Расшифровка трансформатор тм: Трансформатор ТМ-100/6/0,4 / Трансформаторы ТМ

Содержание

Трансформатор трехфазный масляный герметичный ТМГ-400/10/0,4 Sп.400кВА, Uвн.10кВ, Uнн.0,4кВ, У/Ун-0, ПБВ (±2х2,5%), с алюминиевыми обмотками, IP00 У1 ТМГ-400/10/0,4 У/Ун-0 (Al) ЭЛЕКТРОЗАВОД

Наименование изделия у производителя ТМГ-400/10/0,4
Серия ТМГ
Мощность трансформатора, кВА Sп.400кВА,
Номинальное напряжение выскокой стороны, кВ Uвн.10кВ,
Номинальное напряжение низкой стороны, кВ Uнн.0,4кВ,
Схема и группа соединения обмоток У/Ун-0,
Вид переключения ответвлений, диапазон и число ступеней регулирования напряжения ПБВ (±2х2,5%),
Количество фаз трехфазный
Исполнение трансформатора масляный герметичный
Материал обмоток с алюминиевыми обмотками,
Номинальная частота 50Гц
Потери холостого хода, кВт
Ток холостого хода, %
Потери короткого замыкания, кВт
Напряжение короткого замыкания, %
Степень защиты, IP IP00
Климатическое исполнение и категория размещения У1
Конструктивная особенность
Особенности комплектации
Масса масла (при наличии) 275кг
Полная масса трансформатора 1290кг
Транспортная масса трансформатора 1015кг
Примечание
Альтернативные названия ТМГ400
Страна происхождения
Сертификация RoHS
Код EAN / UPC
Код GPC
Код в Profsector.
com
FE74.288.1.30
Статус компонента у производителя

Трансформатор ТМФ 160/10/0,4

 Разместить заказ на трансформаторы ТМФ 160/10/0,4 или ТМГФ 160/10/0,4

Трансформатор ТМФ/ТМГФ производится только прямоугольной формы. Отличается от других типов трансформаторов расположением вводов ВН и НН по бокам слева или справа. Возможно исполнение вводов сверху на крышке бака или сбоку — по фланцам трансформатора.

По требованию заказчика возможно изготовление ТМФ/ТМГФ на салазках

Температурные изменения объема масла компенсируются маслорасширителем. Встроенный воздухоосушитель, предотвращают попадание в трансформатор влаги и промышленных загрязнений.

Для измерения температуры верхнего уровня масла в баке устанавливаются термометрические датчики, которые  контролируют внутреннее давление и сигнализируют о предельно допустимых величинах давления.

Для установки в условиях тропического климата используются только медные обмотки.

 

Диапазон мощности трансформатора ТМФ/ТМГФ — 160-2500 кВА

  • Номинальное напряжение первичной обмотки ВН-6; 10 кВ
  • Регулирование напряжения ПБВ со стороны ВН — ±2×2,5%
  • Климатическое исполнение — У1, УЗ, УХЛ1
  • Схема соединения — У/Ун-0 (звезда-звезда), Д/Ун-11 (треугольник-звезда)

Трансформаторы силовые трехфазные двухобмоточные с расширителем с естественным охлаждением масла. Маслорасширитель, установленный на крышке бака, имеет вентиляционное отверстие, соединенное через воздухосушитель. Давление масла в трансформаторе остается постоянным и не зависит от температуры. По заказу потребителя трансформатор может быть изготовлен с радиаторным или гофрированным баком

Трансформатор масляный ТМ с естественным воздушным охлаждением предназначен для преобразования электрической энергии одного напряжения в электрическую энергию другого напряжения. Регулирование напряжения трансформатора ТМ осуществляется в диапазоне до ± 5 % на полностью отключенном трансформаторе (ПБВ) переключением ответвлений обмотки ВН ступенями по 2,5 %.

ТМ cостоит из активной части, крышки и сварного бака овальной формы. На крышке расположены вводы ВН и НН, привод переключателя, расширитель с маслоуказателем и воздухоосушителем.

Активная часть масляного трансформатора ТМФ/ТМГФ состоит из магнитопровода с обмотками, нижних и верхних ярмовых балок. Трансформатор помещен в бак с маслом для охлаждения и предотвращения разрушение обмоток трансформатора от внешней среды.

Обмотки ТМ сделаны из алюминиевых обмоточных проводов, межслойная изоляция – из кабельной бумаги.

СТРУКТУРА УСЛОВНОГО ОБОЗНАЧЕНИЯ ТМ(Г)Ф-Х/10(6)-У1
Т — Трансформатор трехфазный
М — МасляныйТ
Г -Герметичный
Ф -Фланцевый
X — Номинальная мощность, кВА
У1 — Климатическое исполнение и категория
размещения по ГОСТ 15150

Условия эксплуатации трансформатора ТМ(Г)Ф

  • Окружающая среда не взрывоопасная, не содержащая токопроводящей пыли;
  • Высота установки над уровнем моря не более 1000 м;
  • Режим работы длительный;
  • Температура окружающей среды от -60°С до +40°С;
  • Трансформаторы не предназначены для работы в условиях тряски, вибраций, ударов, в химически агрессивной среде.

Скачать опросный лист на трансформатор ТМ(Г)Ф

Таблица/калькулятор Сколько меди и алюминия в высоковольтном силовом масляном трансформаторе ТМ — 400/6-0,4

Высоковольтные силовые масляные трансформаторы марки ТМ

Трансформаторам присваивается обозначение, состоящее из букв и цифр. Буквы в типах масляных и сухих трансформаторов обозначают:


О — однофазный трансформатор

Т — трехфазный трансформатор
Н — регулирование напряжения трансформатора под нагрузкой
Р — с расщепленными обмотками; по видам охлаждения:
С — не включаемая самовентиляция трансформатора естественно-воздушное
М — самовентиляция циркуляция воздуха и масла

См.страницу:Разведка копа заброшенных железных дорогах Москвы!!!


Д — включаемая принудительная циркуляция воздуха и естественная циркуляция масла
ДЦ — включаемая принудительная циркуляция воздуха и масла
MB — включаемая принудительная циркуляция воды и ‘естественная циркуляция масла

Ц-включаемая принудительная циркуляция воды и масла.
С в обозначении тип показывает, в этом трансформаторе 3 обмотки.

Все данные можно узнать на бирке трансформатора масляного и ни где не искать информацию!!!

На фото б/у трансформаторы ТМ — 400/6-0,4

Трансформаторы ТМ — 400/6-0,4
Сколько меди и алюминия в высоковольтном силовом масляном трансформаторе ?

Номинальная мощность, кВА 400

Номинальное напряжение на стороне ВН, кВ 6

Номинальное напряжение на стороне НН, кВ 0,4

Схема соединения:
У/Ун-0 (звезда-звезда), Д/Ун-11 (треугольник-звезда), У/Zн-11 (звезда-зигзаг)

Климатическое исполнение и категория размещения: У1, УХЛ1

Допустимая температура эксплуатации:от -45 до +40 °С (У1), от -60 до +40 °С (УХЛ1)

Материал обмоток:Алюминий (алюминиевый), медь (медный)

Нормативные документы:ГОСТ 11677, ГОСТ 30830, ГОСТ Р 52719-2007, МЭК – 76

Вес-масса 1850 кг. руками не утащить!!!

Данные на ТМФ 400/10

Алюминий и алюминиевые сплавы 1 сорта 33 кг. алюминий 3-го сорта 133 кг,

Медные сплавы 4,5 кг. .

Вес-масса 1850 кг. руками не утащить!!!

Масло не считаем!!! Остальное легко высчитывается.

Классификация:

Цифры в наименовании указывают на мощность трансформатора (в киловольт-амперах), в знаменателе — класс напряжения обмотки ВН (в киловольтах), например: ТМ-100/6 — трехфазный, с масляным охлаждением и естественной циркуляцией, мощностью 100 кВ-А, напряжением 6 кВ; ТД-10000/110 — трехфазный, с дутьевым охлаждением, мощностью 10 000 кВ-А, напряжением ПО кВ; ТДТ-20 000/110 — трехфазный, трехобмоточный, с дутьевым охлаждением, мощностью 20 000 кВ-А, напряжением ПО кВ; ТС-630/10 — трехфазный, сухого исполнения, мощностью 630 кВ-А, напряжением 10 кВ.


В обозначении автотрансформатора добавляют букву А. Если автотрансформатор понижающий, то буква А стоит в начале обозначения, если повышающий — в конце.

ТМ 630/10

Сколько меди и алюминия в высоковольтном силовом масляном трансформаторе ТМ 630/10
Сколько меди и алюминия в высоковольтном силовом масляном трансформаторе ТМ 630/10
Вывезти или утащить проблематично, разобрать тоже!!!

Меди и алюминия в нем достаточно, но вот как с разборкой его на части (резка,разделка,слив масла, обжиг от изоляции и т.д.)

алюминий и медные сплавы:

алюминий 1 сорта 68 кг.

алюминий 3-го — 229 кг,.

медные сплавы 11 кг..

Трансформатор ТМФ 400 10/6-0,4 Сколько меди и алюминия в высоковольтном силовом масляном трансформаторе ?

Читайте интересное!!!

Дистанционное зондирование | Бесплатный полнотекстовый | Проекты декодера на основе преобразователя для семантической сегментации изображений, полученных дистанционным способом

1.

Введение В целом, автоматизированная семантическая сегментация изучается для анализа дистанционного зондирования [1,2,3]. Важность исследований в области семантической сегментации аэрофотоснимков или спутниковых данных возросла. За прошедшие годы, благодаря полному набору приложений для автономного вождения, автоматического картографирования и навигации, в этой области был достигнут значительный прогресс. За последнее десятилетие DL произвело революцию в информатике.Среди современных сверточных нейронных сетей (ConvNet/CNN) есть много методов, например, двойное внимание [4] и само-внимание [5], которые привлекли все большее внимание благодаря своим возможностям. Такие методы обеспечивают высокоточную семантическую сегментацию данных дистанционного зондирования. Тем не менее, все они страдают от проблем, связанных с точностью производительности. В настоящее время многие архитектуры глубокого обучения [2,6] применяются в сегментации городов или сельского хозяйства, например, глобальные сверточные сети [7], DeepLab [8], маска R-CNN. [9], BiseNet [10] и CCNet [11].Эти сети были созданы для семантического распознавания и состоят из сложенных сверточных блоков. Из-за снижения стоимости вычислений использование карт ядра постепенно сокращалось.

Таким образом, сеть кодировщика может изучать больше семантических визуальных теорий с неуклонно увеличивающимся рецептивным полем. Следовательно, это также увеличивает первичное ограничение изучения знаний о зависимостях дальнего действия, что важно для задач компьютерного зрения. Однако ситуация все еще остается сложной из-за ограниченного размера области входных данных, которая создает функцию.Эти рецептивные поля требуют плотных предсказаний с высоким разрешением; преобразователи проводят само-внимание на это рецептивное поле. Ранее архитектура не полностью использовала различные карты признаков из свертки или блоков внимания, способствующих сегментации изображения, и это послужило мотивом для этой работы.

Чтобы преодолеть эту слабость, совершенно новые сети, а именно. Swin Transformer (SwinTF) [12] с Vision Transformer (ViT) [13] в качестве основной магистрали обладают огромными возможностями в получении зависимостей на большом расстоянии и моделировании изображений на основе последовательностей.Преобразователи — это первые модели преобразования, которые полностью полагаются на собственное внимание для вычисления своих входных и выходных представлений без использования выровненных по последовательности RNN или свертки. Для получения этих функций не используются рекуррентные единицы; они являются просто взвешенными суммами и активациями, которые оказались очень эффективными и параллелизуемыми [14]. ViT — один из самых известных преобразователей, используемых в нескольких задачах компьютерного зрения, таких как классификация гиперспектральных изображений [15,16], обнаружение ящиков [17,18] и семантическая сегментация [19,20].ViT перемещает разделитель окна между последовательными уровнями внимания к себе. Смещенные окна обеспечивают связь между окнами последнего слоя, значительно увеличивая возможности моделирования. Наиболее подходящим для предлагаемого нами метода является Vision Transformer (ViT) [13] и его последующие действия [21,22,23,24,25]. . ViT — это архитектура глубокого обучения, которая использует механизм внимания, фокусируясь на распознавании изображений, и очень ценится в их работах [21,22,23,24,25]. В нескольких работах ViT напрямую используется модель преобразования на неперекрывающихся участках изображения среднего размера для классификации изображений.ViT достигает захватывающего компромисса между скоростью и производительностью практически во всех задачах компьютерного зрения по сравнению с предыдущими сетями DL. DeiT [26] вводит несколько политик обучения, которые также позволяют эффективно использовать очень скромный корпус ImageNet-1K. Влияние ViT на задачи компьютерного зрения обнадеживает. Модель ViT не подходит для ядерных фильтров с низким разрешением и квадратичного улучшения размера изображения по сложности. В некоторых работах модели ViT используются для задач семантической сегментации и обнаружения плотных изображений. Примечательно, что модели ViT [12,27] имеют наилучшее соотношение производительности и точности среди этих методов для задач компьютерного зрения, даже несмотря на то, что эта работа в основном сосредоточена на производительности общего назначения, а не на семантической сегментации. обычно требует больших вычислительных затрат для предыдущей трансформаторной сети, например, Pyramid ViT [28], которая квадратична размеру изображения. Напротив, SwinTF решил вычислительную проблему и стоил линейно в зависимости от размера изображения. SwinTF повысил точность, работая с моделью на региональном уровне, улучшая рецептивные поля, которые сильно коррелируют с визуальными сигналами.Кроме того, он эффективен и эффективен, достигая производительности SOTA, например, MeanIoU, AveragePrecision при обнаружении объектов COCO и семантической сегментации ADE20K. и вводятся изображения с очень высоким разрешением (аэрофотоснимки), как показано на Рисунке 1 и Рисунке 2. Эта работа помогает дополнительно улучшить SOTA по семантической сегментации в Landsat-8 и аэрофотоснимках. Для повышения производительности реализованы три стиля конструкции декодера в рассуждениях на основе преобразователя.У нас две цели:
  • Использование предобучающего ViT для извлечения виртуальных визуальных токенов на основе пятен видения с аэрофотоснимков и спутниковых изображений: мы сразу же точно настраиваем весовые коэффициенты модели для последующих обязанностей, присваивая предобучающий SwinTF под ViT в качестве основы, добавляя уровни ответственности и накладывая предварительно обученный кодировщик.

  • Предложение проектов декодера для нашей сети DL с тремя проектами декодера, включая (i) U-Net [29], (ii) сеть разбора сцены пирамиды (PSP) [30] и (iii) пирамидальную сеть признаков (FPN) [31] для выполнения сегментации на уровне пикселей.
Результаты экспериментов с тремя дистанционно воспринятыми корпусами семантической сегментации, включая два набора данных Thailand Landsat-8 и один корпус ISPRS Vaihingen [32], демонстрируют эффективность предложенной схемы. Результаты доказывают, что наша SwinTF с конструкцией декодера может превзойти предыдущую сеть кодер-декодер [33,34,35,36] на аэрофотоснимках и спутниковых изображениях, а также модели Swin Transformer [12] с точки зрения точности, отзыва и оценки F1 последовательно. . Оставшаяся часть этой статьи построена следующим образом.В разделе 2 обсуждаются материалы и методы. Результаты подробно описаны в Разделе 3, а Раздел 4 представляет наше обсуждение, включая наши ограничения и перспективы. Наконец, наши выводы сделаны в Разделе 5.

4. Обсуждение

В этой работе была исследована полезность моделей семантической сегментации на основе SwinTF для ретроспективной реконструкции сельскохозяйственного региона Таиланда. Для выбранных методологий необходимость подготовки достаточного количества обучающих данных может накладывать определенные ограничения.

Как показано на рис. 9, корпус Isan Landsat-8 обеспечил качественное сравнение сегментации между SwinTF и конструкциями декодера (SwinTF-PSP, SwinTF-FPN и SwinTF-UNet) и базовой линией SOTA (расширенный GCN). Результаты разработки декодера PSP продемонстрировали более точную сегментацию для более крупных и тонких объектов, например, областей паракаучука и кукурузы. Более того, дизайн декодера PSP также обеспечивает более интегрированную сегментацию более мелких объектов, например класса ананасов. Рисунок 10а.Кроме того, на рисунке 10b и рисунке 11b показаны четыре графика обучения, а именно. точность, точность, отзыв и линии F1. Линия потерь модели «SwinTF-PSP» оказалась обманутой (очень мягкой) больше, чем традиционный метод на рисунке 11а. Число в эпоху 99 было выбрано в качестве предварительно обученного веса для процедур проверки и переноса обучения. Как показано на рисунке 12, северный корпус Landsat-8 обеспечил качественное сравнение сегментации между SwinTF и конструкциями декодера (SwinTF-PSP, SwinTF-FPN и SwinTF-UNet) и базовый уровень SOTA (улучшенный GCN).Результаты разработки декодера PSP показали более точную сегментацию для более мелких объектов, таких как область кукурузы. Более того, конструкция декодера PSP также обеспечивает более интегрированную сегментацию негабаритных объектов, например класса паракаучука. В данных проверки «SwinTF-PSP», рис. , рис. 13а. Кроме того, на рисунке 13b и рисунке 14b показаны четыре линии обучения, а именно. точность, точность, отзыв и линии F1. Линия потерь модели «SwinTF-PSP» оказалась обманутой (очень мягкой) больше, чем при традиционном методе на рисунке 14а.Число в эпоху 100 было выбрано в качестве предварительно обученного веса для процедур проверки и переноса обучения. Как показано на рисунке 15, корпус ISPRS Vaihingen обеспечивает качественное сравнение сегментации между SwinTF и конструкциями декодера (SwinTF-PSP, SwinTF-FPN и SwinTF-UNet). ) и базовый уровень SOTA (улучшенный GCN). Результаты разработки декодера FPN продемонстрировали более точную сегментацию для более мелких объектов, например, автомобиля и дерева (классы). Более того, в конструкции декодера PSP реализована более интегрированная сегментация негабаритных объектов, например.г., непроницаемые поверхности. Число в эпоху 99 было выбрано в качестве предварительно обученного веса для процедур проверки и переноса обучения. На рисунке 16 было более глубокое несоответствие (холм) в данных проверки «SwinTF-PSP», чем в исходном состоянии, рисунок 16a. Кроме того, на рисунке 16b и рисунке 17b показаны четыре линии обучения, а именно. точность, точность, отзыв и линии F1. Линия потерь модели «SwinTF-PSP» оказалась обманутой (очень мягкой) больше, чем традиционный метод на рисунке 17а. Число в эпоху 95 было выбрано в качестве предварительно обученного веса для процедур проверки и переноса обучения.

Рисунок 9. Сравнения между предложенными нами методами и базовым набором для тестирования корпуса TH-Isan Landsat-8.

Рисунок 9. Сравнения между предложенными нами методами и базовым набором для тестирования корпуса TH-Isan Landsat-8.

Рисунок 10. График (кривые обучения): на TH-Isan Landsat-8, предлагаемый подход и SwinTF-PSP ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 10. График (кривые обучения): на TH-Isan Landsat-8, предлагаемый подход и SwinTF-PSP ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 11. График (кривые обучения): корпус TH-Isan Landsat-8, базовый подход и SwinTF ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 11. График (кривые обучения): корпус TH-Isan Landsat-8, базовый подход и SwinTF ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 12. Сравнения между предложенными нами методами и базовым набором для тестирования корпуса TH-North Landsat-8.

Рисунок 12. Сравнения между предложенными нами методами и базовым набором для тестирования корпуса TH-North Landsat-8.

Рисунок 13. График (кривые обучения): корпус TH-North Landsat-8, предлагаемый подход и SwinTF-PSP ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рис. 13. График (кривые обучения): корпус TH-North Landsat-8, предлагаемый подход и SwinTF-PSP ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 14. График (кривые обучения): корпус TH-North Landsat-8, базовый подход и SwinTF ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рис. 14. График (кривые обучения): корпус TH-North Landsat-8, базовый подход и SwinTF ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 15. Сравнения между предложенными нами методами и базовым набором для тестирования корпуса ISPRS Vaihingen.

Рис. 15. Сравнения между предложенными нами методами и базовым набором для тестирования корпуса ISPRS Vaihingen.

Рисунок 16. График (кривые обучения): корпус ISPRS Vaihingen, предлагаемый подход и SwinTF-FPN ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рис. 16. График (кривые обучения): корпус ISPRS Vaihingen, предлагаемый подход и SwinTF-FPN ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рисунок 17. График (кривые обучения): корпус ISPRS Vaihingen, базовый подход и SwinTF ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Рис. 17. График (кривые обучения): корпус ISPRS Vaihingen, базовый подход и SwinTF ( a ) График потери модели (перекрестная энтропия) при обучении и тестировании корпусов; ( b ) график производительности тестового корпуса.

Ограничения и перспективы

В этом исследовании была изучена пригодность моделей семантической сегментации на основе преобразователей для ретроспективной реконструкции выращивания (кукуруза, ананас и паракаучук) в Таиланде, а также набора данных ISPRS Vaihingen (аэрофотоснимки). .Для выбранных методов требование подготовки обширных обучающих данных может иметь некоторые ограничения. Для будущих исследований достижение высокой производительности с ограниченными обучающими данными с использованием нашего подхода должно быть рентабельным для многовременного картирования сельского хозяйства.

Поэтому требуется дальнейшая оценка эффективности использования современных методов DL с данными Landsat-8 за пределами страны. Несмотря на некоторые ограничения, это исследование добавляет базовый уровень, включая DeepLab v3, PSP, FPN и UNet, для подтверждения наилучшей производительности нашей модели.В будущей работе будет рассмотрено и проанализировано больше разновидностей современной маркировки изображений, а также некоторые аналитические перспективы, например, развивающиеся алгоритмы обучения с подкреплением (RL), генеративно-состязательные сети (GAN) или методы квантования для эффективного вывода нейронных сетей. такие задачи.

5. Выводы

В этой статье представлена ​​альтернативная точка зрения на семантическую сегментацию путем предварения конструкций декодеров для моделей преобразователей. Экспериментальные результаты показывают, что (1) предварительно обученные модели преобразователя на ImageNet-1K достигли хороших результатов как для корпуса Landsat-8 (среднее разрешение), так и для корпуса ISPRS Vaihingen (очень высокое разрешение).Было обнаружено, что оценки F1 находятся в диапазоне от 84,3% до 87,74%, от 59,4% до 64,47% и от 87,7% до 92,21% для корпусов Isan, Nan и ISPRS Vaihingen соответственно. (2) Наши результаты сравнивались с другими методами проектирования декодера, включая FPN, PSP и U-Net.

Очевидно, что предложенный подход зарекомендовал себя как надежный метод. Наши подробные качественные и количественные исследования трех сложных задач дистанционного зондирования показали, что конструкции декодеров FPN и PSP постоянно превосходили базовые и современные методы, тем самым демонстрируя их значительную эффективность и возможности.Кроме того, средняя точность была выше 90% почти для всех классов наборов данных.

Бумажные таблицы с аннотированными результатами для руководства декодированием неавторегрессионного нейронного машинного перевода с информацией о переупорядочении

Руководство по считыванию

Что это за страница? На этой странице слева показаны таблицы, извлеченные из документов arXiv. Он показывает извлеченные результаты с правой стороны, которые соответствуют таксономии Papers With Code.

Какие цветные прямоугольники справа? Здесь показаны результаты, извлеченные из бумаги и связанные с таблицами с левой стороны. Результат состоит из значения метрики, имени модели, имени набора данных и имени задачи.

Что означают цвета? Зеленый цвет означает, что результат одобрен и показан на веб-сайте. Желтый – это результат, который вы добавили, но еще не сохранили. Синий — это ссылочный результат, полученный из другой статьи.

Откуда берутся предлагаемые результаты? У нас есть модель машинного обучения, работающая в фоновом режиме, которая делает предложения на бумаге.

Откуда берутся упомянутые результаты? Если мы находим в таблице результаты, на которые ссылаются другие статьи, мы показываем проанализированное поле ссылок, которое редакторы могут использовать для аннотирования, чтобы получить эти дополнительные результаты из других статей.

Руководство для редактора

Редактирую первый раз и боюсь ошибиться.Помощь! Не волнуйтесь! Если вы сделаете ошибки, мы можем исправить их: все версии! Так что просто сообщите нам на канале Slack, если вы случайно что-то удалили (и так далее) — это вообще не проблема, так что просто дерзайте!

Как добавить новый результат из таблицы? Щелкните ячейку в таблице с левой стороны, откуда берется результат. Затем выберите одно из топ-5 предложений. Вы можете вручную отредактировать неправильные или отсутствующие поля. Затем выберите задачу, набор данных и название метрики из таксономии Papers With Code.Вы должны проверить, существует ли эталонный тест, чтобы предотвратить дублирование; если он не существует, вы можете создать новый набор данных. Например. ImageNet по классификации изображений уже существует с показателями Top 1 Accuracy и Top 5 Accuracy.

Каковы соглашения об именах моделей? Название модели должно быть простым, как показано в документе. Обратите внимание, что для выделения деталей можно использовать круглые скобки, например: BERT Large (12 слоев), FoveaBox (ResNeXt-101), EfficientNet-B7 (NoisyStudent).

Другие советы и рекомендации

  • Если для пары набор данных/задача, которую вы вводите, уже существует контрольный показатель, появится ссылка.
  • Если бенчмарк не существует, появится значок «новый», обозначающий новую таблицу лидеров.
  • Если вам повезет, Cmd+щелкните ячейку в таблице, чтобы автоматически получить первый результат.
  • При редактировании нескольких результатов из одной таблицы можно нажать кнопку «Изменить все», чтобы скопировать текущее значение во все другие записи из этой таблицы.

Как добавить ссылочные результаты? Если в таблице есть ссылки, вы можете использовать функцию разбора ссылок, чтобы получить больше результатов из других статей. Во-первых, вам понадобится хотя бы одна запись в ячейке с результатами (см. пример на изображении ниже). Затем нажмите кнопку «Анализ ссылок», чтобы связать ссылки с документами в PapersWithCode и аннотировать результаты. Ниже вы можете увидеть пример.

Сравнительная таблица взята из документа «Точная настройка универсальной языковой модели для классификации текста» . (Howard and Ruder, 2018) с проанализированными ссылками.

Как сохранить изменения? Когда вы довольны своим изменением, нажмите «Сохранить», и ваши предлагаемые изменения станут зелеными!

TF-SOD: новая схема преобразования для обнаружения заметных объектов

  • Achanta R, Hemami SS, Estrada FJ, Susstrunk S (2009) Обнаружение заметных областей с настройкой частоты. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 1597–1604. .\circ\) потоковое видео. В: Материалы 11-й конференции мультимедийных систем ACM (MMSYS), стр. 141–152 https://doi.org/10.1145/3339825.33

    • Carion N, Massa F, Synnaeve G, Usunier N, Kirillov А, Загоруйко С (2020) Сквозное обнаружение объектов с помощью трансформаторов.В: Европейская конференция по компьютерному зрению (ECCV), стр. 213–229 https://doi.org/10.1007/978-3-030-58452-8_13

    • Чен К, Чен Дж. , Саварезе С. (2021)Топологическое планирование с преобразователями для визуальной и языковой навигации. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR)

    • Чен М., Рэдфорд А., Чайлд Р., Ву Дж., Джун Х., Луан Д., Суцкевер И. (2020) Генеративное предварительное обучение на основе пикселей. В: Материалы международной конференции по машинному обучению (ICML), стр. 1691–1703

    • Chen Z, Xu Q, Cong R, Huang Q (2020) Глобальная контекстно-зависимая сеть прогрессивного агрегирования для обнаружения существенных объектов. В: Труды конференции AAAI по искусственному интеллекту (AAAI), стр. 10599–10606. https://doi.org/10.1609/aaai.v34i07.6633

    • Ченг М.М., Митра Н.Дж., Хуанг Х., Торр П., Ху С.М. (2015) Обнаружение заметной области на основе глобального контраста. IEEE Trans Pattern Anal Mach Intell 37 (3): 569–582. https://doi.org/10.1109/TPAMI.2014.2345401

      Артикул Google ученый

    • Ченг М.М., Уоррелл Дж., Лин В.Ю., Чжэн С., Винит В., Крук Н. (2013) Эффективное обнаружение выступающих областей с помощью мягкой абстракции изображения. В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 1529–1536. основанное на визуальном обучении. В: Международная конференция IEEE по робототехнике и автоматизации (ICRA), стр. 2303–2309 https://doi.org/10.1109/ICRA.2016.7487379

    • Дезимон Р., Дункан Дж. (1995) Нейронные механизмы избирательного зрительного внимания. Энн Рев Невроски 18 (1): 193–222. https://doi.org/10.1146/annurev.neuro.18.1.193

      Статья Google ученый

    • Досовицкий А., Бейер Л., Колесников А., Вайссенборн Д., Хоулсби Н. (2021) Изображение стоит 16х16 слов: трансформеры для распознавания изображений в масштабе. В: Международная конференция по обучающим представлениям (ICLR)

    • Фан Д.П., Ченг М.М., Лю Ю., Ли Т., Борджи А. (2017) Структура-мера: новый способ оценки карт переднего плана.В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 4558–4567 https://doi.org/10.1109/ICCV.2017.487

    • Fan DP, Gong C, Cao Y, Ren B, Cheng MM, Borji A (2018) Мера расширенного выравнивания для оценки бинарной карты переднего плана. В: Международные совместные конференции по искусственному интеллекту (IJCAI), стр. 698–704 https://doi.org/10.24963/ijcai.2018/97

    • Feng M, Lu H, Ding E (2019) Внимательная сеть обратной связи для обнаружения заметных объектов с учетом границ.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 1623–1632 https://doi.org/10.1109/CVPR.2019.00172

    • Фу Дж., Чжэн Х., Мэй Т. видеть лучше: сверточная нейронная сеть с периодическим вниманием для мелкозернистого распознавания изображений. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 4476–4484 https://doi.org/10.1109/CVPR.2017.476

    • Hou Q, Cheng MM, Hu X, Borji A, Tu Z , Torr PH (2017) Глубоко контролируемое обнаружение заметных объектов с короткими соединениями.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 5300–5309 https://doi.org/10.1109/CVPR.2017.563

    • Huang L, Tan J, Liu J, Yuan J (2020) Hand-transformer: неавторегрессионное структурированное моделирование для трехмерной оценки позы руки. В: Европейская конференция по компьютерному зрению (ECCV), стр. 17–33 https://doi.org/10.1007/978-3-030-58595-2_2

    • Huang L, Tan J, Meng J, Liu J , Юань Дж. (2020) Hot-net: неавторегрессионный преобразователь для трехмерной оценки позы руки-объекта.В: Материалы международной конференции ACM по мультимедиа (MM), стр. 3136–3145 https://doi.org/10.1145/3394171.3413775

    • Itti L, Koch C, Niebur E (1998) Модель заметности — на основе визуального внимания для быстрого анализа сцены. IEEE Trans Pattern Anal Mach Intell 20 (11): 1254–1259. https://doi.org/10.1109/34.730558

      Статья Google ученый

    • Цзян Б., Чжан Л., Лу Х., Ян С., Ян М. Х. (2013) Обнаружение значимости с помощью поглощающей цепи Маркова.В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 1665–1672. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 2043–2050 https://doi.org/10.1109/CVPR.2013.266

    • Компелла А., Кулкарни Р.В. (2020) Слабо контролируемый многомасштабный повторяющийся сверточная нейронная сеть для обнаружения совпадений и косегментации. 32: 16571–16588.https://doi.org/10.1007/s00521-019-04265-y

    • Компелла А., Кулкарни Р.В. (2021) Рекуррентная нейронная сеть с частичным наблюдением для обнаружения заметных объектов на видео. 33: 2065–2083. https://doi.org/10.1007/s00521-020-05081-5

    • Li A, Zhang J, Lv Y, Liu B, Dai Y (2021) Совместное обнаружение заметных и замаскированных объектов с учетом неопределенности. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR)

    • Li G, Yu Y (2015) Визуальная значимость на основе многомасштабных глубоких функций.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 5455–5463 https://doi.org/10.1109/CVPR.2015.7299184

    • Li X, Yin X, Li C, Hu X, Zhang P , Чжан Л., Ван Л., Ху Х., Донг Л., Вэй Ф., Чой И., Гао Дж. (2020) Оскар: предварительная подготовка, ориентированная на семантику объекта, для задач на язык зрения. В: Европейская конференция по компьютерному зрению (ECCV), стр. 121–137 https://doi.org/10.1007/978-3-030-58577-8_8)

    • Li Y, Hou X, Koch C, Rehg JM , Юилле А.Л. (2014) Секреты сегментации заметных объектов.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 280–287 https://doi.org/10.1109/CVPR.2014.43

    • Liu JJ, Hou Q, Cheng MM (2020) Интеграция динамических функций для одновременного обнаружения выступающего объекта, края и скелета. Процесс преобразования изображений IEEE 29: 8652–8667. https://doi.org/10.1109/TIP.2020.3017352

      Статья Google ученый

    • Liu JJ, Hou Q, Cheng MM, Feng J, Jiang J (2019) Простой дизайн на основе пула для обнаружения существенных объектов в реальном времени.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 3912–3921 https://doi.org/10.1109/CVPR.2019.00404

    • Liu T, Yao S, Zhang M (2021) Auto-msfnet : поиск многомасштабной сети слияния для обнаружения заметных объектов. В: Материалы 29-й международной конференции ACM по мультимедиа

    • Liu Z, Lin Y, Cao Y, Hu H, Wei Y, Zhang Z, Lin S, Guo B (2021) Преобразователь Swin: иерархический преобразователь зрения с использованием сдвинутых окон . В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR)

    • Лонг Дж., Шелхамер Э., Даррелл Т. (2015) Полностью сверточные сети для семантической сегментации.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 3431–3440 https://doi.org/10.1109/CVPR.2015.7298965

    • Ma M, Xia C, Li J (2021) Сокращение пирамидальных элементов для обнаружения заметных объектов. В: Материалы конференции AAAI по искусственному интеллекту (AAAI), стр. 2311–2318

    • Мохаммади С., Нури М., Бахри А., Гофрани Маджелан С., Хаваи М. (2020) Cagnet: руководство с учетом содержимого для заметного объекта обнаружение. Распознавание образов. https://дои.org/10.1016/j.patcog.2020.107303

      Статья Google ученый

    • Pang Y, Zhao X, Zhang L, Lu H (2020) Многомасштабная интерактивная сеть для обнаружения заметных объектов. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 9410–9419 https://doi.org/10.1109/CVPR42600.2020.00943

    • Parmar N, Vaswani A, Uszkoreit J, Kaiser L, Shazeer N , Ку А, Тран Д (2018) Преобразователь изображения. В: Международная конференция по машинному обучению (ICML), стр.4055–4064

    • Perazzi F, Krähenbühl P, Pritch Y, Hornung A (2012) Фильтры заметности: фильтрация на основе контраста для обнаружения заметной области. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 733–740 https://doi.org/10.1109/CVPR.2012.6247743

    • Qin X, Zhang Z, Huang C, Dehghan M, Jagersand M (2020) U2-net: углубление с вложенной u-структурой для обнаружения заметных объектов. Распознавание образов. https://doi.org/10.1016/j.patcog.2020.107404

      Артикул Google ученый

    • Qin X, Zhang Z, Huang C, Gao C, Dehghan M, Jagersand M (2019) Basnet: обнаружение заметных объектов с учетом границ. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 7471–7481 https://doi.org/10.1109/CVPR.2019.00766

    • Шарфенбергер С., Вонг А., Клаузи Д.А. (2015). статистическая текстурная различимость для обнаружения заметных областей в естественных изображениях.IEEE Trans Image Process 24(1):457–470. https://doi.org/10.1109/TIP.2014.2380351

      MathSciNet Статья МАТЕМАТИКА Google ученый

    • Ши Дж., Ян К., Сюй Л., Цзя Дж. (2016) Обнаружение значимости иерархического изображения в расширенном cssd. IEEE Trans Pattern Anal Mach Intell 38 (4): 717–729. https://doi.org/10.1109/TPAMI.2015.2465960

      Статья Google ученый

    • Su J, Li J, Zhang Y, Xia C, Tian, ​​Y (2019) Избирательность или инвариантность: обнаружение заметных объектов с учетом границ.В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 3798–3807 https://doi.org/10.1109/ICCV.2019.00390

    • Sun J, Lu H, Liu X (2015). марковские вероятности поглощения. Процесс преобразования изображений IEEE 24 (5): 1639–1649. https://doi.org/10.1109/TIP.2015.2403241

      MathSciNet Статья МАТЕМАТИКА Google ученый

    • Teuber HL (1955) Физиологическая психология. Энн Рев Психол 6 (1): 267–96.https://doi.org/10.1146/annurev.ps.06.020155.001411

      Статья Google ученый

    • Тонг Н, Лу Х, Чжан Ю, Руан Х (2015) Обнаружение заметных объектов с помощью глобальных и локальных сигналов. Распознавание образов 48(10):3258–3267. https://doi.org/10.1016/j.patcog.2014.12.005

      Статья Google ученый

    • Ван Б., Чен К., Чжоу М., Чжан З., Джин С., Гай К. (2020) Сеть полировки прогрессивных признаков для обнаружения заметных объектов.В: Труды конференции AAAI по искусственному интеллекту (AAAI), стр. 12128–12135 https://doi.org/10.1609/aaai.v34i07.6892

    • Choi C (2020)Поиск сложных изображений, управляемый визуальной заметностью. Письмо о распознавании образов 130: 64–72. https://doi.org/10.1016/j.patrec.2018.08.010

      Статья Google ученый

    • Ван К., Лин Л., Лу Дж., Ли С., Ши К. (2015) Пиза: Попиксельное выделение изображения путем агрегирования дополнительных мер контрастности внешнего вида с сохранением краев.IEEE Trans Image Process 24(10):3019–3033. https://doi.org/10.1109/TIP.2015.2432712

      MathSciNet Статья МАТЕМАТИКА Google ученый

    • Ван К., Ма С., Чен Дж., Лу Дж. (2020) Выступающая регулировка пучка для визуального удара. arXiv:2012.11863

    • Ван Л., Лу Х., Ван И, Фэн М., Ван Д., Инь Б., Руан Х (2017) Обучение обнаружению заметных объектов с контролем на уровне изображения. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр.3796–3805 https://doi.org/10.1109/CVPR.2017.404

    • Ван В., Чжао С., Шен Дж., Хой Ш., Борджи А. (2019) Обнаружение заметных объектов с пирамидным вниманием и выступающими краями. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 1448–1457 https://doi.org/10.1109/CVPR.2019.00154

    • Wang Y, Xu Z, Wang X, Shen C, Cheng B , Shen H, Xia H (2021) Сквозная сегментация экземпляров видео с преобразователями. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR)

    • Wang Z, Du L, Zhang P, Li L, Wang F, Xu S, Su H (2018) Обнаружение и распознавание целей на основе визуального внимания для высоких изображения с разрешением sar в сложных сценах.IEEE Trans Geosci Remote Sens 56 (4): 1855–1872. https://doi.org/10.1109/TGRS.2017.2769045

      Статья Google ученый

    • Wang Z, Zhang Y, Liu Y, Liu S, Coleman S, Kerr D (2021) Mfc-net: многофункциональная кросс-нейронная сеть слияния для обнаружения заметных объектов. Image Vis Comput. https://doi.org/10.1016/j.imavis.2021.104243

      Статья Google ученый

    • Wei J, Wang S, Huang Q (2020) F3net: объединение, обратная связь и фокусировка для обнаружения заметных объектов.В: Материалы конференции AAAI по искусственному интеллекту (AAAI), стр. 12321–12328 https://doi.org/10.1609/aaai.v34i07.6916

    • Huang Q, Tian Q (2020) Структура разделения меток для обнаружения заметных объектов. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 13022–13031 https://doi.org/10.1109/CVPR42600.2020.01304

    • Wu Z, Su L, Huang Q (2019) Каскадный частичный декодер для быстрого и точного обнаружения заметных объектов.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 3902–3911 https://doi.org/10.1109/CVPR.2019.00403

    • Wu Z, Su L, Huang Q (2019) Многоуровневое перекрестное уточнение сеть для обнаружения заметных объектов с учетом границ. В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 7263–7272 https://doi.org/10.1109/ICCV.2019.00736

    • Wu Z, Su L, Huang Q (2021). обнаружение заметных объектов. Процесс преобразования изображений IEEE 30:6226–6239.https://doi.org/10.1109/TIP.2021.3093380

      Статья Google ученый

    • Yan Q, Xu L, Shi J, Jia J (2013) Иерархическое обнаружение значимости. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 1155–1162 https://doi.org/10.1109/CVPR.2013.153

    • Yang C, Zhang L, Lu H, Ruan X, Yang MH (2013) Обнаружение значимости с помощью ранжирования многообразия на основе графа. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр.3166–3173 https://doi.org/10.1109/CVPR.2013.407

    • Ян Ф, Ян Х, Фу Дж, Лу Х, Го Б (2020) Обучение сети преобразования текстур для сверхвысокого разрешения изображения. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 5791–5800

    • Yuan Y, Fu R, Huang L, Lin W, Zhang C, Xilin C, Wang J (2021) Hrformer: high- преобразователь зрения разрешения для плотного предсказания. В: Тридцать пятая конференция по нейронным системам обработки информации (NIPS)

    • Zeng Y, Fu J, Chao H (2020) Изучение совместных пространственно-временных преобразований для рисования видео.В: Европейская конференция по компьютерному зрению (ECCV), стр. 528–543 https://doi.org/10.1007/978-3-030-58517-4_31)

    • Zeng Y, Zhang P, Zhang J, Lin Z, Lu H (2019) На пути к обнаружению заметных объектов с высоким разрешением. В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 7233–7242 https://doi.org/10.1109/ICCV.2019.00733

    • Zhang Z, Cui Z, Xu C, Yan Y, Sebe N, Yang j (2019) Распространение по образцу по глубине, нормали к поверхности и семантическая сегментация.В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 4101–4110 https://doi.org/10.1109/CVPR.2019.00423

    • Zhao JX, Liu J, Fan DP, Cao Y, Yang J , Ченг М.М. (2019)Egnet: сеть наведения по краям для обнаружения заметных объектов. В: Международная конференция IEEE по компьютерному зрению (ICCV), стр. 8778–8787 https://doi.org/10.1109/ICCV.2019.00887

    • Zhao X, Pang Y, Zhang L, Lu H, Zhang L (2020 ) Подавление и балансировка: простая закрытая сеть для обнаружения заметных объектов.В: Европейская конференция по компьютерному зрению (ECCV), стр. 35–51 https://doi.org/10.1007/978-3-030-58536-5_3

    • Чжэн С., Лу Дж., Чжао Х., Чжу С. , Чжан Л. (2020) Переосмысление семантической сегментации с точки зрения от последовательности к последовательности с помощью преобразователей. arXiv:2012.15840

    • Zhong Z, Zheng L, Zheng Z, Li S, Yang Y (2018) Адаптация стиля камеры для повторной идентификации человека. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 5157–5166 https://doi.org/10.1109/CVPR.2018.00541

    • Zhou H, Xie X, Lai J.H, Chen Z, Yang L (2020) Интерактивный двухпоточный декодер для точного и быстрого определения значимости. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 9141–9150 https://doi.org/10.1109/CVPR42600.2020.00916

    • Zhou L, Zhou Y, Corso JJ, Socher R, Xiong C (2018) Сквозные плотные субтитры к видео с замаскированным трансформером. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR), стр.8739–8748 https://doi.org/10.1109/CVPR.2018.00911

    • Zhu H, Sheng B, Lin X, Hao Y, Ma L (2016) Обнаружение объектов переднего плана для обнаружения заметности. В: ACM на международной конференции по мультимедийному поиску (ICMR), стр. 111–118 https://doi.org/10.1145/2

      6.28

    • Zhu X, Su W, Lu L, Li B, Wang X, Dai J (2021) Деформируемый детектор: деформируемые преобразователи для сквозного обнаружения объектов. В: Международная конференция по обучающим представлениям (ICLR)

    • Лучший машинный перевод на уровне документов с помощью правила Байеса | Transactions of the Association for Computational Linguistics

      Из-за авторегрессионной факторизации языковой модели ( p LM ) и предположения о независимом переводе предложения в модели канала ( p TM ) мы можем выполнить процесс переранжирования с использованием стратегии поиска луча слева направо с помощью нашей модели предложения ( q ).Рисунок 2 иллюстрирует процесс декодирования. Для входного документа из 90 554 ℓ 90 555 предложений мы позволяем модели предложения предлагать 90 554 K 90 555 вариантов перевода для каждого предложения в документе. 2 Затем мы ищем наилучший путь документа через эту решетку — или сеть путаницы (Mangu et al., 2000) — возможных переводов предложений. Для этого поддерживаем луч B активных гипотез (т. е. при рассмотрении i -го предложения префикс состоит из i − 1 предложений), и рассматриваем однопредложение K предложения расширения (которые мы пишем y i ).Мы сохраняем B частичных переводов из K × B кандидатов в соответствии со следующей линейной целью:

      O(x_,y_ (4)где | г | обозначает количество токенов в предложении y , и где базовый случай O (x_, y_ <0, y 0 ) = 0. Обратите внимание, что уравнение. 4 является обобщением уравнения.3 в логарифмическом пространстве — если мы установим λ 1 = λ 3 = 0 и λ 2 = 1 и возьмем журнал уравнения 3, две цели эквивалентны. Дополнительные факторы — вероятность предложения и длина вывода — обеспечивают улучшения (например, путем калибровки ожидаемой длины вывода) и могут быть бесплатно включены в модель; они широко использовались в предыдущих работах (Koehn et al., 2007; Yu et al., 2017; Yee et al., 2019; Ng et al., 2019).Элементы на балке после рассмотрения 90 554 ℓ 90 555-го предложения пересчитываются в последний раз путем добавления logpLM(⟨stop⟩∣y_≤ℓ) к итоговому счету; это объясняет оценку языковой модели того, что документ-кандидат был должным образом завершен. 3

      Метод глубокого обучения для точной оценки состояния заряда литий-ионных аккумуляторов с использованием модели трансформатора с самоконтролем

    • Агентство по охране окружающей среды США, О. Источники выбросов парниковых газов .https://www.epa.gov/ghgemissions/sources-greenhouse-gas-emissions.

    • Луиза М., Сильвестр Д., Фавуцца С., Сансеверино Э. Р. и Зиззо Г. Как декарбонизация, цифровизация и децентрализация меняют ключевые энергетические инфраструктуры. Продлить. Поддерживать. Energy Rev. 93 , 483–498 (2018).

      Артикул Google ученый

    • Тео, Т., Кунце, О., Тео, К.С. и Вонг, Ю.Д. Декарбонизация городского грузового транспорта с использованием электромобилей и возможности зарядки. Сустейн. 10 , 3258 (2018).

      Артикул Google ученый

    • Беркманс, Г. и др. Прогноз стоимости современных литий-ионных аккумуляторов для электромобилей до 2030 года. Energies 10 , 1–20 (2017).

      Артикул Google ученый

    • Илотт, А. Дж., Мохаммади, М., Шауэрман, К. М., Гантер, М.Дж. и Джершоу, А. Состояние заряда литий-ионного аккумулятора и обнаружение дефектов с помощью магнитно-резонансной томографии на месте. Нац. коммун. 9 , 1776 (2018).

      ОБЪЯВЛЕНИЕ пабмед ПабМед Центральный Статья КАС Google ученый

    • Schmuch, R., Wagner, R., Hörpel, G., Placke, T. & Winter, M. Характеристики и стоимость материалов для автомобильных аккумуляторов на основе лития. Нац. Энергия 3 , 267–278 (2018).

      ОБЪЯВЛЕНИЕ КАС Статья Google ученый

    • Ханнан, Массачусетс и др. На пути к улучшенной оценке состояния заряда литий-ионных аккумуляторов с использованием оптимизированных методов машинного обучения. науч. Респ. 10 , 4687 (2020).

      ОБЪЯВЛЕНИЕ КАС пабмед ПабМед Центральный Статья Google ученый

    • Хау, Д.Н. Т., Ханнан, М. А., Липу, М. С. Х. и Кер, П. Дж. Оценка состояния заряда литий-ионных аккумуляторов с использованием методов, основанных на моделях и данных: обзор. IEEE Access 7 , 136116–136136 (2019 г.).

      Артикул Google ученый

    • Шривастава, П., Сун, Т.К., Идрис, М.Ю.И.Б. и Мехилеф, С. Обзор онлайн-оценки состояния заряда на основе модели с использованием семейства фильтров Калмана для литий-ионных аккумуляторов. Продлить. Поддерживать. Energy Rev. 113 , 109233 (2019 г.).

      КАС Статья Google ученый

    • Флейшер, К., Вааг, В., Бай, З. и Зауэр, Д. У. Самообучающееся прогнозирование доступной мощности для литий-ионных аккумуляторов в электромобилях. в IEEE Vehicle Power and Propulsion Conference , 370–375 (2012).

    • Ким В.Ю., Ли П.Ю., Ким Дж. и Ким К.С. Наблюдатель на основе нелинейной модели для оценки состояния заряда литий-ионной батареи в электромобилях. Энергия 12 , 1–20 (2019).

      Артикул КАС Google ученый

    • Озджан Г. и др. Онлайн-оценка состояния заряда литий-ионных аккумуляторов с использованием регрессии гауссовского процесса. в IECON Proceedings , 998–1003 (2016).

    • Чжэн, Л., Чжан, Л., Чжу, Дж., Ван, Г. и Цзян, Дж. Совместная оценка состояния заряда, емкости и сопротивления для литий-ионных аккумуляторов на основе высокой -верность электрохимической модели. Заяв. Энергия 180 , 424–434 (2016).

      КАС Статья Google ученый

    • Лай, X., Ван, С., Ма, С., Се, Дж. и Чжэн, Ю. Анализ чувствительности параметров и упрощение модели эквивалентной схемы для состояния заряда литий-ионных аккумуляторов. Электрохим. Acta 330 , 135239 (2020).

      КАС Статья Google ученый

    • Вырубал, П.и Казда, Т. Извлечение параметров модели эквивалентной схемы для литий-ионных аккумуляторов с использованием спектроскопии электрохимического импеданса. J. Хранение энергии 15 , 23–31 (2018).

      Артикул Google ученый

    • Хан, X., Оуян, М., Лу, Л. и Ли, Дж. Упрощение основанной на физике электрохимической модели литий-ионного аккумулятора на электромобиле. Часть II: Упрощение псевдодвумерной модели и оценка состояния заряда. J. Источники питания 278 , 814–825 (2015).

      ОБЪЯВЛЕНИЕ КАС Статья Google ученый

    • Lipu, M.S.H. и др. Оценка состояния заряда литий-ионных аккумуляторов на основе данных: алгоритмы, факторы внедрения, ограничения и будущие тенденции. Дж. Чистый. Произв. 277 , 124110 (2020).

      Артикул Google ученый

    • Ляо Л.& Köttig, F. Гибридная структура, сочетающая методы, основанные на данных и моделях, для прогнозирования остаточного срока полезного использования системы. Заяв. Мягкий компьютер. J. 44 , 191–199 (2016).

      Артикул Google ученый

    • Дэн З. и др. Оценка уровня заряда литий-ионных аккумуляторов на основе данных на основе регрессии гауссовского процесса. Энергетика 205 , 118000 (2020).

      Артикул Google ученый

    • Чен, Дж., Оуян, К., Сюй, К. и Су, Х. Дизайн наблюдателя за состоянием заряда на основе нейронной сети для литий-ионных аккумуляторов. IEEE Trans. Система управления Технол. 26 , 313–320 (2018).

      Артикул Google ученый

    • Альварес Антон, Дж. К., Гарсия Ньето, П. Дж., Бланко Вьехо, К. и Вилан Вилан, Дж. А. Машины опорных векторов, используемые для оценки состояния заряда батареи. IEEE Trans. Силовой электрон. 28 , 5919–5926 (2013).

      ОБЪЯВЛЕНИЕ Статья Google ученый

    • Lipu, M.S.H. и др. Модель экстремальной обучающей машины для оценки состояния заряда литий-ионной батареи с использованием алгоритма гравитационного поиска. IEEE Trans. инд. заявл. 55 , 4225–4234 (2019).

      Артикул Google ученый

    • Сахиноглу Г. О. и др. Оценка состояния заряда батареи на основе регрессии регулярного/рекуррентного гауссовского процесса. IEEE Trans. Инд. Электрон. 65 , 4311–4321 (2018).

      Артикул Google ученый

    • Цуй, Д. и др. Новый интеллектуальный метод оценки состояния заряда литий-ионных аккумуляторов с использованием нейронной сети на основе дискретного вейвлет-преобразования. Энергия 11 , 995 (2018).

      Артикул Google ученый

    • Липу, М.S. H. и др. Оценка состояния заряда литий-ионной батареи с использованием рекуррентного алгоритма поиска освещения на основе модели нейронной сети NARX. IEEE Access 6 , 28150–28161 (2018 г.).

      Артикул Google ученый

    • Lipu, M.S.H. и др. Оценка состояния заряда литий-ионных аккумуляторов: подход к оптимизации нейронной сети. Электроника 9 , 1546 (2020).

      КАС Статья Google ученый

    • Чжэн, В. и др. Оценка состояния заряда мощной литий-ионной батареи с использованием наблюдателя скользящего режима с нечеткой логикой. Энергия 12 , 2491 (2019).

      КАС Статья Google ученый

    • Lipu, M.S.H. и др. Интеллектуальные алгоритмы и стратегии управления для системы управления батареями в электромобилях: прогресс, проблемы и перспективы на будущее. Дж. Чистый. Произв. 292 , 126044 (2021).

      Артикул Google ученый

    • How, D.N.T. и др. Оценка состояния заряда литий-ионных аккумуляторов в электромобилях: метод глубокой нейронной сети. IEEE Trans. инд. заявл. 56 , 5565–5574 (2020).

      КАС Статья Google ученый

    • Ханнан, М.А. и др. Оценка SOC литий-ионных аккумуляторов с глубокой полностью сверточной сетью с оптимизированной скоростью обучения. IEEE Trans. Силовой электрон. 36 , 7349–7353 (2021).

      ОБЪЯВЛЕНИЕ Статья Google ученый

    • Ханнан, Массачусетс и др. Оценка состояния заряда литий-ионной батареи с использованием закрытого рекуррентного блока с политикой скорости обучения за один цикл. IEEE Trans. инд. заявл. 57 , 2964–2971 (2021).

      КАС Статья Google ученый

    • Чемали, Э., Коллмейер, П.Дж., Прейндл, М., Ахмед, Р. и Эмади, А. Сети с долговременной кратковременной памятью для точной оценки состояния заряда литий-ионных аккумуляторов. IEEE Trans. Инд. Электрон. 65 , 6730–6739 (2018).

      Артикул Google ученый

    • Чемали, Э., Коллмейер, П.Дж., Прейндл, М.и Эмади, А. Оценка состояния заряда литий-ионных аккумуляторов с использованием глубоких нейронных сетей: подход машинного обучения. J. Источники питания 400 , 242–255 (2018).

      ОБЪЯВЛЕНИЕ КАС Статья Google ученый

    • Ян, Ф., Ли, В., Ли, К. и Мяо, К. Оценка состояния заряда литий-ионных аккумуляторов на основе рекуррентной нейронной сети со стробированием. Энергетика 175 , 66–75 (2019).

      Артикул Google ученый

    • Хуанг З., Ян Ф., Сюй Ф., Сун С. и Цуй К.-Л. Сверточная вентилируемая рекуррентная единично-рекуррентная нейронная сеть для оценки состояния заряда литий-ионных аккумуляторов. IEEE Access 7 , 93139–93149 (2019 г.).

      Артикул Google ученый

    • Чжан З. и др. Усовершенствованный рекуррентный метод с двунаправленным стробированием для точной оценки состояния заряда. IEEE Access 9 , 11252–11263 (2021 г.).

      Артикул Google ученый

    • Сяо, Б., Лю, Ю. и Сяо, Б. Подход к точной оценке состояния заряда литий-ионных аккумуляторов с помощью рекуррентного устройства с вентилируемым затвором и ансамблевым оптимизатором. IEEE Access 7 , 54192–54202 (2019 г.).

      Артикул Google ученый

    • Сонг, X., Ян, Ф., Ван, Д. и Цуй, К.Л. Комбинированная сеть CNN-LSTM для оценки состояния заряда литий-ионных аккумуляторов. IEEE Access 7 , 88894–88902 (2019 г.).

      Артикул Google ученый

    • Холмберг О. Г. и др. Прогнозирование толщины сетчатки с самоконтролем позволяет проводить глубокое обучение на основе немаркированных данных, чтобы улучшить классификацию диабетической ретинопатии. Нац. Мах. Интел. 2 , 719–726 (2020).

      Артикул Google ученый

    • Бхаттачарджи, А., Верма, А., Мишра, С. и Саха, Т.К. Оценка состояния заряда аккумуляторов xEV с использованием одномерных сверточных нейронных сетей и трансферного обучения. IEEE Trans. Вех. Технол. 70 , 3123–3135 (2021).

      Артикул Google ученый

    • Рен, X., Лю, С., Ю, X. и Донг, X. Метод оценки состояния заряда литий-ионных аккумуляторов на основе PSO-LSTM. Энергетика 234 , 121236 (2021).

      Артикул Google ученый

    • Ли, С. и др. Оценка состояния заряда литий-ионных аккумуляторов в процессе их деградации на основе рекуррентной нейронной сети. Энергия 14 , 306 (2021).

      КАС Статья Google ученый

    • Бази Ю., Башмал Л., Аль Раххал М. М., Аль Дайил Р. и Аль Аджлан Н. Преобразователи зрения для классификации изображений дистанционного зондирования. Дистанционный датчик 13 , 1–20 (2021 г.).

      Артикул Google ученый

    • Попель М. и др. Преобразование машинного перевода: система глубокого обучения достигает качества перевода новостей, сравнимого с человеческими профессионалами. Нац. коммун. 11 , 1–15 (2020).

      Артикул КАС Google ученый

    • Тетко И.В., Карпов П., Ван Деурсен Р. и Годин Г. Современные модели расширенного НЛП-преобразователя для прямого и одноэтапного ретросинтеза. Нац. коммун. 11 , 1–11 (2020).

      Артикул КАС Google ученый

    • Ын, Д. и др. Повышение качества изображения магнитно-резонансной томографии сосудистой стенки на основе глубокого обучения: сравнение самоконтролируемого и неконтролируемого подходов. науч. 10 , 1–17 (2020).

      Артикул КАС Google ученый

    • Хе К., Чжан Х., Рен С. и Сун Дж. Глубокое остаточное обучение для распознавания изображений. в материалах конференции IEEE Computer Society по компьютерному зрению и распознаванию образов , 770–778 (2016).

    • Weimann, K. & Conrad, T.O.F. Перенос обучения для классификации ЭКГ. науч. 11 , 1–12 (2021).

      Артикул КАС Google ученый

    • Исмаил Фаваз, Х. и др. InceptionTime: Поиск AlexNet для классификации временных рядов. Данные Мин. Знай. Дисков. 34 , 1936–1962 (2020).

      MathSciNet Статья Google ученый

    • Ван, З., Ян, В. и Оутс, Т. Классификация временных рядов с нуля с помощью глубоких нейронных сетей: надежная основа.в Международная объединенная конференция по нейронным сетям 1578–1585 (2017).

    • Цзяо, М., Ван, Д. и Цю, Дж. Алгоритм оптимизации импульса на основе GRU-RNN для оценки SOC. J. Источники питания 459 , 228051 (2020).

      КАС Статья Google ученый

    • Вей, М., Йе, М., Ли, Дж. Б., Ван, К. и Сюй, X. Оценка состояния заряда литий-ионных аккумуляторов с использованием нейронных сетей LSTM и NARX. Доступ IEEE 8 , 189236–189245 (2020 г.).

      Артикул Google ученый

    • Ву, Дж., Ли, Т., Чжан, Х., Лэй, Ю. и Чжоу, Г. Исследования по моделированию и оценке SOC литий-железо-фосфатной батареи при низкой температуре. Energy Procedia 1 , 556–561 (2018).

      Артикул КАС Google ученый

    • Видаль, К. и др. Надежная схема оценки состояния заряда батареи xEV с использованием глубокой нейронной сети с прямой связью. SAE Тех. Пап. (2020).

    • Гудфеллоу И., Бенжио Ю. и Курвиль А. Deep Learning (MIT Press, 2020).

      МАТЕМАТИКА Google ученый

    • Васвани, А. и др. Внимание — это все, что вам нужно. Доп. Нейронная инф. Обработать. Сист. 1 , 5999–6009 (2017).

      Google ученый

    • Зервеас, Г., Джаяраман, С., Патель, Д., Бхамидипати, А. и Эйкхофф, К. Платформа на основе преобразователя для обучения представлению многомерных временных рядов (Springer, 2020).

      Google ученый

    • Геринг, Дж., Аули, М., Грангье, Д., Яратс, Д. и Дофин, Ю. Н. Сверточная последовательность для обучения последовательности. Междунар.конф. Мах. Учить. 3 , 2029–2042 (2017).

      Google ученый

    • Карон, М., Бояновски, П., Майрал, Дж. и Джоулин, А. Неконтролируемое предварительное обучение функций изображения на некурируемых данных. Проц. Международный IEEE. конф. вычисл. Вис. 2019 , 2959–2968 (2019).

      Google ученый

    • Ли, З., Лю, К. и Арора, С. Согласование современного глубокого обучения с традиционным анализом оптимизации: внутренняя скорость обучения (Springer, 2020).

      Google ученый

    • Смит, Л. Н. Циклические скорости обучения для обучения нейронных сетей. Зимняя конференция IEEE. заявл. вычисл. Вис. 1 , 464–472 (2015).

      Google ученый

    • Лю, Л. и др. О дисперсии скорости адаптивного обучения и выше (Springer, 2019).

      Google ученый

    • Чжан М.Р., Лукас, Дж., Хинтон, Г. и Ба, Дж. Упреждающий оптимизатор: k шагов вперед, 1 шаг назад. Доп. Нейронная инф. Обработать. Сист. 32 , 1–10 (2019).

      КАС Google ученый

    • Валери, Дж. А. и др. Фреймворки глубокого обучения «последовательность-функция» для инженерных риборегуляторов. Нац. коммун. 11 , 1–14 (2020).

      Артикул КАС Google ученый

    • Чжан П., Ян, Л. и Ли, Д. EfficientNet-B4-Ranger: Новый метод распознавания болезней огурцов в теплицах в сложной природной среде. Вычисл. Электрон. Агр. 176 , 105652 (2020).

      Артикул Google ученый

    • Бао Ю. и др. Распознавание именованных объектов в области проектирования самолетов на основе глубокого обучения. в Конспекты лекций по информатике (включая подсерию Конспекты лекций по искусственному интеллекту и Конспекты лекций по биоинформатике) vol.12432 LNCS 333–340 (Springer, 2020).

    • Лощилов И. и Хаттер Ф. SGDR: Стохастический градиентный спуск с теплыми перезапусками. в Международной конференции по образовательным представлениям 1–6 (2016).

    • Пашке А. и др. PyTorch: императивный стиль, высокопроизводительная библиотека глубокого обучения. Доп. Нейронная инф. Обработать. Сист. 32 , 1–10 (2019).

      Google ученый

    • Торрес, Дж.Ф., Хаджут Д., Себаа А., Мартинес-Альварес Ф. и Тронкосо А. Глубокое обучение для прогнозирования временных рядов: обзор. Большие данные 9 , 3–21 (2021).

      ПабМед Статья Google ученый

    • TrainModules (R)

      бренд охватывает все модели железных дорог и моделирования. Пожалуйста, просмотрите наши продукты или выберите категорию ниже:

      Серводекодер XL Pol (4 сервопривода, поляризованный) (TM-73735)

      Экономичное решение с 4 серводекодерами для больших областей переключения.Декодер получает команды управления от цифрового центра и изменяет свой сервовыход и релейный выход (в центре движения). Благодаря переключению реле центрального положения… » Подробнее

      Декодер локомотива с регулируемой нагрузкой (TM-56231)

      Декодер локомотива с регулируемой нагрузкой с 6 функциональными выходами и выходом привода двигателя 1 А.
      — Адресуется от 1 до 9999
      — Поддерживает функции и адрес
      — Поддерживает связь RailCom BiDi
      — Улучшенный, высокочастотный и… » Подробнее

      Дополнительный декодер DCC/Motorola (TM-22332)

      Дополнительный декодер для стрелочных переводов, сигналов или фонарей.
      Используется:
      — Две стрелочные переводы
      — Два сигнала кадра

      Раздельный ввод питания и сигнала DCC…. » Подробнее

      Цифровое и аналоговое освещение вагона (TM-22753)

      Цифровое освещение вагона, которое программируется на любой адрес локомотива или любой номер функции…. » Подробнее

      Декодер сигналов (TM-74433)

      Для венгерских двух-, трех- или четырехформатных сигналов с сигналом вызова (мигающий белый).
      Также имеет релейный выход для секций автоматической остановки перед красным сигналом. И некоторые входы для внешнего управления. (Следующий сигнал красный, занятость следующего блока, м… » Подробнее

      Мини-декодер для локомотивов (TM-56232)

      Мини-декодер с регулируемой нагрузкой, только с функцией F0 и мощностью двигателя.Может быть установлен на многие локомотивы колеи ТТ или N…. » Подробнее

      Миниатюрный серводекодер (TM-73736) — УСТАНОВЛЕН

      Серводекодер и контроллер в одном! Комбинированный DCC и разъем питания для меньшего и более компактного дизайна.
      Модуль получает питание и сигнал управления с выходов шины командной станции. Два независимых сервопривода (и стрелочный перевод) могут управляться с… » Подробнее

      Серводекодер XL (4 сервопривода) (TM-73734) — УСТАНОВЛЕН

      Экономичное решение с 4 серводекодерами для больших областей переключения.Декодер получает команды управления от цифрового центра и изменяет свой выход сервопривода…. » Подробнее
      Альтернатива, замена: Серводекодер XL Pol (4 сервопривода, поляризованный)

      Контроллер сервопривода и декодер (TM-73733) — УСТАНОВЛЕН

      Может управлять двумя сервоприводами с дистанционным управлением. Модуль оснащен двумя реле, которые могут поляризовать стрелочный перевод и переключать любую нагрузку в двух крайних положениях (один изменяющийся контакт реле).
      С помощью двух внешних входов также можно управлять движением сервопривода…. » Подробнее
      Альтернатива, замена: Мини-серводекодер, Серводекодер XL Pol (4 сервопривода, поляризованный)

      Концентратор RJ12 (TM-75124)

      Концентратор RJ12 для шины LocoNet и XpressNet. Розетки RJ подключены параллельно, а внутренняя проводка совместима с XpressNet (X-Bus) и системой LocoNet. В системе XpressNet этот модуль можно использовать для распределения ведомой сети более чем… » Подробнее

      Драйвер двигателя для дополнительного декодера (TM-23661)

      Панель привода двигателя для дополнительных декодеров.
      С помощью этой панели вспомогательный декодер может управлять подстольными стрелочными переводами с приводом от двигателя. Такие как: Tillig Elite, Conrad и др…. » Подробнее

      Трансформатор 230 В/16 В переменного тока (80 ВА) (TM-87380)

      Полностью защищенный и безопасный трансформатор для аксессуаров, светильников, стрелочных переводов. Может использоваться в аналоговых и цифровых системах. Для удобства крепления трансформатор имеет 4 монтажных отверстия, а для вывода проводки имеется клеммная розетка…. » Подробнее

      Источник тока LocoNet (Pullup) (TM-56276)

      В больших системах LocoNet источник тока LocoNet может быть важной частью сети.Многие устройства в сети LocoNet вызывают более низкую скорость нарастания сигнала, что приводит к неправильной работе…. » Подробнее

      Фильтр пиков DCC (TM-32273)

      На длинных участках рельса без оконечной нагрузки отражения источника питания могут вызвать нежелательные операции декодера. Этот фильтр может уменьшить переходный сигнал на макетах моделей железных дорог…. » Подробнее

      Автоматический выключатель, автоматический выключатель DCC (TM-28868)

      Модуль должен быть подключен между усилителем и отдельной секцией, защищенной от короткого замыкания.Сортировка цепи индицируется звуковыми сигналами и миганием светодиода, а выход отключается. После короткого замыкания модуль автоматически включит его’… » Подробнее

      Миниатюрный цифровой осциллограф (TM-64643)

      Миниатюрный цифровой запоминающий осциллограф для простого вывода усилителя, проверки LocoNet Pull-up и LocoNet Syncron.
      Осциллограф можно использовать без ограничения мощности или проблем с заземлением благодаря встроенной перезаряжаемой батарее…. » Подробнее

      Обратная связь о занятости блока, 8 каналов (LocoNet) (TM-56322)

      Детектор занятости блока и модуль обратной связи для шины LocoNet.
      Независимо программируемый адрес обратной связи для 8 входов.
      Модуль отправляет широковещательное сообщение «Обратная связь» в LocoNet…. » Подробнее

      Модуль обратного контура и треугольника (TM-73856)

      В цифровой и традиционной схемах постоянного тока основной проблемой является короткое замыкание обратной полярности, которое вызывает образование контура или треугольника.Этот модуль может обнаруживать падение напряжения короткого замыкания и немедленно менять полярность отдельных… » Подробнее

      Цифровой усилитель II. (TM-26782)

      Цифровой усилитель с выходом 3 А. Несколько входов могут принимать разъем XpressNet (Roco, Lenz), 3-полюсный разъем Lenz, разъем LocoNet, разъем синхронизации DCC Rail.
      Автоматическое восстановление после короткого замыкания, автоматическое отключение при недействительном сигнале DCC…. » Подробнее

      Модуль обратной связи (S88 через RJ45) (TM-78832)

      Модуль обратной связи с новыми стандартными разъемами S88 через RJ45 (S88-N).
      Модуль имеет 8 независимых входов с фильтром пиков. В розетку RS45 можно подключить обычный кабель CAT5 (Ethernet) для подключения к центральному или компьютерному интерфейсу…. » Подробнее

      Обратная связь о занятости блока, 4 канала (LocoNet) (TM-56321) — ИСКЛЮЧЕН

      Детектор занятости блока и модуль обратной связи для шины LocoNet.
      Независимо программируемый адрес обратной связи для 4 входов.
      Модуль отправляет широковещательное сообщение «Обратная связь» в LocoNet…. » Подробнее
      Альтернатива, замена: Блок обратной связи о занятости, 8 каналов (LocoNet)

      Цифровой усилитель (TM-26781) — ИСКЛЮЧЕН

      Цифровой усилитель с выходом 3 А. Несколько входов могут принимать разъем XpressNet (Roco, Lenz), 3-полюсный разъем Lenz, разъем LocoNet, разъем синхронизации DCC Rail.
      Автоматическое восстановление после короткого замыкания, автоматическое отключение при недействительном сигнале DCC…. » Подробнее
      Альтернатива, замена: Цифровой усилитель II.

      SmartLIO — Пульт управления (LocoNet) (TM-75461)

      Внешние переключатели могут управлять вспомогательными декодерами — стрелочными переводами, светодиоды могут указывать на занятость блока, обратную связь о стрелочном переводе и т. д.
      Аналоговые входы могут управлять локомотивом, световыми извещателями.
      С помощью этого модуля мы можем легко создать пульт управления тур… » Подробнее

      Shadow-station — модуль управления рельсами (TM-77202)

      Модуль управления рельсами может управлять двумя отдельными путями и двумя соленоидами.Главный модуль теневой станции управляет несколькими железнодорожными модулями для автоматизированного движения поездов…. » Подробнее

      Контроллер челночного поезда (TM-78261)

      Модуль челночного поезда для аналоговой системы может управлять участком пути для челночного поезда вперед и назад. Он имеет независимый от длины поезда метод остановки (рельсовые контакты или ИК-датчики) для более реалистичных поездов и регулируемый таймер для автоматической… » Подробнее

      Аналоговый контроллер тормозов и станций (TM-22272)

      С помощью этого модуля в аналоговой системе можно создавать зависимые от направления автоматически останавливаемые и запускаемые (с ускорением) поезда.Скорость ускорения и замедления, а также задержку автоматического запуска можно регулировать с помощью потенциометров. Вместо… » Подробнее

      Станция тени — главный модуль управления (TM-77203)

      Главный контроллер станции тени отправляет команды на модули управления рельсами для состояния соленоида и включения питания секций. Главный контроллер имеет интерфейс LocoNet, и благодаря этой функции им можно управлять с помощью цифровых систем и состояния соленоидов a… » Подробнее

      Разъем LocoNet модуля + информационная панель (TM-37871)

      В схемах цифровых модулей разъем FRED — это первое, что вам нужно.
      Три контрольных светодиода показывают состояние вашей шины LocoNet (хороший уровень напряжения, хороший сигнал railsync и состояние дорожки (общее питание включено / глобальное питание выключено)
      В… » Подробнее

      Цифровой центр NaWi (TM-62946)

      Цифровой центр NaWi — настоящая новинка в мире цифрового управления.Благодаря количеству интерфейсных соединений цифровой центр NaWi может обслуживать несколько устройств. Интерфейсы: LocoNet, X-Bus / XpressNet, CAN, NMRANet, S88-N, Lenz CDE, Ethernet, USB…. » Подробнее

      NaWi — Беспроводной ручной контроллер (TM-62944)

      — Пока только для тестирования -… » Подробнее

      NaWi — беспроводной концентратор (16 каналов) (TM-62945)

      Получите 16 беспроводных ручных контроллеров и преобразуйте беспроводную связь в шину LocoNet…. » Подробнее

      Интерфейс XpressNet и S88 для ПК (TM-54101)

      Интерфейс ПК, полностью совместимый с Lenz LI101, с разъемом S88 через Ethernet. Этот модуль дает возможность управления компьютером через интерфейс USB. С интерфейсом XpressNet можно подключиться к системам Roco multimaus или Lenz…. » Подробнее

      Внутренний свет дома (холодный белый) (TM-57401)

      Универсальный модуль внутреннего освещения дома можно использовать для приведения различных строений макета модели поезда.Питание светодиода от источника тока обеспечивает постоянный уровень освещенности модуля, не зависящий от входного напряжения…. » Подробнее

      Внутреннее освещение дома (теплый белый) (TM-57402)

      Универсальный модуль внутреннего освещения дома можно использовать для приведения различных строений макета модели поезда. Питание светодиода от источника тока обеспечивает постоянный уровень освещенности модуля, не зависящий от входного напряжения…. » Подробнее

      Диммер для светодиодной ленты (12 В) (TM-53371)

      Этот диммер подходит для стандартных светодиодных лент на 12 В для изменения яркости (в комплект поставки не входит светодиодная лента).Яркость светодиодной ленты можно плавно регулировать с помощью встроенного потенциометра от 1% до 99%…. » Подробнее

      Контроллер железнодорожного переезда (TM-72427)

      Полный контроллер освещения, шлагбаума и вагонной системы для железнодорожного переезда с разделенными рельсами. Этот модуль является каскадным, его можно расширить на неограниченное количество параллельных рельсов.
      Входными датчиками могут быть герконовые переключатели отражения или ручные переключатели… » Подробнее

      Контроллер светофора (TM-87235)

      Контроллер светофора европейского стандарта, с магнитным управлением Car System.
      Двусторонняя транспортная развязка с указателями.
      Задержанные выходные данные Car System вызывают более реалистичный эффект…. » Подробнее

      Звуковой проигрыватель 2 (TM-76876)

      Звуковой проигрыватель с 4 входами. Встроенная вспышка может хранить до 47 секунд звука. Может запускаться переключателем отражения, ручными переключателями или любым другим декодером. Звуки также могут быть запущены с помощью команд стрелочного перевода DCC. Воспроизводимый формат — пользовательский… » Подробнее

      Мини-контроллер освещения (TM-54426)

      Может управлять многими световыми эффектами, такими как:
      — Огонь
      — Сварка
      — ТВ
      — Газовая лампа
      — Неоновые огни

      Световые эффекты имеют разные идентификаторы заказа…. » Подробнее

      Имитатор лампы (TM-52674)

      Имитация медленного свечения и медленного мерцания.
      Этот модуль должен быть подключен между дешифратором сигнала и световым сигналом.Светодиоды на выходах этого модуля ведут себя как обычные лампочки, и этот эффект такой же, как у старого светового знака… » Подробнее

      Источник тока для светодиодов (TM-28776)

      Этот модуль может управлять светодиодами постоянным током. Яркость постоянна, не зависит от входного напряжения. Этот модуль может быть полезен в аналоговых системах…. » Подробнее

      Сильноточный мигающий сигнализатор (TM-25465)

      Регулируемый мигающий сигнал времени и периода.Время и период непрерывно настраиваются в диапазоне от 100 мс до 5 с.
      Во-вторых, сильноточный выход может управлять чем угодно до 1 А…. » Подробнее

      Контроллер ходовых огней (TM-78654)

      Контроллер ходовых огней с 10 отдельными выходами. Модуль зажигает светодиоды друг за другом.
      Регулируемая скорость потенциометра триммера и выбираемое количество светодиодов…. » Подробнее

      Минифонарь (TM-64352)

      Миниатюрный очень короткоимпульсный фонарик.Идеально подходит для сигнальных фонарей высотных зданий, световых мачт, штормовых сигналов, рекламы и т. д.
      Импульс включения светодиода очень короткий, около нескольких мс…. » Подробнее

      Звуковой проигрыватель (TM-76875) — СНЯТЫЙ

      Звуковой проигрыватель с 4 входами. Встроенная вспышка может хранить до 47 секунд звука.
      Может запускаться переключателем отражения, ручными переключателями или любым другим декодером.
      Воспроизводимый формат является пользовательским, но загрузчик ПК может конвертировать с любого носителя… » Подробнее
      Альтернатива, замена: Звуковой проигрыватель 2

      Универсальный таймер и задержка (TM-86481)

      Идеально подходит для синхронизации и увеличения импульсов. Задержку и время увеличения импульса можно регулировать с помощью двух подстроечного потенциометра в широком диапазоне.
      Выходы модуля могут управлять любой нагрузкой до 1А.
      Первая стадия (импульсная растяжка): 200 мс — 11 сек
      … » Подробнее

      Консоль держателя сервопривода (TM-73461)

      Необходим для безопасной и простой установки сервопривода под столом.Совместим с несколькими типами сервоприводов 9g, а 3 различных положения отверстий из пружинной стали гарантируют идеальное положение пружинной стали…. » Подробнее

      Расширитель с реле (TM-73539)

      2 независимых канала сильноточного релейного расширителя для наших модулей управляющих выходов. Может использоваться с датчиком присутствия блока, датчиком отражения объекта и т. д…. » Подробнее

      Микросервопривод (9 г) (TM-73781)

      Идеально подходит для стрелочных переводов под столом.Рекомендуется для наших модулей серводекодера и контроллера…. » Подробнее

      Универсальный релейный модуль (TM-87351)

      Универсальная бистабильная релейная плата с множеством выходов и контактов для любых целей в аналоговой или цифровой системе. Может использоваться для автоматических сигналов, стрелочных переводов и т. д…. » Подробнее

      Сервоконтроллер (TM-73726)

      Простой сервоконтроллер с двумя внешними входами.
      Регулируемые две конечные точки и изменение скорости…. » Подробнее

      Панель декодера Loc (TM-56271)

      Простая панель с разъемом NEM652 для удобного подключения декодера на старых нецифровых локомотивах…. » Подробнее

      Блок питания для камеры-обскуры (TM-22677)

      Стабилизированный блок питания 9 В и зарядное устройство для миниатюрных камер-обскуры. Используется на аналоговом и цифровом макете.
      Этот модуль имеет стабилизированное выходное напряжение и миниатюрное зарядное устройство для аккумуляторов 9В (8,4В). Зарядка аккумулятора важна для… » Подробнее

      Пластина для крепления рельсов (H0) (TM-87220)

      Эта печатная плата предназначена для крепления рельсов для макетов моделей поездов и макетов модулей (например, FREMO). Важна правильная и точная фиксация. В основном для рельсов PECO, PIKO и ROCO, но может подойти и для любых других марок, благодаря стандартному размеру.
      В… » Подробнее

      Часы с переменной скоростью (TM-25625)

      Эти часы необходимы для систем FREMO, где важны глобальные и точные часы. Часы имеют разъем LocoNet для глобального синхронизированного временного кода (слот временного кода loconet) и дополнительный приемник DCF/GPS. Может работать независимо … » Подробнее

      Многоветвевая гибридная трансформирующая сеть для сегментации эндотелиальных клеток роговицы | МИККАИ 2021

      Китти К.Вонг

      Инлинь Чжан, Риса Хигашита, Хуажу Фу, Янву Сюй, Ян Чжан, Хаофэн Лю, Цзянь Чжан, Цзян Лю

      Сегментация эндотелиальных клеток роговицы играет жизненно важную роль в количественное определение клинических показателей, таких как плотность клеток, коэффициент вариации, и шестиугольность. Однако неравномерное отражение эндотелия роговицы а тремор и движение субъекта вызывают размытие краев клеток в изображение, которое сложно сегментировать и которое требует дополнительных деталей и контекста информацию, чтобы решить эту проблему.Из-за ограниченного рецептивного поля локальная свертка и непрерывная субдискретизация, существующие методы сегментации глубокого обучения не могут в полной мере использовать глобальный контекст и упустить много деталей. В этом документе предлагается многоветвевая гибридная трансформаторная сеть (MBT-Net), основанная на трансформаторе и границе корпуса. ветвь. Во-первых, мы используем сверточный блок, чтобы сосредоточиться на извлечении локальных признаков текстуры и установить долгосрочные зависимости в пространстве. канал, и слой трансформатором и остаточным соединением.Помимо, мы используем ветвь body-edge, чтобы обеспечить локальную согласованность и обеспечить информация о положении края. На самостоятельно собранном наборе данных TM-EM3000 и общедоступный набор данных Alisarine по сравнению с другими современными данными (SOTA) методы, предлагаемый метод обеспечивает улучшение.

      DOI: https://doi.org/10.1007/978-3-030-87193-2_10

      SharedIt: https://rdcu.be/cyhLC

      Н/Д

      Н/Д


      Обзор #1

      • Пожалуйста, опишите вклад статьи

        В этом документе представлено расширение стандартной сети UNet для медицинской сегментации, состоящее из двух основных ветвей, первая из которых представляет собой ветвь гибридного преобразователя свертки, которая используется для точной передачи информации ближнего и дальнего действия, а другая — ветвь края тела. , которая работает как вспомогательная задача и предсказывает границу ячейки.

      • Перечислите основные достоинства бумаги; вы должны написать о новой формуле, оригинальном способе использования данных, демонстрации клинической осуществимости, новом применении, особенно сильной оценке или о чем-то еще, что является сильным аспектом этой работы. Пожалуйста, предоставьте подробности, например, если метод является новым, объясните, какой аспект является новым и почему это интересно.
        1. Авторы исследуют архитектуру преобразователя в области медицинской сегментации.
        2. Бумага хорошо написана и организована
        3. Подход показал улучшения в двух наборах данных по сравнению с другими традиционными методами, такими как UNet, UNet++
      • Перечислите основные недостатки бумаги. Пожалуйста, предоставьте подробности, например, если вы считаете, что метод не является новым, объясните, почему, и предоставьте ссылку на предыдущую работу.
        1. Немного не хватает академической новизны, во-первых, ветка трансформатора просто вставляет остаточный блок преобразователя (преобразователь-кодировщик) из [14] в центральный модуль UNet и не делает специфического дизайна для задачи сегментации ячеек.Во-вторых, уже принято добавлять вспомогательную головку для предсказания границы объектов и дополнять ее соответствующие признаки к основным признакам сегментации.
        2. Помимо производительности, как новой сетевой архитектуры, авторы не предоставили каких-либо сравнительных показателей, таких как параметры и провалы, при сравнении с другими лучшими методами.
      • Пожалуйста, оцените ясность и организацию этого документа

        Очень хорошо

      • Пожалуйста, прокомментируйте воспроизводимость бумаги.Обратите внимание, что авторы заполнили контрольный список воспроизводимости при подаче. Имейте в виду, что авторы не обязаны соответствовать всем критериям в контрольном списке. Например, предоставление кода и данных является плюсом, но не требованием для принятия .

        Очень четкое описание, можно воспроизвести

      • Пожалуйста, предоставьте подробные и конструктивные комментарии для авторов. Пожалуйста, также обратитесь к нашему руководству для рецензентов о том, что такое хороший обзор: https://miccai2021.org/en/REVIEWER-GUIDELINES.html
        1. Предлагаемая ветка трансформатора имеет аналогичную конструкцию с работой: Чен, Дж., Лу, Ю., Ю, К., Луо, X., Адели, Э., Ван, Ю., … и Чжоу, Ю. (2021). Transunet: Преобразователи создают надежные кодировщики для сегментации медицинских изображений. Препринт arXiv arXiv: 2102.04306. Автор сравнил и заявил: «Дальние зависимости устанавливаются через преобразователь как в энкодере, так и в декодере» в п. 3.2, однако, как показано на рис. 2, авторы вставляют остаточный блок в центр сети энкодер-декодер , что не отличается от TransUnet.
        2. Предложенная головка предсказания краев тела широко исследована. Авторы обсуждают некоторые статьи, но не сравнивают их с ними. Лучше будет сравнить с высокорелевантными методами.
        3. Авторы должны предоставить сравнение с архитектурами SOTA с точки зрения параметров или FLOP.
      • Пожалуйста, выскажите свое общее мнение о статье

        пограничный прием (6)

      • Обоснуйте свою рекомендацию.Какие основные факторы повлияли на ваш общий балл за эту работу?

        Новизна идеи

      • Какое место занимает эта статья в вашей стопке рецензий?

        1

      • Количество бумаг в стопке

        5

      • Уверенность рецензента

        Очень уверенно

      Обзор #2

      • Пожалуйста, опишите вклад статьи

        В этом документе предложена архитектура формы U-Net для сегментации эндотелиальных клеток роговицы, которая сочетает в себе CNN (для извлечения локальных признаков) и преобразователь (для глобальной агрегации информации).Платформа также выводит предсказания тела и края и объединяет их для получения окончательного предсказания. Предлагаемая сеть обеспечивает лучшую производительность для самостоятельно собранного набора данных и общедоступного набора данных по сравнению с другими методами SOTA.

      • Перечислите основные достоинства бумаги; вы должны написать о новой формуле, оригинальном способе использования данных, демонстрации клинической осуществимости, новом применении, особенно сильной оценке или о чем-то еще, что является сильным аспектом этой работы.Пожалуйста, предоставьте подробности, например, если метод является новым, объясните, какой аспект является новым и почему это интересно.
        1. Специально разработанная сетевая структура с трансформатором, отделенным краем/корпусом

        2. Комплексные результаты экспериментов и исследование абляции

        3. Превосходная производительность по сравнению с другими методами

      • Перечислите основные недостатки бумаги.Пожалуйста, предоставьте подробности, например, если вы считаете, что метод не является новым, объясните, почему, и предоставьте ссылку на предыдущую работу.
        1. Отсутствуют детали сетевой структуры, такие как conv-e1, conv02 и т. д. Включены ли какие-либо операции повышения и понижения дискретизации? Подробный рисунок должен быть добавлен в дополнение, чтобы сделать его понятным.

        2. Хотя предлагаемая архитектура интересна, она может не пригодиться для конкретной задачи, т.е.е., сегментация ячеек, поскольку ячейка сравнительно мала на входном изображении, поэтому интуитивно глобальная информация, агрегированная преобразователем, может быть бесполезна для локальной ячейки. Если авторы смогут убедить меня в этом, я могу повысить рейтинг.

      • Пожалуйста, оцените ясность и организацию этого документа

        Хорошо

      • Пожалуйста, прокомментируйте воспроизводимость бумаги.Обратите внимание, что авторы заполнили контрольный список воспроизводимости при подаче. Имейте в виду, что авторы не обязаны соответствовать всем критериям в контрольном списке. Например, предоставление кода и данных является плюсом, но не требованием для принятия .

        Удовлетворительно

      • Пожалуйста, предоставьте подробные и конструктивные комментарии для авторов. Пожалуйста, также обратитесь к нашему руководству для рецензентов о том, что такое хороший обзор: https://miccai2021.org/en/REVIEWER-GUIDELINES.html
        1. Почему Conv-e1 объединен с краевым элементом? Любое исследование абляции по этому поводу? Кроме того, почему бы не объединить его с чертой тела?

        2. Есть эксперименты по замене слоев Transformer на другие модули дальнего захвата, такие как GCN или нелокальные?

        3. Любые исследования абляции размера ядра оператора хитрости и размытия по Гауссу? Как они повлияли на производительность?

      • Пожалуйста, выскажите свое общее мнение о статье

        пограничный брак (5)

      • Обоснуйте свою рекомендацию.Какие основные факторы повлияли на ваш общий балл за эту работу?

        Часть экспериментов.

        Я повышу оценку, если автор ответит на мои вопросы.

      • Какое место занимает эта статья в вашей стопке рецензий?

        1

      • Количество бумаг в стопке

        5

      • Уверенность рецензента

        Уверен, но не совсем уверен

      Обзор #3

      • Пожалуйста, опишите вклад статьи

        В статье описывается сеть для сегментации изображений эндотелия роговицы.Из сегментации можно извлечь несколько биомаркеров, которые имеют клиническое значение (хотя в этой статье этот момент не оценивается). В этой статье предлагается сеть, которая сочетает в себе U-сеть, трансформаторы и многоветвевой подход (прогнозирование границ тела). Сеть тестируется на двух наборах данных, и выполняется сравнение разных сетей с предложенной. Исследование абляции также выполняется для оценки некоторых небольших решений по настройке в сети. Результаты убедительны, и сеть кажется многообещающей.

      • Перечислите основные достоинства бумаги; вы должны написать о новой формуле, оригинальном способе использования данных, демонстрации клинической осуществимости, новом применении, особенно сильной оценке или о чем-то еще, что является сильным аспектом этой работы. Пожалуйста, предоставьте подробности, например, если метод является новым, объясните, какой аспект является новым и почему это интересно.

        Хорошо написано. Хорошее введение (см. пункт 7 для улучшений).Оценивается в двух очень разных наборах данных (один довольно простой, а другой очень сложный). Эксперименты хорошо описаны и проведены. Я нахожу очень интересным сравнение с другими 5 базовыми сетями (раздел 3.2) и исследование абляции (которое в основном разъясняет, что включение трансформатора полезно — не так много, но, безусловно, есть). В целом хорошая статья, посвященная важной проблеме.

      • Перечислите основные недостатки бумаги.Пожалуйста, предоставьте подробности, например, если вы считаете, что метод не является новым, объясните, почему, и предоставьте ссылку на предыдущую работу.

        Серьезных недостатков нет. Я вполне доволен их работой. Тем не менее, я нахожу некоторые пункты для улучшения (авторы уже заполнили 8 страниц, так что это больше похоже на предложение):

        • Авторы утверждают, что использование трансформеров помогает уловить глобальный контекст. Это очень интересно для этого типа сегментации клеток (некоторые ячейки могут быть очень большими, где более важны «глобальные признаки»).Таблица 2, кажется, предполагает, что это правда. Тем не менее, я бы предпочел визуальное сравнение, где использование трансформеров ясно показывает преимущество (аналогично рис. 5, но сравнивает сеть с трансформерами и без них и указывает на некоторые ячейки, которые были лучше сегментированы при использовании трансформеров). .
        • Хотя количественные результаты хорошие, качественные (рис. 2) не очень. Да, предлагаемая сеть лучше, чем те, которые использовались для сравнения, но на рисунке 2-e есть много мелких ошибок, которые могут повлиять (сильно) на оценку параметров роговицы.Я имею в виду края, которые не полностью соединены, или маленькие изолированные краевые пиксели. Как авторы планируют решить эту проблему на следующем этапе оценки параметров роговицы? Конечно, статья лишь покрывает точность сегментации, но это только часть проблемы (если посмотреть на текущий уровень техники, то это на самом деле самая простая часть проблемы).
      • Пожалуйста, оцените ясность и организацию этого документа

        Очень хорошо

      • Пожалуйста, прокомментируйте воспроизводимость бумаги.Обратите внимание, что авторы заполнили контрольный список воспроизводимости при подаче. Имейте в виду, что авторы не обязаны соответствовать всем критериям в контрольном списке. Например, предоставление кода и данных является плюсом, но не требованием для принятия .

        Представляется возможным воспроизвести сеть. Было дано много деталей (код, безусловно, будет предпочтительнее).

      • Пожалуйста, предоставьте подробные и конструктивные комментарии для авторов.Пожалуйста, также обратитесь к нашему руководству для рецензентов о том, что делает обзор хорошим: https://miccai2021.org/en/REVIEWER-GUIDELINES.html .

        Это небольшие ошибки и предложения:

        • Аннотация, строка 2: коэффициент вариации
        • Резюме, строка 11: «мы» вместо «мы»
        • Страница 2, первая строка: исправить ударение в Fabijańska.
        • Таблица 1. В TM-EM3000 лучшим SE является UNet++, а не TransUNet
        • Нет необходимости повторять баллы в тексте, если они указаны в таблицах.Просто обсудите улучшение и/или укажите случаи, за которыми стоит наблюдать.
        • В ссылке 12 название журнала пишется заглавными буквами. Пожалуйста исправьте.
        • Почему вы используете размер партии 1? Обычно лучше иметь большую партию. Вы могли бы получить лучшие результаты, просто используя 4-8 изображений в пакете (настолько, насколько позволяет память вашего графического процессора).
        • Вы тренировались, используя оба набора данных вместе или по отдельности? Я думаю, вы сделали это самостоятельно.Тем не менее, было бы неплохо проверить, будет ли сеть, обученная обоим типам (все вместе), изучила бы лучшие функции и, следовательно, работала бы лучше (вероятно, нет, но это стоит проверить).
        • (В качестве предложения) Я скучаю по ссылкам на новейшие методы, используемые для сегментации клеток роговицы. Ваша последняя ссылка — Fabijanska (2018) и Al-Fahdawi (2018), и вы делаете ссылку на статью Ruggeri (2010; потому что вы используете их набор данных, хотя их последняя статья датирована 2016 годом), но есть 2-3 другие группы, которые работали в этой области, и было бы неплохо сделать краткую ссылку во введении (просто ссылку, упоминая, что все используют U-сети или аналогичные методы глубокого обучения, которые затем сопоставимы с вашим методом; нет необходимости в больше чем это).Это самые последние опубликованные статьи (все после 2018 г.):
        • .
        • Вигерас-Гильен Дж.П., ван Рой Дж., Энгель А., Лемий Х.Г., ван Влит Л.Дж., Вермеер К.А. Глубокое обучение для оценки эндотелия роговицы по данным зеркальной микроскопии в течение года после операции ультратонкой ДСАЭК. Наука и технологии трансляционного видения. 2020; 9 (2), 49-49.
        • Daniel MC, Atzrodt L, Bucher F, Wacker K, Böhringer S, Reinhard T, Böhringer D. Автоматизированная сегментация эндотелия роговицы в большом наборе изображений зеркальной микроскопии «реального мира» с использованием архитектуры U-net.Научные отчеты о природе. 2019; 9(1):4752.
        • Вигерас-Гильен Дж.П., Сари Б., Гоес С.Ф., Лемий Х.Г., ван Рой Дж., Вермеер К.А., ван Влит Л.Дж. Полностью сверточная архитектура против CNN со скользящим окном для сегментации клеток эндотелия роговицы. Биомедицинская инженерия BMC. 2019; 1:4.
        • Нуржинская К. Глубокое обучение как инструмент автоматической сегментации изображений эндотелия роговицы. Симметрия. 2018; 10(3):60.
      • Пожалуйста, выскажите свое общее мнение о статье

        сильный принять (9)

      • Обоснуйте свою рекомендацию.Какие основные факторы повлияли на ваш общий балл за эту работу?

        Хорошо написанная статья с новой сетью, объединяющей несколько концепций. Эксперименты были правильно проведены и зарегистрированы. У него хорошая производительность, и его можно использовать в других задачах сегментации. Это хороший доклад для конференции.

      • Какое место занимает эта статья в вашей стопке рецензий?

        2

      • Количество бумаг в стопке

        5

      • Уверенность рецензента

        Очень уверенно


      • Пожалуйста, дайте свою оценку данной работе с учетом всех отзывов.Обобщите основные сильные и слабые стороны документа и обоснуйте свою рекомендацию. Если вы отклоняетесь от рекомендаций рецензентов, подробно объясните причины. В случае приглашения к опровержению уточните, какие моменты важно затронуть в опровержении.

        Все рецензенты признают, что статья хорошо организована и хорошо представлена. Эксперименты хорошо описаны и проведены. Два обозревателя обеспокоены тем, что предложенный метод не оптимизирован для сегментации клеток.Пожалуйста, решите эту проблему и все другие комментарии для дальнейшего улучшения качества рукописи. В целом статья может быть интересна для MICCAI.

      • Каков рейтинг этой бумаги в вашей стопке? Используйте число от 1 (лучшая бумага в стопке) до n (худшая бумага в стопке из n листов).

        2


      Рецензенту1:

      1. Мы используем трансформатор для захвата долгосрочных зависимостей в кодировщике 3, кодировщике 4 и декодере 3, декодере 4, но TransUNet использует слой Transformer ViT только в части кодировщика.
  • Добавить комментарий

    Ваш адрес email не будет опубликован.