XiaoMi-AI文件搜索系统
World File Search System骰子
数据分析和人工智能项目......
为了提取投标的详细信息，使用了 tender_basic_details 和 tender_work_items 表。在 54000 份投标中，27570 份工作项目在 tender_basic_details 表中有相应的条目。合并表后，所有空列都将被删除。数据集中的产品类别由 143 个数字代码表示。然后使用主表 gep_product_category 将这些数字替换为其文本对应项。对于分类数据类型，使用骰子度量计算距离，其中当值不相等时距离被视为“1”，否则为“0”。对于连续文本数据类型，两个文本之间的距离与相似度成反比。相似度使用余弦相似度方法计算。对于连续实值，距离是两个值的绝对差除以
Tengyingzi（Sophia）Perrin - 课程vitae
2023 - 苏黎世苏黎世，瑞士苏黎世数学系的先生科学助理，加固学习，金融数学。{使用观察成本方法开发马尔可夫决策过程，并将其应用于食品生产链中。{在风险谈判框架中应用游戏理论和多代理强化学习 - 食品安全的工作。2022–2023机器学习工程师实习，AI Medical AG，苏黎世，瑞士，神经影像学，计算机视觉。{使用TensorFlow实现的UNET，转移病变分割的骰子分割从0.51到0.83。{建立的管道以支持软件，包括检查数据有效性，成像核心委托和预处理。{已构建的合成病变数据库解决了不平衡的数据问题。
模块 1 概率讲座 1-6 主题 1.1 ...
在我们的日常生活中，我们会遇到许多无法预测其性质的过程。此类过程称为随机过程。获取有关随机过程的信息的唯一方法是进行实验。每次这样的实验都会产生无法预测的结果。事实上，即使在相同条件下重复实验，由于存在无法控制的因素，实验结果也可能因试验而异。但是，我们可以提前知道实验的每个结果将导致几种给定可能性中的一种。例如，在固定环境下投掷骰子时，结果（骰子上表面的点数）无法提前预测，并且每次试验都会有所不同。但是，我们事先知道结果必须是数字 1、2、...、6 中的一个。概率论涉及随机过程的建模和研究。统计学领域与概率论密切相关，它涉及从与随机过程相关的数据中得出推论。
使用杂交卷积神经网络跨MRI图像对下级神经胶质瘤进行脑肿瘤分割
摘要：低度神经胶质瘤（LGG）是最常见的恶性脑肿瘤，可大大定义患者的表现率。跨磁共振成像（MRI）的LGG分割是诊断和治疗计划所必需的。为了达到这一具有挑战性的临床需求，这是一种基于U-NET和SEGNET的杂交结合卷积神经网络（CNN）的深度学习方法。实际上，为了将其与最常用的模型U-NET进行比较，建立了一种采用的侦察模型。分割使用110名LGG患者的反转恢复（FLAIR）进行培训和评估。混合模型实现的最高平均值和中值骰子系数（DC）为83％和85。分别为7％。获得的这项工作的结果导致在MRI图像中使用深度学习的潜力，以便为许多相关的临床应用提供无创的LGG分割工具。
无条件安全的相对论多方偏见抛硬币和掷骰子
位于不同地点的 M 个互不信任的参与方通过某个商定的协议 R 掷一个 N 面骰子，如果第 k 方诚实遵循 R 而其他方任意偏离 R，则结果 o 的概率为 P(o)，满足 | P(o)−Po|≤δ，其中，对于所有 o∈ZN={0,1,...,N−1}，对于所有 k∈[M]={1,2,...,M}，对于商定的整数 M、N≥2 以及商定的概率分布 P={Po}N−1o=0。这项任务称为 M 方偏向的 N 面掷骰子，或简称为掷骰子，是最通用的随机安全多方计算类型，其中所有参与方都会收到计算的输出，并且没有任何一方提供秘密输入 [1]。无偏掷骰子对应于 P o = 1 / N 的情况，对于所有 o ∈ ZN 。掷骰子协议 R
通过扩散来增强皮肤镜损伤的分割...
图像综合方法，例如生成对抗性网络，已成为医学图像分析任务中数据增强的一种形式。克服公共访问数据和提出质量注释的短缺主要是有益的。然而，当前技术通常缺乏对产生的疾病中详细内容的控制，例如疾病模式的类型，病变的位置以及诊断的属性。在这项工作中，我们在生成模型（即扩散模型）中适应了lat-est Advance，并使用使用特异性的视觉和文本提示来生成皮肤镜图像，并使用添加的控制流。我们进一步证明了基于扩散模型的框架比古典生成模型的优势在图像质量和提高皮肤病变上的分割性能方面的优势。它可以使SSIM图像质量度量增加9％，而骰子系数比以前的艺术增加了5％。
使用 U-Net 自动分割胃肠道
摘要 — 医学图像处理极大地改变了医疗保健的格局，特别是在各种疾病的诊断和治疗方面。胃肠道 (GI) 癌症已成为一个快速增长的问题，估计每年报告的新病例有 500 万例。为了达到这种精度，医疗保健专业人员现在利用尖端的磁共振成像 (MRI) 模式，即 MR-Linacs，它可以提供肿瘤位置的每日视图。然而，这一过程中的一个瓶颈出现在从获得的医学图像中手动分割处于危险中的健康器官（如胃和肠）的过程中。这项由放射科医生执行的任务非常耗时，可能会大大延长治疗时间，从而加剧患者的痛苦。因此，胃肠道分割的自动化可以无缝地帮助肿瘤学家。我们的研究提出了一种自动分割胃肠道的模型。本研究提出了一个 U-Net 模型，可以从 MRI 扫描中分割胃和肠。该数据集来自威斯康星大学麦迪逊分校卡博内癌症中心，包含用于训练注释的 RLE 编码掩码以及 16 位灰度 PNG 图像。每个病例包含多个扫描切片，按时间或整个病例分割。我们的方法使用了 U-Net 上的各种损失函数组合来提高胃肠道自动分割的准确性和效率。与其他损失函数相比，我们的模型使用 Dice+BCE 损失函数实现了较高的准确性。在训练数据集上，采用 Dice+BCE 损失函数的 U-Net 模型获得了最高的骰子分数 0.9082 和 IOU 分数 0.8594。在验证数据集上，该模型的骰子分数为 0.8974，交并比 (IoU) 分数为 0.8181。这项研究有助于解决与手动胃肠道分割相关的挑战，通过使用深度学习技术进行自动分割提供了可行的解决方案。关键词 — 磁共振成像 (MRI)、组合损失函数、U-Net、威斯康星大学麦迪逊分校 Carbone 癌症中心、胃肠道分割
使用滑动窗纹理特征提取的脑肿瘤分割，然后是模糊的c均值聚类
在本文中，使用滑动窗口机理的混合方法，然后是模糊C，意味着针对自动化的脑肿瘤提取提出了聚类。所提出的方法包括三个阶段。第一阶段用于通过实施预处理技术，然后进行纹理特征提取和分类来检测肿瘤脑MR扫描。此外，此阶段还比较了不同分类器的性能。第二阶段由使用滑动窗口机理的肿瘤区域进行定位，其中大小的窗户扫描整个肿瘤MR扫描，窗户被归类为肿瘤或无肿瘤。第三阶段由模糊C组成，是指通过去除从阶段2获得的错误分类窗口来获得肿瘤的确切位置。2D单光谱解剖学特性MRI扫描被考虑进行实验。结果在灵敏度，特异性，准确性，骰子相似性系数方面表现出显着的结果。
使用图像处理、ML 和 NLP 检测脑肿瘤
在本研究中，我们使用 ML 算法和图像处理方法从 MRI 中提取数据。我们使用预处理来提高信噪比 (S/N) 并消除不必要的噪声的影响。基于阈值技术，我们使用颅骨剥离算法来增强颅骨剥离性能。在这项研究中，我们使用公认的分类器分析了基于纹理的特征，以对 MRI 图像中的脑肿瘤进行分类。从结果来看，与临床专家进行的手动识别相比，脑肿瘤识别显然是快速而准确的。各种执行因素还表明，建议的算法通过改进某些参数（如平均值、MSE（均方误差）、PSNR、准确度、灵敏度、特异性和骰子系数）提供了有效的结果。我们的结果表明，计划的方法可以帮助及时准确地检测脑肿瘤，并识别其精确位置。因此，使用 ML 和 NLP，提出的系统对于从 MRI 图像中识别脑肿瘤具有重要意义。
平衡气候变化与经济发展
2 Nordhaus的作品为文献提供了重要的见解。Nordhaus（1991）研究了温室气体（GHG）及其经济影响的历史背景，Nordhaus（1992 b）用方程式解释了骰子模型，Nordhaus（1992 a）分析了控制温室气体的理想过渡路径，Nordhaus（1994年）提供了全面的经济性和经济性的经济性，涵盖了风格的经济性，并且涵盖了范围的经济性，并且涵盖了风格的变化。 （2007年b）强调了总体收益在缓解气候变化政策中的重要性，而Nordhaus（2011）分析了不同地区的碳排放的社会成本。3中国于2013年在七个城市启动了碳排放贸易计划（ETS），并扩展到八个地点。国家ETS于2017年启动，发电行业的第一个合规周期于2021年参与。