XiaoMi-AI文件搜索系统
World File Search System识别
使用机器学习来识别疾病的遗传环境相互作用
多发性硬化症（MS）是中枢神经系统（CNS）的一种慢性炎症性疾病，被认为是遗传学与生活方式和环境因素的相互作用引起的复杂疾病。这项研究旨在确定通过使用机器学习模型有助于MS发展的遗传和环境风险因素之间的相互作用。这包括用于MS预测和随机森林，Rosetta和Logistic回归模型的逻辑回归模型，用于查找SNP与风险因素之间的相互作用。研究人群由1118个个体，5,615个，有MS和5,566个健康对照组成，并提供有关环境和生活方式暴露的遗传信息和问卷数据。遗传信息包括基因型数据，而问卷数据包括性别，20岁时BMI，吸烟习惯，暴露于阳光，单核细胞增多症状态和年龄。这项研究确定了可能与MS发展有关的潜在基因环境相互作用。这些相互作用的含义将需要在未来的研究中得到进一步验证。使用基于网络的方法确定了MS疾病模块，可用于进一步分析以鉴定涉及MS的中心基因。这项研究的结果可能会更好地了解疾病发育和发病机理，并有助于采取个性化干预措施，以最大程度地减少疾病发展的风险。
深入学习鸟类识别
4 md.devendran@gmail.com摘要：鸟类鉴定在生物多样性保护和生态学研究中起着至关重要的作用，为栖息地健康和物种分布提供了见解。识别鸟类物种的传统方法是时间密集型，容易出现人为错误，因此需要自动解决方案。这个项目是使用深度学习的鸟类识别，提出了一个先进的系统，以利用深度学习的力量准确地从图像中识别鸟类。该系统利用卷积神经网络（CNN），以其在图像分类任务方面的熟练程度而闻名。一个包含多种鸟类图像的数据集进行了预处理并增强，以增强模型的鲁棒性和泛化。模型架构旨在提取复杂的特征，即使在诸如不同的照明条件，遮挡或类似物种的外观等挑战性的情况下，也可以准确识别。使用准确性，精度，召回和F1得分等指标评估模型的性能，以确保全面验证。结果表明，对传统机器学习方法的准确性改善了，这表明了物种识别中深度学习的潜力。该项目对野生动植物监测，生态研究和教育工具的应用有望，从而促进了意识和保护工作。未来的工作可能包括将系统集成到移动应用中，或将其部署在现场条件下的实时鸟类识别。
利用鸟类识别的机器学习
4 md.devendran@gmail.com摘要：鸟类鉴定在生物多样性保护和生态学研究中起着至关重要的作用，为栖息地健康和物种分布提供了见解。识别鸟类物种的传统方法是时间密集型，容易出现人为错误，因此需要自动解决方案。这个项目是使用深度学习的鸟类识别，提出了一个先进的系统，以利用深度学习的力量准确地从图像中识别鸟类。该系统利用卷积神经网络（CNN），以其在图像分类任务方面的熟练程度而闻名。一个包含多种鸟类图像的数据集进行了预处理并增强，以增强模型的鲁棒性和泛化。模型架构旨在提取复杂的特征，即使在诸如不同的照明条件，遮挡或类似物种的外观等挑战性的情况下，也可以准确识别。使用准确性，精度，召回和F1得分等指标评估模型的性能，以确保全面验证。结果表明，对传统机器学习方法的准确性改善了，这表明了物种识别中深度学习的潜力。该项目对野生动植物监测，生态研究和教育工具的应用有望，从而促进了意识和保护工作。未来的工作可能包括将系统集成到移动应用中，或将其部署在现场条件下的实时鸟类识别。
DECIMER.ai - 用于科学出版物中自动光学化学结构识别、分割和识别的开放平台
在过去的几十年中，描述化学结构的出版物数量稳步增加。然而，目前大多数已发表的化学信息在公共数据库中都无法以机器可读的形式获得。以更少的人工干预方式实现信息提取过程的自动化仍然是一个挑战——尤其是化学结构描述的挖掘。作为一个利用深度学习、计算机视觉和自然语言处理方面的最新进展的开源平台，DECIMER.ai（化学图像识别深度学习）致力于自动分割、分类和翻译印刷文献中的化学结构描述。分割和分类工具是同类中唯一公开可用的软件包，光学化学结构识别 (OCSR) 核心应用程序在所有基准数据集上都表现出色。这项工作中开发的源代码、训练模型和数据集均已在许可下发布。DECIMER Web 应用程序的一个实例可在 https://decimer.ai 获得。
基于计算机视觉的位移识别及其在操作条件下的桥梁状况评估中的应用
摘要：桥梁损坏检测对于确保桥梁结构的安全性和完整性至关重要。传统的损伤检测方法通常依赖于手动检查或基于传感器的测量结果，这可能是耗时且昂贵的。近年来，计算机视觉技术在桥梁位移测量和损伤检测中显示了有希望。这项研究的目的是从基于计算机视觉的方法测量的位移中提取可靠的特征，这些方法对结构条件变化敏感，同时对操作条件的变化有牢固的变化。特别是，本研究论文使用基于基于计算机视觉的位移测量的横向影响比（DTIR）定义的指标提出了一种新颖的桥梁损伤检测方法。所提出的方法利用计算机视觉算法在移动负载下提取桥梁的位移响应。DTIR指示器定义为在两个相邻梁之间的车辆诱导的桥梁准静态位移比，被提取为对损伤敏感的特征。理论推导证明，DTIR指标仅与车辆在甲板上的结构状况和横向位置有关，而与车辆重量和速度的变化无关。为了验证所提出的方法的有效性，在具有不同结构条件的多束梁桥上进行了一系列驱动实验。结果证明了所提出的方法准确检测结构损伤的发生和可能位置的能力。此外，本文讨论了用于桥梁损坏检测的DTIR指标的优点和局限性，以及如何将所提出的方法推广到具有两个以上的交通车道的桥梁。总而言之，提出的方法为在操作条件下的桥梁提供低成本，易于部署和可扩展的健康监控解决方案提供了有希望的解决方案。
对该地区神经的解剖学识别...
战争5，阿巴多·伊玛德·埃尔·塔维尔3，奥斯瓦尔多·马拉菲亚3作者隶属关系：1帕拉纳帕拉纳司法天主教大学，巴西库里蒂巴； 2个积极大学，库里蒂巴，巴西，巴西； 3巴西SP的Mackenzie Presbyterian Institute，SAO Paulo； 4巴拉那联邦帕拉纳大学，巴西PR； 5医院塞索·拉莫斯（Celso Ramos），弗洛里亚诺波利斯（Florianópolis），南卡罗来纳州，巴西。orcid ana ana julia ribas sigwalt-https：//orcid.org/0009-0005-4732-5093 gabriella micheten dias-https：//orcid.rcid/0000-0001-11-7036-036-048036-0480líviadala dala dala dala dala dala dala dala dala dala pocay-- https://orcid.org/0009-0007-1526-1851 mahara freitas dos santos-https：//orcid.org/0009-0002-1345-7790 tailla cristina de oliveira de oliveira de oliveira-https：// -sigwalt https://orcid.org/0000-0002-9899-5493 Fernando Issamu taboboshi-https：//orcid.org/00000000-0002-3150-2164 Leonaldo Wanderloff Franco-https https://orcid.org/0009-0005-3371-3423 Abdo Imad El Tawil-https://orcid.org/0009-0000-6218-7446 Osvaldo Malafaia-https://orcid.org/0000-0002-1829-7071 Correspondence Marcos Fabiano Sigwalt Email: marcosigwalt@yahoo.com.br利益冲突：无融资：无图像
边缘的计算机视觉：使用redmycow系统实时实时识别
在精确的牲畜种植中，牛的个体识别对于为赋予动物福利，健康和生产力做出的决定提供了至关重要的。在文字中，存在可以读取耳罩的模型；但是，它们不容易携带到现实世界中的牛生产环境，并主要在静止图像上做出预测。我们提出了一个基于视频的牛耳牌阅读系统，称为deRmycow，该系统利用视频中的节奏特性来准确检测，跟踪和读取边缘设备上25 fps的牛耳标。对于视频中的每个帧，ReDmycow在两个步骤中发挥作用。1）标签检测：Yolov5s对象检测模型和NVIDIA DEEPSTREAM跟踪层检测并跟踪存在的标签。2）标签读数：小说whentoread mod-ule决定是读取每个标签，使用trba场景文本识别模型或使用从前框架上读取的读数。该系统是在边缘设备上实现的，即NVIDIA JETSON AGX ORIN或XAVIER，使其可移植到没有外部计算资源的牛生产环境中。要达到实时速度，请阅读 - MyCow仅在当前框架中读取检测到的标签，如果它认为在当前框架中明显改善决策时，它将获得更好的读数。理想情况下，这意味着即使标签被遮挡或模糊，也可以在视频中找到标签的最佳读数并存储在视频中。在真正的中西部奶牛场住房测试该系统时，9,000头母牛，雷米科（Demmycow）系统准确地阅读了96.1％的印刷耳廓，并证明了其现实世界中的商业潜力。devmycow为商业牛农场提供了知情的数据驱动决策流程的机会。
识别活性 RNAi 通路
+HUHZHSUHVHQWWZRVLJQ 4QGLQJVWKDWFRQWULEXWH XQGHUVWDQGLQJRI 白色念珠菌DOLIH-WKUHDWHQLQJ KXPDQIXQJDOSDWKRJHQ)LU HVWDEOLVKWKDWWKH 白色念珠菌UHIHUHQFHVWUDLQLVGHIHF 51$LQWHUIHUHQFHDIXQGDP UHJXODWRU\SDWKZD\6HFRQ GLVFRYHUWKDWLQFRQWUD UHIHUHQFHVWUDLQWKHYD PDMRULW\RIC。白色念珠菌LVRODWH FRQWDLQDQDFWLYH51$ LQWHUIHUHQFH51$ LSDWKZ VLOHQFHVJHQHH[SUHVVLRQ &RQVLGHULQJWKDW51$ LSOD FHQWUDOUROHVLQUHYHUVL JRYHUQLQJJHQHH[SUHVVLRQ JHQRPHVWDELOLW\GUXJUH DQGFRXQWHULQJYLUDOLQIH RXU4QGLQJRHUVYDOXDEOH LQVLJKWVLQWRWKHELRORJ GDQJHURXVIXQJDOSDWKRJHQ
IFF 目标识别系统
Wojskowe Zakłady Uzbrojenia S.A. 获得了美国国防部 AIMS 认证，该认证表明升级后的 SA-6、KUB-1S91M2-P1 系统（证书编号 CL 0621405RC）以及升级后的 SA-8、OSA-P 系统（证书编号 CL 0621405RC）在平台级别上与 NATO MARK XII 识别系统具有互操作性，这些系统与 Wojskowe Zakłady Uzbrojenia S.A. 生产的 IFF 系统（SIC-11 / 12）集成，并配置了 KIV-16 Mod4。该证书证实 Wojskowe Zakłady Uzbrojenia S.A. 全面实施了用于作战行动的最新加密技术，目前该技术在北约后苏联导弹系统上使用。这样，该系统在北约防空系统的联合行动中就获得了完全的可靠性。目标识别“敌我”系统——Mark XII 模式 4、NSM、升级模式 5 和模式 S 是最新一代系统，集成了从可见光到热波段的被动光电传感器作为观察、检测、识别和识别空中目标的手段，以及北约标准 Mark XII 模式 4 中的主动 IFF 识别系统，配有主动加密计算机，并有可能扩展到北约标准 Mark XIIA 模式 5 和模式 S。
学习空间和时间中的自相似性作为视频动作识别的广义运动
时空卷积通常无法学习视频中的运动动态，因此需要一种有效的运动表示来理解自然界中的视频。在本文中，我们提出了一种基于时空自相似性（STSS）的丰富而鲁棒的运动表示。给定一系列帧，STSS 将每个局部区域表示为与空间和时间中邻居的相似性。通过将外观特征转换为关系值，它使学习者能够更好地识别空间和时间中的结构模式。我们利用整个 STSS，让我们的模型学习从中提取有效的运动表示。我们所提出的神经块称为 SELFY，可以轻松插入神经架构中并进行端到端训练，无需额外监督。通过在空间和时间上具有足够的邻域体积，它可以有效捕捉视频中的长期交互和快速运动，从而实现鲁棒的动作识别。我们的实验分析表明，该方法优于以前的运动建模方法，并且与直接卷积的时空特征互补。在标准动作识别基准 Something-Something-V1 & V2、Diving-48 和 FineGym 上，该方法取得了最佳效果。