地域識別とは何ですか？
Region Identification 地域識別 - DBSCAN is applied to the corresponding coordinates of all non-repeating discrete locations to obtain the region identification that represents the hot region or non-hot region of the users for the specific dataset. [1] , region identification, region representation, and region classification. [2] Segmentation plays bigger role identifying the disease, Hence in this paper we propose an Adaptive Snake Model for segmentation and region identification. [3] The 63 relevant differential metabolites could achieve the purpose of region identification through PCA. [4] Based on the database, the region identification and error compensation algorithm were designed, and comparison experiments were carried out. [5] RESULTS This paper presents a rigorous review comprising all the aspects of medical image analysis concerning capsule endoscopy namely video summarization and redundant image elimination, Image enhancement and interpretation, segmentation and region identification, Computer-aided abnormality detection in capsule endoscopy, Image and video compression. [6] Aiming at the influence of AC system on DC system, this paper presents a method of region identification which threatens the stable operation of DC system from the perspective of static analysis. [7] 24% and 100% for variety and region identification, respectively. [8] Our proposed method comprised of four stages namely, feature extraction, feature selection, classification and Region identification. [9] Based on linear discriminant analysis (LDA), a qualitative model for the geographical-region identification of Z. [10]DBSCANは、繰り返されないすべての個別の場所の対応する座標に適用され、特定のデータセットのユーザーのホット領域または非ホット領域を表す領域IDを取得します。 [1] 、領域の識別、領域の表現、および領域の分類。 [2] セグメンテーションは、疾患を識別するためのより大きな役割を果たします。したがって、この論文では、セグメンテーションと領域の識別のための適応ヘビモデルを提案します。 [3] 63の関連する示差代謝物は、PCAによる領域同定の目的を達成することができます。 [4] データベースに基づいて,領域識別と誤差補償アルゴリズムを設計し,比較実験を行った。 [5] 結果 この論文では、カプセル内視鏡検査に関する医用画像解析のすべての側面、つまりビデオの要約と冗長な画像の除去、画像の強調と解釈、セグメンテーションと領域の識別、カプセル内視鏡検査におけるコンピューター支援の異常検出、画像とビデオの圧縮を含む厳密なレビューを提示します。 [6] 直流システムに対する交流システムの影響に照準を合わせて,本論文は静的解析の観点から直流システムの安定動作を脅かす領域同定の方法を提示した。 [7] 品種と地域の識別では、それぞれ 24% と 100% です。 [8] 提案手法は、特徴抽出、特徴選択、分類、領域識別の 4 つの段階で構成されます。 [9] 線形判別分析 (LDA) に基づく、Z の地理的地域識別のための定性的モデル。 [10]
Functional Region Identification
The study of functional region identification of a city is of great significance to the city’s functional cognition, spatial planning, economic development, human livability, and so forth. [1] Meantime, the system can provide support in the decision for urban resource allocation, urban functional region identification, traffic congestion and so on. [2] 421) in terms of similarity capturing performance and functional region identification accuracy (OA=0. [3]都市の機能領域の特定に関する研究は、都市の機能認知、空間計画、経済発展、人間の居住性などにとって非常に重要です。 [1] 一方、このシステムは、都市資源の割り当て、都市の機能領域の特定、交通渋滞などの決定を支援することができます。 [2] 421) 類似性捕捉性能と機能領域識別精度の観点から (OA=0. [3]
Tumor Region Identification
Recently, deep learning algorithms have shown great promise in pathology image analysis, such as in tumor region identification, metastasis detection and patient prognosis. [1] Furthermore, notable performance is achieved in the case of medical applications such as gray matter segmentation and precise tumor region identification. [2] Recently, artificial intelligence, especially deep learning, has shown great potential in pathology image analysis tasks such as tumor region identification, prognosis prediction, tumor microenvironment characterization, and metastasis detection. [3]最近、深層学習アルゴリズムは、腫瘍領域の識別、転移の検出、患者の予後など、病理画像解析に大きな期待を寄せています。 [1] さらに、灰白質のセグメンテーションや正確な腫瘍領域の識別などの医療アプリケーションの場合、顕著なパフォーマンスが達成されます。 [2] 最近、人工知能、特に深層学習は、腫瘍領域の識別、予後予測、腫瘍微小環境の特徴付け、転移検出などの病理画像解析タスクにおいて大きな可能性を示しています。 [3]
Candidate Region Identification
(2)in the stage of candidate region identification, we present a Deformation Adaptability Model, this model can make full used of the relationship between key structures of buildings, and it has better adaptability to distributed target. [1] A ship target detection algorithm based on discriminative dictionary learning is proposed, which mainly includes image denoising, candidate region extraction and candidate region identification. [2](2) 候補領域の特定の段階で、変形適応モデルを提示します。このモデルは、建物の主要構造間の関係を十分に活用でき、分散ターゲットへの適応性が高くなります。 [1] 弁別辞書学習に基づく船舶目標検出アルゴリズムを提案し,主に画像ノイズ除去,候補領域抽出,および候補領域識別を含む。 [2]
Brain Region Identification
The brain consists of massive regions with different functions and the precise delineation of brain region boundaries is important for brain region identification and atlas illustration. [1] Moreover, using this proposed methodology, we try to improve brain region identification and statistical accuracy which could not be clarified by conventional experimental methods. [2]脳はさまざまな機能を持つ大規模な領域で構成されており、脳領域の境界を正確に描写することは、脳領域の識別とアトラスの図解にとって重要です。 [1] さらに、この提案された方法論を使用して、従来の実験方法では明らかにできなかった脳領域の識別と統計的精度の向上を試みます。 [2]
Conservative Region Identification
The choice of the threshold is a trade-off between conservative region identification and discarding weak, but true binding sites. [1] Conservative region identification of the ND5 gene and phylogenetic analysis confirmed that the ND5 gene was located between two control regions. [2]しきい値の選択は、保守的な領域の識別と、弱いが真の結合部位の破棄との間のトレードオフです。 [1] ND5 遺伝子の保存的領域同定と系統解析により、ND5 遺伝子が 2 つの制御領域の間にあることが確認されました。 [2]
Probable Region Identification
Hence in this paper we have proposed a CNN based methodology named Dual layer CNN(DL-CNN), where we have used two layer Convolution Neural Network, first layer Is used for the Probable Region Identification and second layer is used for the Segmentation and false positive reduction. [1] The main intention of the model is segmentation and probable region identification. [2]したがって、この論文では、デュアルレイヤーCNN（DL-CNN）という名前のCNNベースの方法論を提案しました。ここでは、2レイヤーの畳み込みニューラルネットワークを使用しました。最初のレイヤーは推定領域識別に使用され、2番目のレイヤーはセグメンテーションに使用され、false正の削減。 [1] モデルの主な目的は、セグメンテーションと可能性のある領域の識別です。 [2]
Body Region Identification
CONCLUSIONS Precise body region identification automatically in whole-body or body region tomographic images is vital for numerous medical image analysis and analytics applications. [1] Two classification tasks were evaluated for their feasibility of sinogram-space machine learning: body region identification and intracranial hemorrhage (ICH) detection. [2]結論 全身または身体領域の断層撮影画像における正確な身体領域の自動識別は、多数の医療画像分析および分析アプリケーションにとって不可欠です。 [1] サイノグラム空間機械学習の実現可能性について、2 つの分類タスクが評価されました。体の領域の識別と頭蓋内出血 (ICH) の検出です。 [2]
region identification accuracy
1%, region identification accuracy of 94. [1] 421) in terms of similarity capturing performance and functional region identification accuracy (OA=0. [2]1％、94の領域識別精度。 [1] 421) 類似性捕捉性能と機能領域識別精度の観点から (OA=0. [2]
region identification algorithm
A new parameter Harmonic Loss (product of weighted total harmonic distortion factor of the line voltage (Vwthd) and normalized switching loss) is introduced as an objective function, and a spatial region identification algorithm is proposed to determine the optimized switching sequences for hybrid SVPWM technique. [1] Evaluation with real data of the Tianjin radar indicates that the critical success index of the weak echo region identification algorithm is 0. [2]新しいパラメータ高調波損失（線間電圧（Vwthd）の加重全高調波歪み係数と正規化されたスイッチング損失の積）が目的関数として導入され、ハイブリッドSVPWM技術の最適化されたスイッチングシーケンスを決定するために空間領域識別アルゴリズムが提案されます。 。 [1] 天津レーダーの実データによる評価は、弱いエコー領域識別アルゴリズムのクリティカル成功指数が 0 であることを示しています。 [2]