XiaoMi-AI文件搜索系统
World File Search System补充训练
未分类 未分类
[P40A / TD006：潜艇 COAET]：TD006 潜艇通用操作分析和应用训练器 (COAET)COAET 是一种交互式基本技能和应用技能训练器。它允许引入新的舰队要求和升级。这些设备的目的是在潜艇部队人员进入完整的潜艇多任务团队训练器 (SMMTT) 之前为他们提供操作员和入门团队培训。它还提供补充训练以减轻使用率高的攻击中心训练器的负担。COAET 利用部分战术构建和最新声纳和战斗控制系统的模拟提供训练。这些设备提供的环境与船上的环境基本相同，从而使学生能够培养和保持支持舰队行动所需的攻击中心专业知识。还为 TEC、虚拟化战术控制 (VTAC) 集成、高级处理构建 (APB)/技术插入 (TI) 和声纳战术决策辅助 (STDA) 实施提供资金。
![arXiv:2209.07162v1 [eess.IV] 2022 年 9 月 15 日 - UCL Discovery](/simg/g:\will\search\icon\source\9\9ab78f982675c2568ba85e311a07e3e5528c4c07.webp)
arXiv:2209.07162v1 [eess.IV] 2022 年 9 月 15 日 - UCL Discovery
摘要。深度神经网络在医学图像分析方面取得了显著突破。然而，由于其数据量巨大，医学成像项目中的适度数据集大小可能会阻碍其全部潜力的发挥。生成合成数据提供了一种有前途的替代方案，可以补充训练数据集并开展更大规模的医学图像研究。扩散模型最近通过生成逼真的合成图像引起了计算机视觉界的关注。在本研究中，我们探索使用潜在扩散模型从高分辨率 3D 脑图像生成合成图像。我们使用来自英国生物库数据集 (N=31,740) 的 T1w MRI 图像来训练我们的模型，以了解脑图像的概率分布，这些分布以年龄、性别和脑结构体积等协变量为条件。我们发现我们的模型创建了逼真的数据，并且我们可以使用条件变量有效地控制数据生成。除此之外，我们还创建了一个包含 100,000 张大脑图像的合成数据集，并将其公开给科学界。
MetaRLEC：用于发现大脑有效连接的元强化学习
近年来，通过计算分析功能性磁共振成像（fMRI）数据来发现大脑有效连接（EC）网络在神经科学和神经成像领域引起了广泛关注。然而，由于数据采集和处理过程中受到多种因素的影响，fMRI数据通常表现出高噪声和有限的样本特征，从而导致当前方法的性能不佳。在本文中，我们提出了一种基于元强化学习的新型大脑有效连接发现方法，称为MetaR-LEC。该方法主要包含三个模块：参与者、评论家和元评论家。MetaRLEC首先采用编码器-解码器框架：编码器利用转换器将嘈杂的fMRI数据转换为状态嵌入，解码器采用双向LSTM从状态中发现大脑区域依赖关系并生成动作（EC网络）。然后，批评网络评估这些动作，激励参与者在高噪音环境中学习更高回报的动作。最后，元批评框架促进历史状态动作对的在线学习，整合动作值神经网络和补充训练损失，以增强模型对小样本 fMRI 数据的适应性。我们对模拟数据和现实世界数据进行了全面的实验，以证明我们提出的方法的有效性。