XiaoMi-AI文件搜索系统
World File Search System基准
迈向自动动力电池检测：新挑战基准数据集和基线
我们对一项名为动力电池检测（PBD）的新任务进行了全面的研究，该任务旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估动力电池的质量。现有制造商通常依靠人眼观察来完成 PBD，这使得很难平衡检测的准确性和效率。为了解决这个问题并让更多人关注这个有意义的任务，我们首先精心收集了一个称为 X 射线 PBD 的数据集，该数据集包含从 5 家制造商的数千个动力电池中选择的 1,500 张不同的 X 射线图像，具有 7 种不同的视觉干扰。然后，我们提出了一种基于分割的新型 PBD 解决方案，称为多维协作网络（MDCNet）。借助线和计数预测器，可以在语义和细节方面改进点分割分支的表示。此外，我们设计了一种有效的距离自适应掩模生成策略，可以缓解由板分布密度不一致引起的视觉挑战，从而为 MDCNet 提供稳定的监督。无需任何花哨的修饰，我们基于分割的 MDCNet 始终优于其他各种角点检测、人群计数和基于一般/微小物体检测的解决方案，使其成为有助于促进 PBD 未来研究的强大基础。最后，我们分享了一些潜在的困难和未来研究的工作。源代码和数据集将在 X-ray PBD 上公开提供。
引用了原始发表的论文（记录的版本）：Mirzaei Alavijeh，N.，Khezri，R.，Mazidi，M。M.等（2025）。利润基准测试和DEGR
本文介绍了一种新型的混合企业线性编程（MILP）模型，用于在瑞典的Day-Ahead（DA）电力和频率封装储备（FCR）市场中堆叠电池储能系统（BESS）。该模型包括一个详细的日历和周期电池降低和市场技术需求建模，旨在最大程度地利用电池所有者从参与DA和三个FCR市场，正常运营（FCR-N）以及FCR（FCR-D）的潜在利润，以及进行上下调查的障碍（FCR-D）。为提出全面的结果，使用一分钟分辨率的真实数据对2022年进行连续的每日优化。模拟了五种利用模式，包括参与无FCR市场（仅DA），只有DA和FCR-N，只有DA和FCR-D上调，只有DA和FCR-D下调，以及DA和所有FCR市场。对于DA和多FCR市场的收入堆叠中的最大潜在利润可能为1MW-1MWH BESS的K€708，这是没有FCR参与情况的22倍。由多FCR市场参与导致的年度退化占电池容量损失的1.7％。考虑优化问题中的退化会使衰老减少29％，而不会对利润产生重大影响。所提出的模型可以作为评估电池操作策略和算法的盈利能力和可持续性的基准。
与EEG和眼睛跟踪数据的跨主题阅读任务分类的Zuco基准
我们提出了一个新的机器学习基准，用于阅读任务分类，目的是在计算语言处理与认知神经科学之间的相交中推进脑电图和眼睛追踪研究。基准任务由一个跨主体分类组成，以区分两个阅读范式：正常阅读和特定于任务的读数。基准的数据基于苏黎世的认知语言处理语料库（ZUCO 2.0），该语料库提供了同时引人注目的视线和来自英语句子的自然阅读的EEG信号。培训数据集已公开可用，我们提出了新记录的隐藏测试集。我们为此任务提供多种可靠的基线方法，并讨论未来的改进。我们发布代码，并提供易于使用的界面，以使用随附的公共排行榜：www.zuco-benchmark.com评估新方法。
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
FedRAMP 基准修订版 5 过渡指南
■ 客户可以使用 CSP 时间表和 CRM 来了解其自身实施计划的计划变更。● 在 POA&M 管理流程和/或下一次年度评估（如适用）期间，评估修订版 4 到修订版 5 过渡计划的实施情况。修订版 5 控制措施的实施必须在下一次年度评估之前完成，以支持控制措施实施的测试。
基于AI的CNS肿瘤的组织病理学分类 n-基因分类与数据的机器学习模型... Bach2调节T细胞谱系状态以克服由补品汽车信号驱动的功能障碍Tien-Ching Chang 1,2，Amanda听到了1,2，John Lattin 2， 扩展数据图1。与rfdiffusion的β链配对支架的设计。利用rfdiffusion的各种生成潜力，而 太阳能：用于黑辅助限制基准测试的太阳能热电厂模拟器 小农户的侵害性和风险行为对Nyando盆地CSV的气候诱发压力：设计家庭和乡村级别方法的影响
Artem Shmatko 1,3，*，Patel 1：4,5,6，*，Ramin Rahmanzade 4.5，红色4.5，Luke Friedrich Schrimmpf 4.5.7，Big 4.5，Henri Bogumil 4.5，Sybren L.N.5月8日，马丁·西尔·詹妮克（Martin Sill Jannik）11,13，大卫·鲁斯（David Reuss），克里斯蒂安·埃罗德·孟德（Christian Herold-Mende）9，技能M琼斯6:14，Stefan M. Pfister，Arnault Esparia-Sack 31,32，Pascal Varlet 31,32，Brandner 33，Xiangzhi Bai 2，Andreas von Deimling 4.5，
发件人：海军记录修正委员会主席 收件人：海军部长 主题：审查美国海军 XXX-XX- 的海军记录 参考：（a）第 10 章 USC § 1552（b）DoD 7000.14-R FMR 第 7A 卷，第 1 章 附件：（1）DD 表格 149 及附件（2）当事人的海军记录 1. 根据参考（a）的规定，当事人（以下称为申请人）向海军记录修正委员会（委员会）提交了附件（1），要求更正她的海军记录，以显示申请人的薪资入职基准日期（PEBD）已调整为包括她在加入美国海军之前在陆军国民警卫队服役的可记名服役期。 2. 委员会由 、 和 组成，于 2023 年 1 月 5 日审查了请愿人的错误和不公正指控，并根据其规定，决定根据现有的记录证据采取以下纠正措施。委员会审议的文件材料包括附件、请愿人海军记录的相关部分以及适用的法规、条例和政策。 3. 委员会审查了与请愿人的错误和不公正指控有关的所有记录事实，发现如下：a. 2016 年 11 月 9 日，申请人加入国民警卫队，服役 8 年，服役期限为 2024 年 11 月 8 日。根据军事处理记录 - 美国武装部队（DD 表格 1966/1），申请人的退役日期为 2016 年 11 月 9 日。2019 年 1 月 18 日，申请人收到国民警卫队退役报告和服役记录（NGB 表格 22），入伍日期为 2016 年 11 月 9 日。此外，带薪服役总时间为 2 年 2 个月 10 天。申请人的预备役/军事服役义务终止日期被列为不适用。b. 2019 年 4 月 30 日，申请人加入海军预备役 8 年。根据 DD 表格 1966，请愿人的 PEBD 列为 2019 年 12 月 4 日，请愿人进行了以下记录：“我于 2016 年 11 月加入陆军国民警卫队。我于 2019 年 1 月退役。” 2019 年 12 月 4 日，请愿人开始服现役 4 年，现役义务服役结束 (EAOS) 为 2023 年 12 月 3 日，现役义务服役软结束 (SEAOS) 为 2024 年 12 月 3 日。
发件人：海军记录修正委员会主席 收件人：海军部长 主题：审查美国海军 XXX-XX- 的海军记录 参考：（a）第 10 章 USC § 1552（b）DoD 7000.14-R FMR 第 7A 卷，第 1 章 附件：（1）DD 表格 149 及附件（2）当事人的海军记录 1. 根据参考（a）的规定，当事人（以下称为申请人）向海军记录修正委员会（委员会）提交了附件（1），要求更正她的海军记录，以显示申请人的薪资入职基准日期（PEBD）已调整为包括她在加入美国海军之前在陆军国民警卫队服役的可记名服役期。 2. 委员会由 、 和 组成，于 2023 年 1 月 5 日审查了请愿人的错误和不公正指控，并根据其规定，决定根据现有的记录证据采取以下纠正措施。委员会审议的文件材料包括附件、请愿人海军记录的相关部分以及适用的法规、条例和政策。 3. 委员会审查了与请愿人的错误和不公正指控有关的所有记录事实，发现如下：a. 2016 年 11 月 9 日，申请人加入国民警卫队，服役 8 年，服役期限为 2024 年 11 月 8 日。根据军事处理记录 - 美国武装部队（DD 表格 1966/1），申请人的退役日期为 2016 年 11 月 9 日。2019 年 1 月 18 日，申请人收到国民警卫队退役报告和服役记录（NGB 表格 22），入伍日期为 2016 年 11 月 9 日。此外，带薪服役总时间为 2 年 2 个月 10 天。申请人的预备役/军事服役义务终止日期被列为不适用。b. 2019 年 4 月 30 日，申请人加入海军预备役 8 年。根据 DD 表格 1966，请愿人的 PEBD 列为 2019 年 12 月 4 日，请愿人进行了以下记录：“我于 2016 年 11 月加入陆军国民警卫队。我于 2019 年 1 月退役。” 2019 年 12 月 4 日，请愿人开始服现役 4 年，现役义务服役结束 (EAOS) 为 2023 年 12 月 3 日，现役义务服役软结束 (SEAOS) 为 2024 年 12 月 3 日。
svgeditBench：用于定量评估LLM SVG编辑功能的基准数据集
文本到图像模型近年来已显示出进展。随着这一进展，从文本中生成向量图也已提出。svg是向量图形的流行效果，SVG代表带有XML文本的场景。因此，大型语言模型可以直接处理SVG代码。考虑到这一点，我们专注于使用LLMS编辑SVG。用于定量评估LLMS编辑SVG的能力，我们提出了SVGeditBench。svgeditBench是评估LLMS编辑SVG代码能力的基准。在提议的基准下进行评估时，我们还显示了GPT-4和GPT-3.5结果。在实验中，GPT-4在定量和质量上都显示出与GPT-3.5的优势。该数据集可在https://github.com/mti-lab/svgeditBench上找到。
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
国际研发和I电池资金和电池KPIS的全球基准概述
自从第一次商业化和工业部署锂电池以来，国际电池行业和研发＆I社区的全球电力平衡已经发生了很大的转变。日本已成为液体电解质锂离子电池的早期技术领导者，但自2015年以来，其国内行业已经失去了对中国和韩国制造商的市场份额，这受益于强大的政府支持。尤其是中国一直在迅速创新其国内电池技术。最初，中国的电池政策非常集中，目的是在1时赶上领先的国家。此外，保护性政策导致许多以前与韩国和日本供应商合作的中国汽车制造商将其电池订单转移给了国内制造商，以便从慷慨的补贴中受益。这一方面在促进中国的家庭电池价值链的种植中起着至关重要的作用2。在借助一项综合政府补贴计划的帮助下，从原材料到组件制造，牢房和包装生产以及电动汽车应用的整个价值链的成熟度后，中国已成为世界上最大的电动汽车市场。2国际能源机构估计，中国约占电池电池的75％，阴极的70％和阳极材料材料全球生产能力的85％。3