WIKI資訊
近日，中國科學院自動化研究所馬佳彬、王威、王亮等研究人員在科學預印本網站arxiv上預發表了一項研究，提出了一種新形式的卷積神經網絡——不規則卷積神經網絡，這種新的方法能夠解決常規卷積效率低下的問題。 在深度卷積神經網絡（CNN）中，卷積核是最基本和最重要的組件。研究人員給卷積核配置了形狀屬性以生成不規則卷積神經網絡（ICNN）。與傳統CNN使用規則卷積核（如3x3）不同，該方法訓練了不規則的內核形狀，以更好地適應輸入特征的幾何變化。換言之，除權重以外，形狀也是可以學習的參數。在端對端的訓練中，使用標準的反向傳播算法，卷積核的形狀和權重就能同時學習出來。研究人員使用ICNN進行了圖像語義分割的實驗，以驗證模型的有效性。 近年來，卷積神經網絡（CNN）在學界和業界廣受歡迎，已被成功地應用到各種特征提取的任務當中。CNN的效果相較于前有很大提升，對各種任務的實用性都非常強，但盡管如此，經典CNN仍存在一些問題值得探討和深究。......閱讀全文
當在觀察某個深孔內部細節時，孔內是黑的，而周邊襯度合適。起因是內孔產生的大量信號電子被孔壁吸收，只有小部分跑出達到探測器，這個弱信號按常規放大，人眼看不見。提高圖象襯度和亮度，孔內細節如果能看清，其周邊就過亮了、人眼對圖像襯度的察覺是有限的。圖象處理的目的就是在探測器的后續階段、通過各種圖象處理技術
[新智元導讀]AI能夠映射大腦神經元。人類大腦包含大約860億個神經元，并且一個立方毫米的神經元可以產生超過1000TB的數據。由于其龐大的規模，繪制神經系統內部結構的過程是計算密集和繁瑣的。為了加速這一過程，谷歌和德國馬克斯普朗克神經生物學研究所的研究人員開發了一種基于深度學習的系統，可以自動
5 微動目標分類與識別微動特征是雷達目標的本質屬性之一，相比于傳統的形狀、結構和表面材料電磁參數等其他目標特征，其在目標分類與識別應用中有著如下優勢：(1)觀測條件要求較低，容易被雷達獲取。已有研究表明，高分辨雷達能夠探測目標表面微米級的振動和偏移，對于彈道導彈目標識別，成像激光雷達可觀測到超過70
5.2 養殖浮筏信息提取近些年，極化SAR圖像的識別分類得到了廣泛地研究，主要可以分為非監督和有監督兩大類方法[27]。非監督方法僅僅根據遙感數據自身特性，無需人工輔助實現最終聚類，更適合于大范圍目標識別[28,29]。有監督分類方法不需要任何假設條件，針對精細化分類，可以獲得較高的精度[30]。5
無論健康還是患病，人類細胞表現出的行為和過程在很大程度上是由生長因子決定的。生長因子與細胞上的受體結合，告訴細胞分裂、移動和死亡。 當生長因子水平過高或過低時，細胞對其方向的感知不規則時，會導致許多疾病，包括癌癥。“人們認為，細胞對生長因子反應非常敏感，例如，單個分子導致細胞行為的重大變化，”
利用中午的休息時間，會務組還特地為與會代表安排了精彩的4D科普影片。大家稍作歇息后，下午的大會報告繼續進行。 北京礦冶研究總院 符斌教授 來自北京礦冶研究總院的符斌教授為大家帶來了題為《身手不凡的手持式X射線熒光光譜儀》的報告。符教授首先指出，目前手持式XRF分析儀基本上都是能量
孤立性肺結節是指肺內單發、直徑≤3 cm的圓形或類圓形病灶，一般不伴有肺不張、肺炎、衛星灶及局部淋巴結的腫大。從病理學角度來看，孤立性肺結節主要包括肺部原發性腫瘤、轉移瘤等惡性病變和良性腫瘤及感染性病變等。隨著數字X線攝影、CT、磁共振成像（magnetic resonance imaging，