XiaoMi-AI文件搜索系统
World File Search System裁剪
遗传变异性和定量性状在...
低屈服和质量差的基因型的增长是埃塞俄比亚芝麻生产的主要限制之一。实验，以评估芝麻基因型中遗传变异和性状遗传的程度。在2018年的裁剪季节，使用简单的晶格设计评估了四十九个芝麻基因型。方差的组合分析在所有定量性状的基因型中显示出高显着的差异（p <0.01）。每植物的分支，每植物胶囊，生物量产量，收获指数，千种种子重量和细菌疫病严重程度显示出中等的表型和基因型变异系数。种子产量，生物量产量，每植物胶囊，细菌疫病的严重程度和每植物的分支显示出适中的遗传力，而遗传进步高为平均百分比。千种子体重显示出较高的遗传力，而中等遗传进展为平均百分比。收获指数显示中等的遗传力和遗传进步百分比。虽然所有其余的特征均显示出较低的遗传性，而遗传进展低为平均百分比。通常，这项研究表明了测试的芝麻基因型之间存在显着的遗传变异，以及在随后的繁殖世代中获得遗传进步的可能性。关键字：遗传进步，遗传力，芝麻（芝麻insamum l.），
检测棕榈油叶病
摘要这项研究调查了机器学习技术在检测油棕叶中疾病的应用，并利用来自Tanah Laut地区种植园的1,119张图像的数据集。数据集包含488例患病和631个健康的叶片样品，这些样品经过精心裁剪以隔离叶片区域，并在域专家的帮助下标记。用于特征提取，同时考虑了实验室和RGB颜色空间，以及Haralick纹理特征，每个像素总共有11个功能。采用了尺寸和选择相关特征，应用主成分分析（PCA）和随机森林方法。随后使用支持向量机（SVM）进行叶片健康状况的分类，并使用准确性，精度，召回和F1得分指标评估模型性能，这些均来自混淆矩阵。研究发现，PCA和随机森林显着提高了模型性能，从而提高了区分健康和患病叶片的能力。这些发现为在油棕种植园中开发自动疾病检测系统的发展提供了宝贵的见解，并在精确农业中使用了潜在的应用。此外，结果提出了进一步研究植物疾病诊断的途径，强调了先进的机器学习技术在增强作物管理和支持可持续农业实践中的作用。
评估原生森林是否适合木材生产
iii.北海岸私有原生森林的生长状况和生产力地图。新南威尔士州 DPI 委托 ForeSense Pty Ltd 使用 ADS 40/80 传感器获取的数字航空照片 (DAP) 图像开发此图层。2007 年至 2014 年之间的图像以马赛克瓷砖 (n. =59) 的形式从新南威尔士州财政、服务和创新部的空间数据服务中获取。新南威尔士州 DPI 为 ForeSense Pty Ltd 提供了约 1,000,000 公顷私有原生森林的基础地图图层。ForeSense Pty Ltd 随后使用 3D 数字航空摄影解释 (API) 软件绘制了基础地图区域内 2 个面积为 25 公顷或更大的同质私有原生森林区域的生长状况和生产力。测绘过程捕获了成熟树冠高度（m）数据，高度值分为 10 个类别：15、20、25、30、35、40、45、50、55 和 65+。高度低于 15 米的“非生产性”森林类型 3 被排除在外。最终产品被转换为可在 Google Earth 中查看的 kmz 文件。模型中使用的测绘树冠高度数据是一个裁剪层，范围为 395,782 公顷。
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。
人工智能驱动的全景X光片上牙齿检测和分割新工具
摘要 目的 评估一种新的人工智能 (AI) 驱动的工具在全景 X 光片上检测和分割牙齿的性能。材料和方法共收集了 153 张 X 光片。牙颌面放射科医生标记和分割每颗牙齿，作为基本事实。一颗牙齿的类别不可知裁剪图像产生 3576 颗训练牙齿。AI 驱动的工具将两个深度卷积神经网络与专家细化相结合。系统检测和分割牙齿的准确度是主要结果，时间分析是次要结果。Kruskal-Wallis 检验用于评估牙齿组和不同设备之间性能指标的差异，卡方检验用于验证矫正量、假阳性和假阴性的存在以及牙齿的冠和根部分与潜在的 AI 误解之间的关联。结果该系统的牙齿检测灵敏度为 98.9%，精确度为 99.6%。对于牙齿分割，下颌犬齿的效果最佳，其交集比、精确度、召回率、F1 分数和豪斯多夫距离的值分别为：95.3%、96.9%、98.3%、97.5% 和 7.9。虽然仍高于 90%，但上下磨牙的分割结果略低。该方法显示，临床上显著减少了 67% 的手动时间。结论该 AI 工具在检测和分割牙齿方面表现出高度准确和快速的性能，比单独使用地面实况更快。临床意义与手动分割相比，创新的临床 AI 驱动工具在检测和分割全景 X 光片上的牙齿方面表现出更快、更准确的性能。
改善社区土地模型（CLM）版本5.0
摘要。在土地表面模型中融合了全面的作物模型，可以研究农业土地使用和土地管理对陆地水，能源和生物地球化学周期的影响的影响。在气候和土地使用变化框架内，在区域和全球尺度上对生物地球物理和生物地球化学过程的模拟可能有助于改善。在这项研究中，评估了通用土地模型第5版（CLM5）的作物模块的性能，并使用现场特定的数据进行了数据，该数据侧重于模拟季节性和年间差异，对农作物生长，植物植物和收获周期以及农作物产量，以及水的产量以及水，能量和能量，以及能量，以及能量，以及能量，以及能量，以及能量，以及能量和能量。为了更好地代表农业地点，该模型是通过（1）在Lu等人之后实现冬小麦子例程来修饰的。（2017）在CLM5中； （2）针对甜菜，土豆和冬小麦实施植物特异性参数，从而将甜菜的两种农作物功能类型（CFT）添加到Clm5中主动管理的农作物清单中； （3）引入一个盖子编写子例程，该子例程允许在1年内在同一列上进行多种农作物类型。后一种修改允许在冬季进行裁剪的模拟，这是春季开始的现金作物种植，这是一种农业管理技术，具有悠久的历史，由于它可以减少侵蚀并改善土壤健康和碳的储存，并且在这项研究中评估。我们比较了模拟重新 -
从智能手机捕获的心电图照片中自动检测心脏状况
摘要背景研究人员已经开发了基于机器学习的ECG诊断算法，这些算法匹配甚至超过心脏病专家的性能水平。但是，它们中的大多数不能用于现实世界中，因为老年的ECG机器不允许安装新算法。目的是开发一种智能手机应用程序，该应用程序会自动从照片中提取ECG波形，并通过研究人员构建的各种诊断算法将其转换为电压序列进行下游分析。方法是使用客观检测和图像分割模型从临床医生拍摄的照片中自动提取ECG波形的一种新型方法。模块化机器学习模型的开发是为了依次执行波形识别，脱离环线和比例校准。然后使用基于机器学习的心律分类器分析提取的数据。从40个516扫描和444张照片的ECG的结果波形自动提取。扫描13 258（96.8％）的12 828（96.8％）和5743中的5399（94.0％）被正确裁剪和标记。11 604 of 12 735（91.1％）扫描，5752中的5062（88.0％）拍摄的波形在自动环和噪声删除后获得了成功的电压时间信号提取。在概念验证示范中，使用ECGS的照片作为输入，使用ECGS的照片，可达到91.3％的敏感性，94.2％的敏感性，94.2％的特异性，95.6％的阳性预测价值，88.6％的负预测值和93.4％的F1得分。结论对象检测和图像分割模型允许从照片中自动提取ECG信号以进行下游诊断。这条新颖的管道规定了需要昂贵的ECG硬件升级的需求，从而为大规模实施基于机器学习的诊断算法铺平了道路。
灵活的变压器：一个简单的基于新颖的变压器网络，用于在变体输入图像尺寸
卷积神经网络（CNNS），是最重要的深度学习网络，用于构想者视觉，已进行了一系列的发展和改进，以进行与图像相关的任务，例如对象识别，图像分类，语义细分等。然而，在自然语言处理（NLP）领域，基于注意力的新网络变速器对机器翻译产生了深远的影响，随后导致了基于注意的计算机视觉模型的繁荣。具有关注的最新模型已经显示出对计算机视觉任务的良好性能。例如，与当前的卷积神经网络的表现相比，自我注意力学会在不同位置的细分或单词之间的关系。受视觉转移（VIT）的启发，我们提出了一个简单的新型变压器体系结构模型，称为Flexible Transformer，该模型继承了基于注意力的架构的属性，并且对于任意大小的输入而言是灵活的。除了自我注意事项外，VIT中的输入没有预处理，例如调整大小或裁剪，但在不改变它们的情况下保持完整，这可能导致信息失真或信息丢失。在本文中，我们想介绍一个满足这些要求的新颖而简单的体系结构。与艺术品相比，我们的模型流程输入具有任意图像大小的输入，而没有任何预处理和预处理成本。此外，实验的结果表明，尽管资源有限，该模型仍可以以很高的精度提供良好的结果。，即使灵活变压器的结果不如视觉变压器的结果准确，但它们显示了具有可变大小图像的图像分类任务中具有高性能的模型的潜力。研究的重要性为处理深度学习任务中的原始图像打开了可能性。基于原始输入，如果对拟议的模型进行了优化并在大型数据集上进行了进一步培训，则可以获得良好准确性的可靠结果。
变量：可变图像大小的视觉变压器
Vision Transformers（VIT）已成为代表学习中最新的架构，利用自我注意的机制在各种任务中脱颖而出。vits将图像分为固定尺寸的补丁，将其限制为预定义的大小，并需要进行预处理步骤，例如调整大小，填充或裁剪。这在医学成像中构成了挑战，尤其是在肿瘤等不规则形状的结构中。一个固定的边界盒子量产生的输入图像具有高度可变的前景与地面比率。进行医学图像可以降低信息并引入人工制品，从而影响诊断。因此，对感兴趣区域的裁缝量化作物可以增强特征代表能力。此外，大图像在计算上是昂贵的，尺寸较小，风险信息损失，表现出计算准确性的权衡。我们提出了Varivit，这是一种改进的VIT模型，该模型制定了用于处理可变图像尺寸的同时保持连贯的贴片大小。varivit采用新颖的位置嵌入调整大小方案，用于可变数量的斑块。我们还将在变量内实施一种新的批处理策略，以降低计算复杂性，从而导致更快的培训和推理时间。在我们对两个3D脑MRI数据集的评估中，变量超过了胶质瘤基因型预测和脑肿瘤分类中的香草vits和重新连接。它的F1得分分别为75.5％和76.3％，学习了更多的判别特征。与常规体系结构相比，我们提出的批处理策略将计算时间最多减少了30％。这些发现强调了图像表示学习中变量的功效。关键字：视觉变压器，建筑，表示，肿瘤分类
优化基于面部表达的神经疾病患者的重症监护的深度学习模型
doi：https：//dx.doi.org/10.30919/es1364优化的深度学习模型，以基于面部表达的神经疾病患者的重症监护，以面部表达患者的患者Dattatray G. Kulkarni 6和Parikshit N. Mahalle 7，*抽象的面部表情在非语言交流中起着重要作用。阅读患有神经疾病的人的面部表情至关重要，因为它们可能大大降低了口头交流能力。这样的评估需要接受医学专家的彻底检查，这可能是昂贵且具有挑战性的。借助低成本，非侵入性的，自动化的面部表达检测技术，专家可以诊断神经系统疾病。为了确定帕金森氏症，中风，阿尔茨海默氏症和贝尔麻痹疾病的人的面部表情，这项研究构建了一种微调的深度学习模型（FTDLM）。该数据集最初是从著名的互联网站点收集的。此外，还会收集使用公共访问的来源，患者最常见的面部表情的原始照片，例如通常，快乐，悲伤和愤怒。确定在寻找帕金森氏病症状时确定个体差异是否可行是数据分析的目的。裁剪以更改输入图像的图像。随后，检查了采用高斯滤波器的预处理方法，以消除噪声。使用FTDLM，使用预处理的图像来对情绪进行分类。在此建议的模型中合并了新的卷积神经网络（NCNN）和增强的黄金搜索算法（EGSA）。egsa在NCNN中用于选择超参数。建议的方法是在Python中进行的，准确性，灵敏度，特异性，回忆和精度的统计测量用于评估性能。此外，这与传统方法相反。