win10 fps顯示的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

整合姿態檢測與物件辨識方法於輔助瞄準功能應用之成效評估

為了解決win10 fps顯示的問題，作者張孜旭 這樣論述：

在電子競技項目中，公平性是一項非常重要的要素，若在競賽中使用作弊的手段取得勝利，這不單單是破壞了遊戲的公平性，更將是對電子競技的發展造成不小的影響。近年來隨著電腦硬體及人工智慧演算法的進步，在射擊遊戲中，出現了一種基於電腦視覺於人工智慧演算法應用的新型態作弊手段，相較於傳統侵入式的作弊手段更加難以偵測及防堵。本研究將整合使用MoveNet姿態檢測演算法，及YOLOv4-tiny物件辨識演算法，實作出一款基於電腦視覺於人工智慧演算法應用的輔助瞄準系統，並驗證及評估其成效，確認其對電子競技遊戲是否真實存在威脅，若確實存在威脅，希望藉以本研究讓遊戲開發商找出反制的手段，降低對遊戲產業造成的損害。

使用AI驅動的肺癌預後模型整合臨床數據與定量影像組學於胸腔電腦斷層掃描

為了解決win10 fps顯示的問題，作者張馨友 這樣論述：

肺癌是全球死亡率最高的癌症，五年存活率僅約一至兩成，準確的預後評估可輔助醫生及早做出個人化醫療的相關決策並有效降低死亡率。一般而言，癌症分期是預後最重要的指標之一，但即使患者處於相同的癌症分期，存活時間也大為不同。因此，需要探索額外的預後因子以提升預測的準確度。本研究提出了一種結合胸腔電腦斷層掃描影像(Computed tomography, CT)與臨床數據的預後系統來預測肺癌患者的生存狀態。首先，從CT影像擷取出腫瘤區域並輸入至卷積神經網路(Convolutional neural network, CNN)中進行切割以取得腫瘤遮罩，該模型由修改過的三維HarDNet-MSEG網路與瓶頸

注意力模塊(Bottleneck attention module, BAM)所構成。接著，利用腫瘤區域影像與腫瘤遮罩提取影像特徵，包含影像組學(Radiomics)與CNN特徵，前者用於計算腫瘤的形狀與紋理屬性，後者利用ResNeSt模型自動學習存活預測的圖像特徵。為消除冗餘資訊，採用一種基於多個機器學習模型的特徵選擇策略來保留最具鑑別度的特徵。最後，使用全連接神經網路整合臨床數據、影像組學與CNN特徵以預測患者的存歿狀態。本研究在三年預後與五年預後實驗中，分別使用437筆與302筆肺癌案例來評估預後系統的性能。根據結果，提出的方法在三年預後中，其準確度、靈敏度、特異性和ROC曲線下面積(A

UC)分別為80.78%、73.57%、84.18%和0.8425，而五年預後為81.79%、86.67%、74.59%和0.8373，其性能優於使用單一種特徵與多種機器學習分類器，證實了本研究設計的系統可透過結合圖像特徵與臨床指標有效提升肺癌的預後性能。