考文献6于2024年8月10日[2，3]撤回，而本文[1]正在审查中。在引言中引用了缩回的条款[2]，并且它的撤回似乎不会影响本文的可靠性或有效性[1]。我们拒绝在发布之前确定这个问题。
自动识别特定局部皮质折叠模式
对局部皮质折叠模式的研究表明，其与精神疾病以及认知功能存在关联。尽管目前已有可视化 3D 皮质折叠的工具，但手动分类局部脑沟模式仍然是一项耗时且繁琐的任务。事实上，折叠的 3D 可视化有助于专家识别不同的脑沟模式，但折叠变异性非常高，以至于区分这些模式有时需要定义复杂的标准，这使得手动分类变得困难且不可靠。但是，评估这些模式对皮质功能组织的影响可能会受益于对大型数据库的研究，尤其是在研究罕见模式时。本文提出了几种自动分类折叠模式的算法，以便扩展和确认此类大型数据库上的形态学研究。提出了三种方法，第一种方法基于支持向量机 (SVM) 分类器，第二种方法基于非局部图像块估计器评分 (SNIPE) 方法，第三种方法基于 3D 卷积神经网络 (CNN)。这些方法足够通用，适用于各种折叠模式。它们在两种目前没有自动识别方法的模式上进行了测试：前扣带皮层 (ACC) 模式和电源按钮标志 (PBS)。这两种 ACC 模式几乎同样存在，而 PBS 在一般人群中是一种特别罕见的模式。提出的三种模型在 ACC 模式分类中实现了大约 80% 的平衡准确率，在 PBS 分类中实现了大约 60% 的平衡准确率。基于 CNN 的模型由于其执行速度快，更适合 ACC 模式分类。然而，基于 SVM 和 SNIPE 的模型在管理 PBS 识别等不平衡问题方面更有效。
自动识别建筑物中的变形和...
图5.2 Faro Company（A）LIDAR 360O的商业地面激光扫描仪（300O视野）视会（b）LIDAR工作原理（c）从LIDAR捕获的3D数据的平面视图。（D）低分辨率和高分辨率对周围环境捕获的图像的影响（礼貌：Faro Company）。
通过卷积神经网络自动识别土壤真菌和 Chromista
土壤微生物的鉴定在农业和园艺中起着至关重要的作用，因为它可以监测有益物种并尽早发现病原体。在本研究中，我们提出了一种利用机器视觉和机器学习技术（特别是卷积神经网络）的系统，根据显微图像和形态特征自动识别不同的真菌和 Chromista。我们的系统旨在提供一种经济高效的病原体检测方法，改善农业系统的整体健康和生产力。我们使用土壤微生物数据集进行了实验，并使用精度、召回率和 F1 分数度量评估了分类器的性能。尽管存在类别不平衡和子图像检索不完善等挑战，但分类器仍取得了令人鼓舞的结果，总体精度为 82%，表明正确预测所有类别的正实例的准确率很高。此外，采用多数投票方案显著提高了分类器的性能，解决了代表性不足的类别问题。增强的结果显示平均精度和 F1 分数为 97%。我们的工作突出了 CNN 在土壤微生物识别方面的潜力，并为未来扩大数据集和纳入更广泛的微生物属的研究铺平了道路。
学习融合多个大脑功能网络以实现自闭症的自动识别
摘要：功能连接网络（FCN）已成为识别脑功能障碍（如自闭症谱系障碍（ASD））潜在生物标志物的常用工具。由于其重要性，研究人员提出了许多从静息态功能磁共振（rs-fMRI）数据估计FCN的方法。然而，现有的FCN估计方法通常仅捕获大脑感兴趣区域（ROI）之间的单一关系，例如线性相关、非线性相关或高阶相关，因此无法对大脑中ROI之间的复杂相互作用进行建模。此外，此类传统方法以无监督的方式估计FCN，并且估计过程独立于下游任务，这使得难以保证ASD识别的最佳性能。为了解决这些问题，本文提出了一种基于rs-fMRI的ASD分类多FCN融合框架。具体而言，对于每个受试者，我们首先使用不同的方法估计多个FCN，以从不同角度编码ROI之间的丰富相互作用。然后，我们使用标签信息（ASD 与健康对照 (HC)）来学习一组融合权重，以衡量这些估计的 FCN 的重要性/区分度。最后，我们将自适应加权融合 FCN 应用于 ABIDE 数据集，以从 HC 中识别出患有 ASD 的受试者。提出的 FCN 融合框架易于实现，与传统和最先进的方法相比，可以显著提高诊断准确性。
文章 使用 2 型模糊和深度卷积网络的组合从脑电信号中自动识别情绪
摘要：情绪是人类生活中不可分割的一部分。自动情绪识别可广泛应用于脑机接口。本研究提出了一种基于深度学习和模糊网络相结合的脑电信号自动情绪识别新模型，可以识别两种不同的情绪：积极和消极。为了实现这一目标，我们编制了一个基于脑电信号音乐刺激的标准数据库。然后，为了处理过拟合现象，使用生成对抗网络来扩充数据。生成对抗网络的输出被输入到所提出的模型中，该模型基于具有 2 型模糊激活函数的改进深度卷积网络。最后，在两个单独的类中，对两种积极情绪和两种消极情绪进行分类。在这两类的分类中，所提出的模型实现了 98% 以上的准确率。此外，与以前的研究相比，所提出的模型表现良好，可用于未来的脑机接口应用。
基于CNN网络的运动意图脑电信号自动识别（端到端）
摘要：基于运动的脑机接口 (BCI) 很大程度上依赖于运动意图的自动识别。它们还允许患有运动障碍的患者与外部设备进行通信。提取和选择判别特征通常会增加计算机的复杂性，这是自动发现运动意图的问题之一。这项研究介绍了一种利用脑电图数据自动对二类和三类运动意图情况进行分类的新方法。在建议的技术中，原始脑电图输入直接应用于卷积神经网络 (CNN)，而无需提取或选择特征。根据先前的研究，这是一种复杂的方法。建议的网络设计包括十个卷积层，后面是两个完全连接的层。由于其准确性高，建议的方法可用于 BCI 应用。