XiaoMi-AI文件搜索系统
World File Search System轮廓
160 可靠性感知车辆众包感知系统...
准确地描绘路面上的坑洼不仅有助于消除安全相关顾虑并提高驾驶员的通勤效率，还可以减少交通机构不必要的维护成本。在本文中，我们提出了一种基于智能手机的系统，该系统能够精确估计坑洼的长度和深度，并介绍了坑洼数据收集、轮廓聚合以及坑洼警告和报告的整体设计。所提出的系统依靠车载智能手机的内置惯性传感器来估计坑洼轮廓，并警告驾驶员即将出现的坑洼。由于驾驶行为和车辆悬架系统的差异，构建此类系统的一个主要挑战是如何聚合来自多辆参与车辆的相互冲突的传感器报告。为了应对这一挑战，我们提出了一种新颖的可靠性感知数据聚合算法，称为可靠性自适应真相发现（RATD）。它推断每个数据源的可靠性并以无监督的方式聚合坑洼轮廓。我们的现场测试表明，所提出的系统可以有效地估计坑洼轮廓，并且与流行的数据聚合方法相比，RATD 算法显著提高了轮廓精度。
DLA 土地和海事公司 俄亥俄州哥伦布市
K 最高可靠性等级。此级别旨在用于太空应用。需要通过 MIL-PRF-38534 认证和鉴定。 H 标准军用可靠性等级。此级别旨在用于需要非太空高可靠性设备的应用。需要通过 MIL-PRF-38534 认证和鉴定。 1.2.4 外壳轮廓。外壳轮廓如 MIL-STD-1835 所示，如下所示： 轮廓字母 外壳轮廓 X 1.950” x 1.350” x 0.250”（见图 1） Y 2.720” x 1.350” x 0.415”（见图 2） 1.2.5 铅涂层。铅涂层应符合 MIL-PRF-38534 对 H 级和 K 级的规定。涂层字母“X”不会标记在滤波器或其包装上。当认为铅饰面 A、B 或 C 均可接受且可以互换而无偏好时，使用“X”标记。
160 一种可靠性感知的车辆众包感知系统...
准确地描绘路面上的坑洼不仅有助于消除安全相关顾虑并提高驾驶员的通勤效率，还可以减少交通机构不必要的维护成本。在本文中，我们提出了一种基于智能手机的系统，该系统能够精确估计坑洼的长度和深度，并介绍了坑洼数据收集、轮廓聚合以及坑洼警告和报告的整体设计。所提出的系统依靠车载智能手机的内置惯性传感器来估计坑洼轮廓，并警告驾驶员即将出现的坑洼。由于驾驶行为和车辆悬架系统的差异，构建此类系统的一个主要挑战是如何聚合来自多辆参与车辆的相互冲突的传感器报告。为了应对这一挑战，我们提出了一种新颖的可靠性感知数据聚合算法，称为可靠性自适应真相发现（RATD）。它推断每个数据源的可靠性并以无监督的方式聚合坑洼轮廓。我们的现场测试表明，所提出的系统可以有效地估计坑洼轮廓，并且与流行的数据聚合方法相比，RATD 算法显著提高了轮廓绘制的准确性。
拓扑数据分析的欧拉特征工具
在本文中，我们研究了拓扑数据分析中的欧拉特征技术。逐点计算由数据构建的单纯复形族的欧拉特征会产生所谓的欧拉特征轮廓。我们表明，这个简单的描述符以极低的计算成本在监督任务中实现了最先进的性能。受信号分析的启发，我们计算了欧拉特征轮廓的混合变换。这些积分变换将欧拉特征技术与勒贝格积分相结合，以提供高效的拓扑信号压缩器。因此，它们在无监督环境中表现出色。在定性方面，我们对欧拉轮廓及其混合变换捕获的拓扑和几何信息提供了大量启发式方法。最后，我们证明了这些描述符的稳定性结果以及随机设置中的渐近保证。关键词：拓扑数据分析、机器学习、多参数持久性、欧拉特征轮廓、混合变换
利用熔池图像数据开发定向能量沉积工艺中基于一维卷积神经网络的高度轮廓预测模型
摘要 定向能量沉积 (DED) 工艺是一种代表性的金属增材制造技术，它使用柔性沉积头，主要用于航天和海洋工业的维修。DED 工艺节省时间和金钱，因为它只修复受损的零件和部件。因此，几何控制对于经济准确地填充目标受损区域的体积非常重要。然而，效率取决于激光功率、扫描速度等工艺参数。本研究提出了一种一维卷积神经网络 (1D-CNN) 模型，利用熔池图像数据预测 DED 部件的高度轮廓。首先，对总共 9 种情况进行了 DED 实验，考虑了激光功率和扫描速度作为参数。对收集到的熔池图像数据进行预处理，只提取与感兴趣区域相关的数据。最初，从熔池图像中提取了大小、形状、位置和亮度等共 15 个特征。然后，通过置换特征重要性评估方法选择 10 个关键特征，将其输入到 1D-CNN 算法中，以预测沉积层的高度轮廓。在测试阶段，平均绝对百分比误差（MAPE）为9.55％，验证了所提模型的适用性。
通道轮廓激光策略对激光粉末床打印马氏体时效钢疲劳性能和残余应力的影响
观察到 160°C 的温度会略微降低疲劳寿命，这可能与马氏体时效钢的强度在 160°C 时略微降低有关 []。此外，正如预期的那样，带有机加工通道的样品在检查前没有破损样品，因此效果最佳。垂直样品首先断裂，而倾斜和水平样品的粗糙度较高。断裂分析表明，在部件核心和轮廓之间的垂直样品上有许多大于 100 微米的缺陷（图 12a 和 b）。这些缺陷在水平和 45° 样品上也可见，但数量较少。同样的缺陷也在显微照片上可见（图 12c）。因此，即使粗糙度和夹杂物也存在，起始点的根本原因是缺陷的存在
种群规模的细胞指南seq-2和生化变化seq-r轮廓揭示了人遗传变异经常影响cas9脱靶活动
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月12日发布。 https://doi.org/10.1101/2025.02.10.637517 doi：Biorxiv Preprint
使用聚类和2D区域生长方法剥去MRI
我们开始特定的质心，并执行2D区域的生长过程，直到它触及另一个质心为止。然后将第二个质心用于进一步的区域生长。我们重复了这个2D区域的生长过程，该过程将所有质心连接起来，在大脑周围具有轮廓，边框厚度约为5像素宽度。然后，我们在轮廓周围形成滑动线。在每个像素上，位于水平线中的像素的平均值并具有质心的值±3的值，最接近平均值作为边界点固定。在每个像素的轮廓周围都重复这一点。连接在每个水平线上选择的点，从而为大脑提供了线边界。该边界被用作标记，并且封闭面罩内部的区域给出了大脑部分。
iQuest 临床验证工作 - Avenda Health
Avenda Health 的 iQuest 软件是一种基于人工智能 (AI) 的决策支持工具，可与医学成像和活检数据结合使用来规划前列腺癌干预措施。iQuest 通过帮助用户分割 MRI 图像特征、以 3D 形式可视化癌症风险以及选择治疗部位来支持前列腺肿瘤学工作流程。迄今为止，各种临床数据回顾性研究已用于验证 iQuest 功能，包括多份同行评审的摘要和几份正在准备中的手稿。这些验证工作总结如下。AI 前列腺分割算法 (AIPSA) Avenda Health 开发了一种基于 MRI 图像自动分割前列腺的 AI 算法，并在 137 个多机构测试案例上验证了该算法。该算法在广泛的前列腺体积、扫描仪型号和图像分辨率中均表现出色，平均骰子相似系数为 0.93。此外，在与竞争产品（In Vivo DynaCAD）的前列腺分割功能进行头对头比较时，Avenda 算法表现最佳，骰子相似度（0.93 vs 0.86）和相对体积误差（4.9% vs 15.2%）均有显著改善。AI 病变轮廓算法 Avenda Health 开发了一种 AI 算法，帮助用户定义病变轮廓，以便在前列腺干预（如靶向治疗）期间使用。该算法的核心特征是癌症估计图（CEM），即整个前列腺估计的临床显著癌症（csPCa）风险的 3D 图。CEM 是使用多机构融合活检数据开发的，并在 100 例多机构前列腺切除术病例中进行了验证 [1]。事实证明，CEM 在预测 csPCa 方面非常有效，平均 AUC 为 0.92，平衡准确度为 85%。此外，使用来自外部人群的 50 例前列腺切除术病例，从 CEM 得出的默认病变轮廓优于传统规划 [1]。Avenda 病变轮廓具有更高的 csPCa 敏感性和更高的指数肿瘤包封率（分别为 97% 和 90%），高于放射科医生定义的原始目标（37%，0%）、半腺边缘（94%，66%）和 1 厘米均匀边缘（93%，82%）。在同一项研究中，iQuest 的包封置信度评分功能能够准确预测 csPCa 包封率，R 2 值为 0.98，中位误差仅为 4%。Avenda LCA 验证工作已在 5 篇同行评审和获奖摘要中发表 [2-6]，手稿正在准备提交期刊 [1]。病变轮廓勾画的医生研究除了内部研究确认用户与 iQuest 整体交互的准确性和有效性之外，还通过多读者（N = 10）多病例（N = 50）研究使用根治性直肠切除术标本作为基本事实来评估病变轮廓勾画任务[7-10]。使用 iQuest 的读者（医生）绘制的病变轮廓比手动定义的轮廓识别出更多的 csPCa（97% vs 38%），同时比半腺轮廓保留了更多的良性组织（72% vs 53%）。iQuest 轮廓的平衡准确度明显高于两种比较方法，阅读时间减少了 40%。手稿正在准备提交给期刊 [9]。