XiaoMi-AI文件搜索系统
World File Search System实时
cheapnvs：实时在设备上狭窄的基线新型视图综合
摘要 - 各种视图的新视图合成（NVS）是由于其规模不足而臭名昭著的概率，并且通常需要大型，计算昂贵的方法来产生切实的结果。在本文中，我们提出了CheapNVS：基于新颖，有效的多个编码器/解码器设计的狭窄基线单视NVS的完全端到端方法，该方法以多阶段的方式训练。cheapnvs首先近似于在目标视图的摄像头姿势嵌入在摄像头姿势嵌入的轻巧可学习模块的费力3D图像翘曲，然后在遮挡的区域进行介绍，并并行，以实现显着的性能增长。一旦接受了开放式图像数据集的一部分训练，便宜的NVS却超过了最先进的图像，尽管更快的速度更快，并且记忆力少6％。此外，CheapNVS在移动设备上实时舒适地运行，在Samsung Tab 9+上达到30 fps。索引术语 - Novel视图合成； 3D摄影
使用先进的深层激光扫描技术对增材制造的 Ti6Al4V 扫描电子显微镜图像进行实时数据驱动的微观结构缺陷检测
由于缺乏全面的数据集和缺陷类型的多样性，自动检测增材制造的 Ti6Al4V 材料中的微观结构缺陷面临巨大挑战。本研究介绍了一种应对这些挑战的新方法，即开发专门针对扫描电子显微镜 (SEM) 图像的微观结构缺陷数据集 (MDD)。我们使用此数据集训练和评估了多个 YOLOv8 模型（YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l 和 YOLOv8x），以评估它们在检测各种缺陷方面的有效性。主要结果表明，YOLOv8m 在精度和召回率之间实现了平衡，使其适用于可靠地识别各种缺陷类型中的缺陷。另一方面，YOLOv8s 在效率和速度方面表现出色，尤其是在检测“孔隙”缺陷方面。该研究还强调了 YOLOv8n 在检测特定缺陷类型方面的局限性以及与 YOLOv8l 和 YOLOv8x 相关的计算挑战。我们的方法和发现有助于科学地理解增材制造中的自动缺陷检测。MDD 的开发和 YOLOv8 模型的比较评估通过提供检测微结构缺陷的强大框架来推进知识水平。未来的研究应侧重于扩展数据集和探索先进的 AI 技术，以提高检测准确性和模型泛化能力。
实时感知髓母细胞瘤细胞中的 MAPK 信号，揭示细胞逃逸机制，抵消达沙替尼在侵袭过程中对 ERK 激活的阻断
异常激活的激酶信号通路驱动髓母细胞瘤 (MB) 的侵袭和播散。大多数促肿瘤激酶信号通路都参与丝裂原活化蛋白激酶 (MAPK) 细胞外调节激酶 (ERK1/2) 通路。MB 细胞侵袭过程中 ERK1/2 的激活状态尚不清楚，其在侵袭控制中的作用尚不清楚。我们为 MB 细胞中的 MAPK ERK1/2 通路建立了一种合成激酶活化重定位传感器 (SKARS)，用于实时测量药物反应。我们使用 3D 侵袭试验和器官型小脑切片培养来测试生理相关组织环境中的药物效果。我们发现肝细胞生长因子 (HGF)、表皮生长因子 (EGF) 或碱性成纤维细胞生长因子 (bFGF) 导致 MB 细胞中核 ERK1/2 快速激活，这种激活持续数小时。与 BCR/ABL 激酶抑制剂达沙替尼同时治疗可完全抑制由 HGF 和 EGF 诱导的核 ERK1/2 活性，但不能抑制由 bFGF 诱导的核 ERK1/2 活性。核 ERK1/2 活性增加与侵袭速度呈正相关。达沙替尼阻断了大多数细胞中的 ERK 相关侵袭，但我们也观察到 ERK1/2 活性低的快速侵袭细胞。这些 ERK1/2 低、快速移动的细胞呈现圆形形态，而 ERK 高、快速移动的细胞呈现间充质形态。达沙替尼有效阻断了 EGF 诱导的增殖，但仅适度抑制组织侵袭，这表明一部分细胞可能通过非间充质运动逃避达沙替尼的侵袭抑制。因此，生长因子诱导的 ERK1/2 核活化与 MB 细胞中的间充质运动和增殖有关，并且可以通过 BCR/ABL 激酶抑制剂达沙替尼阻断。
实时决策的并行计算框架 -
可扩展和自适应深度学习算法已成为处理巨大数据集并克服慢速计算模型的局限性的变革性。的技术，例如分布式梯度下降和模型并行性授权学习系统有效地扩展而不会降低性能。这些方法优化了分布式系统中的资源分布，从而有效地处理了复杂的数据模式。自适应算法根据输入数据动态修改其体系结构，提供稳健性和灵活性 - 在天气预测和财务建模应用程序中实时决策的临界属性。此外，增强学习和联合学习通过减少对集中数据存储和处理的依赖来增强可伸缩性和概括性[1]。
基于实时仿真的微电网电池储能系统比较研究
分布式能源资源（尤其是太阳能和风能）在电力系统中的渗透率不断提高，但这些资源的间歇性会对电网造成干扰和不稳定。因此，将储能系统集成到电网中是提高电力系统可靠性和性能、确保电力平衡和满足消费者需求的最佳解决方案之一。不同的储能设备技术已被用于支持可再生能源资源的整合，并有助于提高电力操作系统在电网电力波动等关键情况下的管理效率。这项工作的主要目的是测试电池储能系统在微电网出现扰动时减少有功功率波动的有效性。此外，通过比较用于支持电网的不同电池技术的响应，进行了一项比较研究，以验证适合电力系统的电池技术，特别是在电力波动期间适合微电网能源管理的技术，同时，通过使用实时模拟来评估 BESS 的行为、可行性、性能和有效性。
实时车辆跟踪系统
工作原理 5.1. GPS 数据采集 NEO-6M GPS 模块持续接收卫星信号并计算车辆的经纬度坐标。ESP32 微控制器通过串行连接从 GPS 模块读取这些坐标。 5.2. 地理围栏设置 您可以使用用户界面设置地理围栏 - 即某个地理区域周围的虚拟边界，该用户界面具有用于激活地理围栏功能的样式按钮。设置地理围栏后，浏览器中会显示警报通知您配置成功。 5.3. 实时跟踪和地理围栏监控 ESP32 实时监控车辆当前的 GPS 坐标。它通过将当前位置与地理围栏的预定义边界进行比较来检查车辆是否在地理围栏区域内 5.4. 警报系统 如果车辆越过地理围栏边界，ESP32 会检测到此事件并触发警报并显示在浏览器中，通知您地理围栏已被突破。此警报可以采用视觉通知的形式，例如弹出消息或控制台日志。 5.5. 用户界面 Web 界面允许与系统交互，包括设置地理围栏和接收警报。 ESP32 可以充当 Web 服务器，提供一个可从浏览器访问的页面，您可以在其中实时设置和监控地理围栏状态。
实时流媒体购物对冲动购买行为的影响
数字时代已经改变了美容和护肤行业的数字营销，实时流媒体作为通过实时互动来增强在线销售的关键工具。这项研究探讨了印尼领先的FMCG品牌Somethinc如何利用实时流媒体购物来推动冲动性购买行为。研究研究了实时流式刺激的影响，即需求，便利性，互动性和嬉戏性对冲动购买行为的影响。使用非概率的目的抽样从400个Somethinc消费者通过Google表单收集数据。使用PLS-SEM技术进行分析以评估模型和假设。发现表明需求，便利性，互动性和娱乐性对冲动性购买行为产生积极影响。在直播中的互动性对冲动购买行为的影响最大。这表明Somethinc可以通过QNA或其他互动活动来提高其交互性，这些活动将推动更高的冲动购买趋势。
引用本研究：Bhadauria, A.P.S., Singh M., Kumar, R., & Kumar, A., (2025)。使用机器学习 T 进行边缘计算中的实时入侵检测
边缘计算的普及为通过在更靠近数据源的地方处理数据，优化延迟敏感和带宽密集型应用程序带来了新的机会。此外，这种范式转变也带来了独特的安全挑战，特别是在入侵检测领域。在边缘计算环境中，数据在更靠近数据源的网络边缘进行处理，实时入侵检测对于保障系统安全至关重要。攻击者也在利用边缘网络的快速扩展。相反，由于行为复杂、处理能力低下，传统的入侵检测系统 (IDS) 无法检测到高速实时网络中最新类型的攻击模式。本研究介绍了一种开发有效 IDS 模型来处理实时网络中此类威胁的新方法，并探讨了针对边缘计算环境的实时入侵检测系统 (IDS) 的设计和实现。所提出的模型被认为是系统性和可靠的，并且采用了监督式机器学习 (ML) 技术。目标是实时准确地识别和分类网络中的有害入侵或恶性活动。为了训练和测试模型，本研究使用了一个自创的数据集，该数据集同时利用了恶意和良性的 PCAP（数据包捕获文件）。为了确定 IDS 模型的有用性，使用随机森林、决策树、额外树和 K-最近邻作为分类技术。所提出的 IDS 模型在适应性和可扩展性等几个因素上表现出色。该模型还产生了更高的准确度、检测率、F 度量、精确度、召回率和更低的 FPR。
实时套件的生物细胞图像分析软件
图1。在延时图像系列中跟踪合成标记的运动。该图介绍了通过DataSet Analysis开发的新颖软件（该软件包的演示视频可在datasetanalysis.com/synthetic-demo上查看），并使用Unity Technologies的游戏引擎进行。该图显示了合成标记运动运动的计算机视觉分析，这些运动模仿了活细胞荧光显微镜图像序列。位移向量颜色编码用于显示角方向以及运动速度。按钮选择允许更改显示首选项。在图上，黄色向右移动，也显示为黄色直方图的右峰内的黄色显示。同样，向左移动的向量是红色的，无论是在图像覆盖层上还是在屏幕右上角的双模式直方图的左峰内。第二个显示选项（未显示）将位移向量的颜色编码更改为显示不同的绿色阴影，具体取决于速度。在右侧的单峰直方图上观察大多数粒子移动较慢（左侧的绿色峰），而几个颗粒移动得非常快（右侧的深绿色分布尾巴）。有关每秒分析帧的实时信息，速度和角向量方向的平均值显示在屏幕的右下角。通过向跟踪模块提供特定于样本的输入，参数选择允许限制计算复杂性，以最大程度地减少跟踪误差并提供最快的分析结果。在屏幕的左侧，左上角有滑块，可以根据对分析样本中运动性质的先验知识来设置（i）检测到的颗粒数量的上限，（ii）基于粒子检测到的粒子检测率的水平，（ii）在粒子选择水平上，（iii）在粒子选择水平（III）中，（iii）是一个最小的距离（iii），这是一个最小的距离（iii）。分析的样品，以及（iv）粒子搜索半径的截止值，这限制了最大允许的位移；这是另一个参数，它是根据样本知识选择的。屏幕左下角的蓝色按钮可以通过显示分割或跟踪结果，单段轨道（仅在两个框架之间）或聚合的轨迹来更改屏幕显示的各个方面，如上所述，矢量颜色编码（红色/黄色的速度与绿色的红色速度为绿色不同）。我们将使用AI算法将当前的实时2D功能扩展到3D分析。