WikiEdge:ArXiv速递/2025-03-01：修订间差异
跳转到导航
跳转到搜索
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2503.00332v1 | *'''原文链接'''：http://arxiv.org/abs/2503.00332v1 | ||
'''中文摘要'''：[[人工智能]]（[[AI]]）[[天气预测]]（[[AIWP]]）模型通常会产生“模糊”的[[降水]]预报，这些预报往往会高估[[毛毛雨]]而低估[[极端降水]]。本研究提出了一种解决这一问题的新方法——将[[地形跟随坐标]]与[[全球质量和能量守恒]]方案集成到[[AIWP]]模型中。通过使用[[FuXi]]这一[[AIWP]]模型进行预报实验，评估了该方法的有效性，该模型适用于1.0$^\circ$网格间距数据。验证结果表明，性能有显著提升。[[守恒方案]]减少了[[毛毛雨]]的偏差，而使用[[地形跟随坐标]]则改善了[[极端事件]]和[[降水强度谱]]的估计。此外，一个案例研究表明，[[地形跟随坐标]]能够更好地捕捉[[山区]]近地表风，为[[AIWP]]模型提供了更准确的信息，以理解[[降水过程]]的[[动力学]]。本研究提出的方法可以广泛应用于[[AIWP]]模型，并为[[大气领域]]知识如何支持[[AIWP]]模型的发展提供了新的见解。 | '''中文摘要'''：[[人工智能]]（[[AI]]）[[天气预测]]（[[AIWP]]）模型通常会产生“模糊”的[[降水]]预报，这些预报往往会高估[[毛毛雨]]而低估[[极端降水]]。本研究提出了一种解决这一问题的新方法——将[[地形跟随坐标]]与[[全球质量和能量守恒]]方案集成到[[AIWP]]模型中。通过使用[[FuXi]]这一[[AIWP]]模型进行预报实验，评估了该方法的有效性，该模型适用于1.0$^\circ$网格间距数据。验证结果表明，性能有显著提升。[[守恒方案]]减少了[[毛毛雨]]的偏差，而使用[[地形跟随坐标]]则改善了[[极端事件]]和[[降水强度谱]]的估计。此外，一个案例研究表明，[[地形跟随坐标]]能够更好地捕捉[[山区]]近地表风，为[[AIWP]]模型提供了更准确的信息，以理解[[降水过程]]的[[动力学]]。本研究提出的方法可以广泛应用于[[AIWP]]模型，并为[[大气领域]]知识如何支持[[AIWP]]模型的发展提供了新的见解。 | ||
== 摘要 == | |||
* '''原文标题'''：AI-Augmented Thyroid Scintigraphy for Robust Classification | |||
* '''中文标题'''：AI增强的甲状腺闪烁扫描用于稳健分类 | |||
* '''发布日期'''：2025-03-01 06:21:46+00:00 | |||
* '''作者'''：Maziar Sabouri, Ghasem Hajianfar, Alireza Rafiei Sardouei, Milad Yazdani, Azin Asadzadeh, Soroush Bagheri, Mohsen Arabi, Seyed Rasoul Zakavi, Emran Askari, Atena Aghaee, Dena Shahriari, Habib Zaidi, Arman Rahmim | |||
* '''分类'''：physics.med-ph, cs.AI, cs.CV | |||
*'''原文链接'''：http://arxiv.org/abs/2503.00366v1 | |||
'''中文摘要'''：[[甲状腺闪烁扫描]]是诊断[[甲状腺疾病]]的关键成像方式。用于甲状腺闪烁扫描分类的[[深度学习模型]]常常面临数据集有限和不平衡的挑战，导致[[泛化能力]]不佳。在本研究中，我们探讨了包括[[稳定扩散]]（SD）、[[流匹配]]（FM）和[[传统增强]]（CA）在内的不同[[数据增强技术]]对提高[[ResNet18]]分类器在甲状腺疾病分类中性能的有效性。我们的结果表明，基于FM的增强方法在大多数情况下优于基于SD的方法，特别是当与原始数据（O）和CA（O+FM+CA）结合时，能够在[[弥漫性甲状腺肿]]（DG）、[[结节性甲状腺肿]]（NG）、正常（NL）和[[甲状腺炎]]（TI）病例中实现高准确性和公平分类。[[Wilcoxon统计分析]]进一步验证了O+FM及其变体（O+FM+CA）在大多数情况下优于基于SD的增强方法。这些发现突显了基于FM的增强方法在生成高质量合成甲状腺闪烁扫描图像和提高[[医学图像分类模型]]泛化能力方面的潜力。 | |||
2025年3月6日 (四) 17:10的版本
摘要
- 原文标题：Investigating the contribution of terrain-following coordinates and conservation schemes in AI-driven precipitation forecasts
- 中文标题：探究地形跟随坐标和守恒方案在AI驱动的降水预报中的贡献
- 发布日期：2025-03-01 03:44:46+00:00
- 作者：Yingkai Sha, John S. Schreck, William Chapman, David John Gagne II
- 分类：physics.ao-ph, cs.AI
- 原文链接：http://arxiv.org/abs/2503.00332v1
中文摘要：人工智能（AI）天气预测（AIWP）模型通常会产生“模糊”的降水预报，这些预报往往会高估毛毛雨而低估极端降水。本研究提出了一种解决这一问题的新方法——将地形跟随坐标与全球质量和能量守恒方案集成到AIWP模型中。通过使用FuXi这一AIWP模型进行预报实验，评估了该方法的有效性，该模型适用于1.0$^\circ$网格间距数据。验证结果表明，性能有显著提升。守恒方案减少了毛毛雨的偏差，而使用地形跟随坐标则改善了极端事件和降水强度谱的估计。此外，一个案例研究表明，地形跟随坐标能够更好地捕捉山区近地表风，为AIWP模型提供了更准确的信息，以理解降水过程的动力学。本研究提出的方法可以广泛应用于AIWP模型，并为大气领域知识如何支持AIWP模型的发展提供了新的见解。
摘要
- 原文标题：AI-Augmented Thyroid Scintigraphy for Robust Classification
- 中文标题：AI增强的甲状腺闪烁扫描用于稳健分类
- 发布日期：2025-03-01 06:21:46+00:00
- 作者：Maziar Sabouri, Ghasem Hajianfar, Alireza Rafiei Sardouei, Milad Yazdani, Azin Asadzadeh, Soroush Bagheri, Mohsen Arabi, Seyed Rasoul Zakavi, Emran Askari, Atena Aghaee, Dena Shahriari, Habib Zaidi, Arman Rahmim
- 分类：physics.med-ph, cs.AI, cs.CV
- 原文链接：http://arxiv.org/abs/2503.00366v1
中文摘要：甲状腺闪烁扫描是诊断甲状腺疾病的关键成像方式。用于甲状腺闪烁扫描分类的深度学习模型常常面临数据集有限和不平衡的挑战，导致泛化能力不佳。在本研究中，我们探讨了包括稳定扩散（SD）、流匹配（FM）和传统增强（CA）在内的不同数据增强技术对提高ResNet18分类器在甲状腺疾病分类中性能的有效性。我们的结果表明，基于FM的增强方法在大多数情况下优于基于SD的方法，特别是当与原始数据（O）和CA（O+FM+CA）结合时，能够在弥漫性甲状腺肿（DG）、结节性甲状腺肿（NG）、正常（NL）和甲状腺炎（TI）病例中实现高准确性和公平分类。Wilcoxon统计分析进一步验证了O+FM及其变体（O+FM+CA）在大多数情况下优于基于SD的增强方法。这些发现突显了基于FM的增强方法在生成高质量合成甲状腺闪烁扫描图像和提高医学图像分类模型泛化能力方面的潜力。