XiaoMi-AI文件搜索系统
World File Search System获取图像
物理学 多媒体物理学，第 1 周期 2 3 物理学，第 1 周期
• 了解多媒体演示的物理基础（模拟数字转换、传感器、不同设备之间的多媒体数据传输、多媒体数据采集的物理限制） • 独立准备多媒体演示文稿（根据演示目的获取图像、声音和视频）并准备设计。 • 理解和领悟多媒体材料的质量矩阵（评估图像、声音和视频的质量；根据演示约束评估文本的适用性） 预期学习成果： 知识和理解： • 学生将了解多媒体设备（了解如何捕获图像、声音和视频，哪些外部条件会影响捕获数据的质量，知道如何在给定条件下使用设备）。 • 将理解多媒体内容的制作方式（将了解捕获、处理和将媒体数据转换为不同格式的过程；将了解压缩算法之间的区别；将了解处理媒体文件的软件的局限性，并能够在给定条件下适当地使用可用的软件）• 将了解并理解创建促销和演示文稿的作用（将能够为不同的目标群体准备演示文稿，将了解何时在演示文稿中使用哪些媒体元素，将了解现场和在线演示文稿之间的区别）。
近红外图像辐射质量评估方法...
摘要。无人驾驶飞行器适用于各种摄影测量和遥感任务。此类平台配备了各种在可见光和红外光谱范围内成像的光电传感器以及热传感器。如今，从低空获取的近红外 (NIR) 图像通常用于制作精准农业等的正射影像图。一个主要问题是使用低成本定制和紧凑型 NIR 相机，广角镜头会引入渐晕。在许多情况下，此类相机会根据照明条件获取低辐射质量图像。本文介绍了一种从定制传感器对低空 NIR 图像数据进行辐射质量评估的方法。该方法利用 NIR 图像的统计分析。用于分析的数据是从不同高度、不同天气和光照条件下获取的。研究结果确定了客观的 NIR 图像质量指数。使用该指数获得的结果可以将图像分为三类：辐射质量好、中等和低。通过分类可以确定所获取图像的先验误差，并评估是否需要重新进行摄影测量飞行。© 2018 光学仪器工程师协会 (SPIE) [DOI：10 .1117/1.JRS.12.015008]
物理多媒体
• 了解多媒体演示的物理基础（模拟数字转换、传感器、不同设备之间的多媒体数据传输、多媒体数据采集的物理限制） • 独立准备多媒体演示文稿（根据演示目的获取图像、声音和视频）并准备设计。 • 理解和领悟多媒体材料的质量矩阵（评估图像、声音和视频的质量；根据演示约束评估文本的适用性） 预期学习成果： 知识和理解： • 学生将了解多媒体设备（了解如何捕获图像、声音和视频，哪些外部条件会影响捕获数据的质量，知道如何在给定条件下使用设备）。 • 将理解多媒体内容的制作方式（将了解捕获、处理和将媒体数据转换为不同格式的过程；将了解压缩算法之间的区别；将了解处理媒体文件的软件的局限性，并能够在给定条件下适当地使用可用的软件）• 将了解并理解创建促销和演示文稿的作用（将能够为不同的目标群体准备演示文稿，将了解何时在演示文稿中使用哪些媒体元素，将了解现场和在线演示文稿之间的区别）。
使用同步子辐射相对比度摄影
X射线相对比微型计算机断层扫描使用同步加速器辐射（SR PHC-µCT）具有独特的3D成像功能，可视化人脑的微结构。其对未染色软组织的适用性是积极研究的领域。从组织块中获取图像，而无需按照常规组织学中的要求将其分为薄片，从而可以研究其自然3D空间中的微观结构。本文提出了一个详细的逐步指南，用于成像未染色的人脑组织，该分辨率是在Syrmep上实现的一些SR PHC-µCT的分辨率，即Elettra的硬X射线成像光束线，Italian同步器设施。我们介绍了血管和神经元如何出现在以5μm和1 µm Voxel大小获得的图像中出现的示例。此外，该提议的方案可用于研究重要的生物底物，例如神经苯胺或链氨基链酰胺。可以使用经典组织学方法验证的特定定制的分割工具来研究其空间分布。总而言之，使用所提出的方案（包括数据获取和图像处理）提供了SR PHC-µCT，提供了可行的手段，可以在3D中以细胞水平的细胞水平获取有关人脑解剖结构的信息。
一个航天器数据集用于检测，分割和零件识别
现代生活的几乎所有方面都取决于太空技术。多亏了计算机视频的一般和深度学习技术的巨大进步，几十年来，全世界都见证了将深度学习的发展用于解决太空问题的问题，例如自动驾驶机器人，诸如示踪剂，类似昆虫的机器人，类似昆虫的机器人和SpaceCraft的健康监测。这些只是一些在深度学习的帮助下具有高级空间行业的重要例子。但是，深度学习模型的成功需要大量的培训数据才能具有不错的性能，而另一方面，用于培训深度学习模型的公开空间数据集非常有限。当前没有用于基于太空的对象检测或实例分割的公共数据集，部分原因是手动注释对象分割掩码非常耗时，因为它们需要像素级标签，更不用说从空间获取图像的挑战了。在本文中，我们的目标是通过释放数据集以进行航天器检测，实例分割和零件识别来填补这一差距。这项工作的主要贡献是使用太空设置和卫星的图像开发数据集，并具有丰富的注释，包括绑定的航天器和口罩的框架盒对物体部分的水平，这些盒子是通过自动程序和手动努力的混合而获得的。我们还提供了对象检测和Intance Sementation的最新方法作为数据集的基准。可以在https://github.com/yurushia1998/satellitedataset上找到下载建议数据集的链接。
使用 CNN 特征跟踪连续视频帧中的关键点以用于太空应用
摘要：太空任务中的严格时间限制带来了许多自主任务的快速视频处理问题。视频处理涉及分离不同的图像帧、获取图像描述符、应用不同的机器学习算法进行物体检测、避障以及航天器自动操纵中涉及的许多其他任务。这些任务需要在时间限制内对图像进行最翔实的描述。在流量估计应用中，需要从连续图像帧中跟踪这些信息点。SIFT 和 SURF 等经典算法是特征描述开发的里程碑。但计算复杂性和高时间要求迫使关键任务避免在实时处理中采用这些技术。因此，本文选择时间保守且复杂度较低的预训练卷积神经网络 (CNN) 模型作为特征描述符。使用预训练的 VGG 模型参数设计和实现 7 层 CNN 模型，然后使用这些 CNN 特征匹配月球下降视频连续图像帧中的兴趣点。系统的性能是基于视觉和经验关键点匹配来评估的。然后使用 CNN 特征将视频中两个连续图像之间的匹配分数与 SIFT 和 SURF 等最先进的算法进行比较。结果表明，对于太空任务的关键点跟踪应用，在时间关键的视频处理任务中，CNN 特征更可靠、更稳健。关键词：人工智能；卷积神经网络；特征描述符；机器学习；太空任务 1 引言
诊断性心血管超声图的AAS学生...
简介本学生手册的主要目的是为学生提供诊断心血管超声检查的应用科学学士学位的伊斯特威克学院副学士的全面参考手册。因此，它并不是要替换大学目录或其他官方大学文件。本手册专门涉及诊断性心血管超声检查计划的政策和程序，并旨在帮助其学生成功完成学习过程。每个学生有责任定期审查本手册并了解其内容。学院保留全部或部分修改，更改或删除这些政策和程序的权利。诊断性心血管超声师是医疗机构成像系的高技能成员。超声检查员必须拥有人类解剖学，生理和病理过程的详细知识，并精通超声物理学以获得诊断质量图像。超声是一种非侵入性方式，它使用声波从体内获取图像。它可以帮助诊断许多医疗状况。诊断性心血管超声检查的领域涵盖了多种专业，这些专业是由超声师的特定兴趣和培训选择的。超声检查员与患者密切接触；因此，发展和保持出色的人际交往能力至关重要。诊断性心血管超声检查计划涉及多个专业，并分为不同的课程。就业机会各不相同，医院，诊所，私人办公室，教育中心，研究设施和行业雇用了诊断心血管超声检查员。该课程符合认证机构的标准化，以提供基于能力的，面向结果的教学，实验室和临床经验。学生计划在大多数计划中进行教学和实验室会议之间的交替。将为学生提供每个课程的教学大纲，列出特定的课程目标。该计划完成后，学生将获得应用科学学位的副学士，并能够作为诊断性心血管超声师寻求入门级就业。
卫星海事图像上超分辨率的任意规模流量匹配
科学背景。目前正在绕地球从地球表面获取图像。由空间机构和政府运营的卫星星座，可以对所有土地表面和海洋进行全球监测。尽管这些非商业卫星提供了开放式和免费图像，但它们的空间决议通常受到限制，最多约为10米。尽管这些空间分辨率在各种应用中足够，但对于需要检测到诸如建筑物，树篱或动物等细节细节的特定应用程序，它们可能是有限的因素。可以人为地增强图像空间分辨率的可能解决方案是超分辨率（SR）。该技术可以被构架为一个倒数的问题，包括学习降解函数的倒数，可以应用于低空间分辨率（LR）图像以估计高空间分辨率（HR）图像。在该领域的最后十年中，学习策略的发展，尤其是深度学习，以学习降解功能，从而提高了这一领域的研究。最近，一种生成方法的扩散模型已实现了超分辨率的重大进展，尤其是在感知可视化方面[6]。在遥感的背景下，超级分辨率也因生成模型的最新进展[9]（包括扩散模型）的最新进展增强了，并使用了两个主要的并发设置，用于学习降级功能。第一个是使用通过对HR图像降采样的卫星图像的合成对训练模型的。在推断时，通常将训练的模型应用于HR图像，以估算一个非常高的空间分辨率（VHR）图像或另一个传感器捕获的真实LR图像。在这两种情况下，它都会由于数据分布在将模型应用于另一个空间分辨率或通过传感器特性的变化引起的比色变化而产生域间隙。为了克服该域间隙，第二个解决方案包括采用跨传感器设置，在该设置中，来自不同传感器的真实图像对训练超分辨率模型。这种现实的场景在训练过程中引起了额外的挑战，因为可能无法正确地共同注册图像，通过具有不同光谱特征的传感器捕获，并且在不同的时间，在观察值中造成了变化[5]。文献中没有共识，进一步的工作应该使使用超分辨率技术获得现实的HR
胎儿脑部 MRI 的回顾性运动估计
自 20 世纪 80 年代以来，磁共振成像 (MRI) 就已用于研究发育中的胎儿大脑。然而，运动 (母亲和胎儿的) 一直是一个真正的挑战，限制了所获取图像的探索能力。在产前成像中，大脑的完整图像实际上是一堆 2D 切片。这些采集通常沿空间的三个轴进行，以便为放射科医生提供大脑的 3D“视觉”。切片的采集时间通常足够短 (少于 1 秒) 以“冻结”运动。因此，受试者的运动主要会引起几何失真伪影，即 2D 切片的堆叠不能直接反映大脑的 3D 几何形状。因此，有必要回顾性地估计运动以重建胎儿大脑的 3D 图像 [1]。胎儿数据重建的主要方法称为“切片到体积配准”的 SVR，该方法基于两个步骤：估计相对运动，然后融合数据 [2–4]。在产前成像的情况下，配准问题属于 2D-3D 类型，即我们必须估计切片和参考体积之间的运动。此参考体积也是我们想要重建的图像，因此是未知的。从对参考体积的首次估计，通过最小化当前切片和参考体积之间的对齐标准来估计每个切片的对齐。然后根据为每个切片估计的变换集重新计算后者。重建体积的质量在很大程度上取决于切片配准的质量。该过程以迭代方式重复，直到算法收敛。为了使这些方法对受试者的运动更具鲁棒性，已经开发了深度学习方法 [5,6]。然而，基于迭代重建的方法对于分析临床常规获取的大型图像数据库仍然不够稳健。因此，有必要检测出未对准的切片，以便不将它们包括在重建步骤中[7,8]或减少它们对重建的影响[9]。为了解决这个问题，一种解决方案是通过使用正交切片的交点并将它们的对应关系强加到 3D 交点 [10]，将切片的运动校正与重建步骤完全分开。这种方法可以独立解决切片运动校正和 3D 体积重建的问题。在本文中，我们开发了一种使用机器学习方法来估计与未对准切片检测相关的切片运动的方法。所提出的方法称为 ROSI，即“基于正交切片交点的配准”。对合成和真实数据进行的评估表明，与 SVR 方法相比，所提出的方法更有吸引力。
婴儿功能近视三维注册系统
而且获取过程也很耗时。此外，这种方法需要购买 3D 数字化仪，这也相对昂贵（成本约 3000 英镑）。相比之下，摄影测量方法是一种低成本的空间配准解决方案，因为它们可以通过一部智能手机轻松实现。8 摄影测量从不同角度对佩戴 fNIRS 设备的受试者拍摄多张照片。使用专业软件（例如 Metashape 10 ）将获取的 2D 照片转换为 3D 模型（点云或网格）。该软件分析照片中的视觉特征，首先估计与每张图像相关联的相机的位置。通过比较图像并识别共同的点和特征，摄影测量软件可以重建物体的 3D 表示（在我们的例子中是受试者的头部）。通过检查生成的 3D 点云或网格，可以确定光极相对于受试者颅骨标志的位置。然而，这个过程在计算上是昂贵的并且耗时的，因此它通常在实验之后进行，并且通常需要使用标准计算资源花费数小时。如果生成的 3D 模型不足以捕获所有光极的所有位置信息，则无法回忆起这些信息，因为对受试者的实验早已结束。除了上面概述的挑战之外，如果受试者是婴儿，由于他们几乎不断运动，EM 跟踪和传统摄影测量方法通常都不切实际。鉴于头部实际上是一个刚性物体，理论上婴儿受试者的运动不应妨碍有效的摄影测量。然而，在婴儿移动的情况下，传统的摄影测量方法面临着重大挑战。次优的照明条件，例如不均匀的照明或投射在婴儿脸上的阴影，会影响所获取图像的质量和清晰度。此外，当受试者处于运动状态时，有必要在生成的 2D 图像中遮蔽背景以隔离婴儿的头部。这些因素共同使得单相机摄影测量法在捕捉运动婴儿的准确可靠的 3D 头部模型方面面临极大挑战。最近，一种使用智能手机的结构照明深度相机获取拍摄对象 3D 头部模型的方法被实现用于空间配准。11结构照明深度相机的工作原理是将特定的光图案投射到视野中，并分析这些图案如何因被拍摄物体的形状而变形。深度相机可以使用这些信息来计算物体表面上每个点与相机的距离，从而生成物体的精确 3D 表示。与用于 fNIRS 配准的摄影测量法相比，结构化照明提供的直接获取的 3D 深度信息省去了将 2D 图像转换为 3D 模型所需的时间，从而允许用户在实验期间调整扫描过程，以确保模型覆盖扫描中的所有光极位置并具有足够的质量。此外，通过直接获取量化的深度信息，结构化照明方法可能比传统摄影测量法更准确、更可靠。虽然这种直接 3D 扫描方法不需要拍摄对象严格保持静止，但过度移动会影响扫描图像的质量。一次采集即可获取运动婴儿头部的完整 3D 模型通常是不可能的。因此，当将智能手机 3D 扫描方法应用于婴儿时，用户仍然需要从不同角度拍摄多张快照以生成部分 3D 表面，然后将它们拼接在一起形成完整的全头 3D 模型。虽然所需快照的数量远低于精确摄影测量所需的二维图像的数量，但这仍然会导致更长的采集时间、降低精度并无法获得即时结果。