XiaoMi-AI文件搜索系统
World File Search System词典学
移植：功能神经成像的图形过滤的时间词典学习
大脑中钙信号的光学成像使研究人员能够同时观察数十万个单个神经元的活性。当前方法主要使用形态学信息，通常集中在细胞体的预期形状上，以更好地识别视野中的神经元。明确的形状约束限制了具有更复杂形态的其他重要成像尺度的自动细胞识别的适用性，例如树突状或广场成像。具体来说，荧光组件可能会被分解，未完全发现或合并，以无法准确描述潜在的神经活动。在这里，我们提出了图形过滤的时间词典（移植物），这是一种新方法，将独立的荧光组件作为字典学习问题构成问题。具体来说，我们专注于时间轨迹（科学发现中使用的主要数量），并学习一个时间痕迹词典，其空间映射是空间映射的作用，该空间映射充当存在系数编码，该系数是在。此外，我们提出了一个新颖的图形滤波模型，该模型可以根据其共享时间
基于脑肿瘤MRI图像识别的监督多层词典学习
人工智能（AI）是自动脑肿瘤MRI图像识别的有效技术。AI模型的培训需要大量标记的数据，但是医疗数据需要由专业临床医生标记，这使数据收集变得复杂且昂贵。传统的AI模型要求训练数据和测试数据必须遵循独立且分布相同的分布。为了解决这个问题，我们在本文中提出了一个基于监督多层词典学习（TSMDL）的转移模型。借助从相关领域学到的知识，该模型的目标是解决转移学习的任务，而目标域只有少数标记的样本。基于多层词典学习的框架，所提出的模型了解了每一层中的源和目标域的共享词典，以探索不同域之间的内在连接和共享信息。同时，通过充分利用样品的标签信息，引入了Laplacian正则化项，以使类似样本的字典编码尽可能接近，并尽可能地对不同类样本的字典编码进行编码。大脑MRI图像数据集Rembrandt和Figshare上的识别实验表明，该模型的性能优于竞争状态。