XiaoMi-AI文件搜索系统
World File Search System变形
连续膜表面微加工硅变形镜
表面微加工的一个成功光学应用是开发静电驱动微机械镜阵列（由可移动的反射或折射元件组成的大规模并行阵列），用于投影显示系统。1 每个元件都是一个镜面部分，可用作大型显示器中的一个像素，元件的驱动通过二进制数字控制信号并行协调。在这种系统中，已证明简单微机械致动器的制造成品率可以接近 100%。此外，已证实可以实现电子器件与微机电系统（MEMS）阵列结构的大规模集成。这种集成是通过在平面化 CMOS 电子器件阵列上构建 MEMS 结构来实现的。已提出了这些基本概念的几种扩展，以便开发用于自适应光学系统的表面微加工连续膜可变形镜。在自适应光学中，重要的是可变形镜既要连续又要精确可调。本文描述的装置是使用表面微加工技术制造的第一种连续镜。~ 体微加工连续镜之前已经展示过。2 ! 波士顿大学设计、制造和测试了表面微加工镜。该装置由单个柔性光学膜组成，该膜由多个附件支撑，这些附件位于表面法向静电致动器的底层阵列上。该装置有两个特点与以前的表面微加工镜系统不同。首先，镜面是连续的，而不是分段的。因此，致动器的局部变形会导致镜面平滑偏转，表面轮廓没有不连续性，没有由于分段边缘而导致的衍射干扰，也没有由于填充因子低于 1 而导致的光强度损失。此外，新的可变形镜装置允许精确、连续地控制镜面膜。
通过扭矩变形>提高干锂离子阴极混合物的质量
仅用于研究使用。不适用于诊断程序。有关当前认证，请访问thermofisher.com/certifications。©2024 Thermo Fisher Scientific Inc.保留所有权利。Polyflon是Daikin Industries，Ltd的注册商标。除非另有说明，否则所有其他商标均为Thermo Fisher Scientific及其子公司的财产。LR97 07/24
X射线折射镜头的材料最小化波前变形
4。F. F. Wilhelm，G。Garbarin。 Brison，I。Candle，I。Lythan，A。Rogalev，高压res。36，445（2016）。
最佳基于Cosserat的变形控制线性对象的机器人操纵
摘要 - 可构造的对象操纵是一个充满挑战的研究主题，它引起了对机器人领域的日益兴趣，因为已经出现了解决此问题的新方法。到目前为止，文献中的大多数提出的方法都集中在形状控制上。被忽略了应用于物体的应变，因此排除了操纵脆弱产品的大部分工业应用，例如橡胶和塑料物体的脱胚层或食物的处理。这些应用需要在准确性和仔细操纵之间进行权衡，以保留操纵对象。在本文中，我们提出了一种方法来最佳控制线性和平面变形对象的变形，同时还最大程度地减少对象的变形能。首先，我们修改了最初为线性软机器人控制开发的框架，以使其适应可变形的物体机器人操作。为此，我们将问题重新制定为一个优化问题，其中考虑对象的整体形状，而不是仅专注于对象的位置和方向的尖端。然后，我们在成本函数中包含一个能量项，以找到在达到所需形状的同时最小化操纵物体中潜在的弹性能量的解决方案。对于高非线性问题的解决方案众所周知，很难找到对局部最小值的敏感性。我们定义了连接对象的已知初始和最终配置并顺序解决问题的中间最佳步骤，从而增强了算法的鲁棒性并确保解决方案的最佳性。然后使用中间最佳配置来定义机器人的终端效果轨迹，以使对象从初始配置变形为所需的配置。索引术语 - 可通知的对象操纵，机器人技术，形状控制，优化，轨迹生成
用于可变形医学图像配准的相关感知粗到精 MLP
可变形图像配准是医学图像分析的基本步骤。最近，Transformer 已用于配准，其表现优于卷积神经网络 (CNN)。Transformer 可以捕获图像特征之间的长距离依赖性，这已被证明对配准有益。然而，由于自注意力的计算/内存负载高，Transformer 通常用于下采样特征分辨率，无法捕获全图像分辨率下的细粒度长距离依赖性。这限制了可变形配准，因为它需要每个图像像素之间精确的密集对应关系。没有自注意力的多层感知器 (MLP) 在计算/内存使用方面效率高，从而可以捕获全分辨率下的细粒度长距离依赖性。然而，MLP 尚未在图像配准中得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关感知 MLP 的配准网络 (CorrMLP) 用于可变形医学图像配准。我们的 CorrMLP 在新颖的粗到细配准架构中引入了关联感知多窗口 MLP 块，该架构可捕获细粒度多范围依赖性以执行关联感知粗到细配准。对七个公共医疗数据集进行的大量实验表明，我们的 CorrMLP 优于最先进的可变形配准方法。
通过机械超材料的局部编程来设计形状变形行为
易于解除的概念只能通过概念来实现。[1-3]已经在许多尺度和不同的外部触发器上研究了设备中特定形状变形行为的实现。[4]一方面，在系统级别上有许多方法通常由电动机[3,5]压电剂[6,7]或多物质系统驱动，例如，二型。[8]另一方面，通过适应微结构的几何形状可以实现形状变形。这可以在原子量表上进行，例如，使用相变和梯度以及μm -cm水平。多年来，在材料中设计了诸如Poisson的比率（PR）和Young模量之类的线性有效属性。[9] Greaves等。[10]介绍了结构并实现属性的概述。在1990年代已经显示了极端材料的弹性张量，[11]但是它们的实际实力主要是近年来制造技术的发展驱动的。在超材料中，定期布置的单元细胞的特性克服了自然界中发现的特性[12,13]（例如，负PR [14-16]和高刚度 - 重量率[17]）。此外，添加剂制造可以轻松地更改材料本地单元单元的几何特征（梁厚度，角度）。这种方法可以使所谓的渐变材料中材料特性的不均匀分布，在加载过程中可能导致不同的形状。可以用处理函数和如果以前的条件来描述这种行为。[18–21]设计形状变形行为不仅需要控制恒定属性，而且还需要控制它们进化的方式，例如菌株依赖性PR。在本文中，我们提出了在单位细胞中整合机械机制的不同方式，从而导致各种非线性弹性（但仍然受控）行为。细胞已组装成宏观材料，并且通过适应晶胞的几何参数的适应，局部调整了功能和条件。分布在材料中的不同特性（刚度，PR）的组合导致垂直于施加载荷的特定形状，也显示在参考文献中。[18,19]。此外，逻辑语句允许我们对材料形状进行全局程序。在下文中，我们将显示三种情况如何从增加应变下从初始形状转换为目标形状（见图1）。在第一种情况下，目标形状
使用具有触觉传感的灵巧手指的可变形线性对象
摘要 - 关于可变形线性对象（DLO）操纵的大多数研究都假定刚性抓握。然而，除了刚性的抓握和重新抓紧之外，在掌握的范围之外，人类也是人类使用敏捷操纵DLOS的重要技能，它需要通过握住DLO来防止其掉落的同时通过手动滑动来连续更改抓握点。在没有使用专门设计但不是多功能的最终效果的情况下，实现这种技能对于机器人来说非常具有挑战性。以前的作品尝试使用通用的平行抓地力，但是由于关注和持有之间的冲突，它们的稳健性并不令人满意，这很难与一级自由的抓手保持平衡。在这项工作中，受到人类如何使用手指跟随DLOS的启发，我们探索了具有触觉感知的通用灵巧的手的用法，以模仿人类的技能并获得强大的DLO跟随。为了使硬件系统能够在现实世界中运行，我们开发了一个框架，其中包括笛卡尔空间手臂控制，基于触觉的In-Hand-hand 3-D DLO姿势估计以及特定于任务的运动设计。实验结果证明了我们方法比使用平行抓手的显着优势，以及它的稳健性，可推广性和效率。
聚焦 LRP：用于人脸变形攻击检测的可解释 AI
近年来，检测变形人脸图像的任务变得非常重要，以确保基于人脸图像的自动验证系统（例如自动边境控制门）的安全性。基于深度神经网络 (DNN) 的检测方法已被证明非常适合此目的。然而，它们在决策过程中并不透明，而且不清楚它们如何区分真实人脸图像和变形人脸图像。这对于旨在协助人类操作员的系统尤其重要，因为人类操作员应该能够理解其中的推理。在本文中，我们解决了这个问题，并提出了聚焦分层相关性传播 (FLRP)。该框架在精确的像素级别向人类检查员解释深度神经网络使用哪些图像区域来区分真实人脸图像和变形人脸图像。此外，我们提出了另一个框架来客观地分析我们方法的质量，并将 FLRP 与其他 DNN 可解释性方法进行比较。该评估框架基于移除检测到的伪影并分析这些变化对 DNN 决策的影响。特别是，如果 DNN 的决策不确定甚至不正确，与其他方法相比，FLRP 在突出显示可见伪影方面表现得更好。
数字勘测在露天矿坑壁变形研究中的应用
摘要。本文强调了在研究采矿引起的各种变形时，提高岩石和地球表面位移监测过程中的测量效率这一热门问题。为了解决这个问题，除了传统方法外，还应用了基于使用新设备、程序和技术的新方法。研究对象是露天滑坡。由于停留很危险，远程监控方法成为最有效的方法，数字摄影测量测量就是其中之一。随着更复杂的设备和软件的发展，数字测量方法正在得到改进。本文讨论了使用佳能 EOS1200D 相机进行数字地面测量的露天滑坡监测方法。根据 GPS 数据和标记参考（通过交叉点）执行相机站参考。
运动原始扩散：学习可变形物体的轻柔机器人操纵
摘要 - 机器人辅助手术（RAS）中的policy学习缺乏数据效率和多功能方法，这些方法表现出对于精致的手术干预的所需运动质量。为此，我们介绍了运动原始扩散（MPD），这是一种在RAS中模仿学习的新方法（IL），重点是轻柔地操纵可变形物体。该方法结合了基于扩散的模仿学习（DIL）的多功能性与概率动态运动原始基原始（PODMP）的高质量运动产生能力的多功能性。这种组合启动MPD可以轻柔地操纵可变形物体，同时保持数据效率对于稀缺的RAS应用至关重要。我们在状态和图像观察中评估了各种模拟和现实世界机器人任务的MPD。MPD在成功率，运动质量和数据效率方面优于最先进的DIL方法。项目页面：scheiklp.github.io/movement-promistive-diffusion