XiaoMi-AI文件搜索系统
World File Search System感知
航空航天运营中的态势感知 - DTIC
为了确保组织和个人获得适当程度的成功，一个非常重要的因素的一个很好的例子，这个因素变得越来越重要，就是能够拒绝没有或几乎没有恐惧感的申请人。在早期，这种人被认为是飞行员训练的最佳候选人。现在我们知道，一个无所畏惧的飞行员在对自己和每个人构成威胁时，
Associate-3Ddet：用于 3D 点云对象检测的感知到概念关联
尽管最近的研究通过深度学习技术突破了极限，但从 3D 点云中进行物体检测仍然是一项具有挑战性的任务。由于严重的空间遮挡和点密度随到传感器距离的固有变化，同一物体在点云数据中的外观会有很大变化。因此，设计针对这种外观变化的鲁棒特征表示是 3D 物体检测方法的关键问题。在本文中，我们创新地提出了一种类似域自适应的方法来增强特征表示的鲁棒性。更具体地说，我们弥合了特征来自真实场景的感知域和特征从由富含详细信息的非遮挡点云组成的增强场景中提取的概念域之间的差距。这种领域自适应方法模仿了人脑在进行物体感知时的功能。大量实验表明，我们简单而有效的方法从根本上提高了 3D 点云物体检测的性能并取得了最先进的结果。
电脑游戏（益智游戏和模拟游戏）对特定学习障碍学生工作记忆和空间视觉感知的影响（r
摘要 本研究的目的是研究电脑游戏（益智游戏 Moument Valley 和模拟游戏 SimCity）对患有特定学习障碍（阅读、写作、数学）学生的工作记忆和空间视觉感知的影响。本研究的调查是半实验研究，前测和后测采用单组，统计方法为混合方差分析。统计人群是德黑兰复活四所女孩 Maad 小学三年级、四年级、五年级、六年级的全部 216 名学生，其中 10 人通过随机抽样和可用抽样进行测量。为了收集信息，使用了（Susan pickering 工作记忆测试、Visconsin 卡片分类测试和 Frostig 测试）。结果表明，特定学习障碍（阅读、写作、数学）学生与正常学生在工作记忆和空间视知觉等方面存在差异，而电脑游戏（益智游戏 Moument Valley 和模拟游戏 SimCity）对特定学习障碍（阅读、写作、数学）学生的工作记忆和空间视知觉有影响。 关键词：工作记忆 空间视知觉 学习障碍 电脑游戏 引言 特定学习障碍是指一组异质性障碍，其特征是在言语、阅读、写作、答题或数学技能的习得和使用上存在显著差异。学习障碍是一种在使用口头或书面语言方面存在一种或多种显著障碍，在听、想、说、读、写、拼写或进行数学计算的能力上存在缺陷。特定学习障碍是一种影响儿童接收、处理、分析或存储信息能力的问题。这种障碍会使儿童难以阅读、写作、拼写或解决数学问题 [1]。学生特定学习障碍的主要特征包括：自然智力水平、学习成绩低于预期、学习速度慢、认知发展、教育基础重复、学习水平差异、不同学习、课程学习。能力和技能之间存在显著差异，注意力范围狭窄[2]。换句话说，他们尽管智力正常，却无法学习，虽然成长的各个方面与生物成熟度有直接关系，但一般认为生物和非生物因素都可以发挥作用[3]。人类的学习工具随着环境而变化。如果今天的儿童和青少年
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
Gallagher, Maria, Torok, Agoston, Klaas, Johanna 和 Ferrè, Elisa Raffaella (2020) 人类行为中的重力先验：一种感知或语义现象
摘要 人类在感知方面表现出重力优势：我们能更精确地判断向下移动物体的速度，而不是向上移动物体的速度，这表明重力加速度是一种内在化的先验。然而，尚不清楚这种重力先验是完全基于感知线索，还是可以结合语义知识。先前的研究仅使用了已知服从重力的物体，可能混淆了语义和感知线索。在这里，我们通过要求参与者判断通常与重力（球）或逆重力（火箭）相干移动的物体的速度来解决这个问题。我们的结果显示，无论物体身份如何，下落刺激都具有感知优势，这表明重力先验是基于感知线索的。
太空探索感知与参与意向...
科学素养（Montecalvo & Larkin，2018）。然而，普通民众支持国家太空计划，美国（Pew，2019）和中国（Hines，2022）等国家的研究表明就是如此。此外，研究发现，人们大大高估了公共部门在太空探索方面的支出（ESA，2018）。另一个重要方面是学生的参与意愿。研究表明，学生普遍对学习太空的可能性持积极态度（Bergstrom 等人，2016）。学生认为物理等太空学科对他们未来的职业生涯很有趣，也很有用（Reid & Skryabina，2002），空间科学应该在一个人的整体常识中占有更重要的地位（Ottavianelli & Good，2002）。尽管如此，太空探索也被认为是奢侈和不必要的。太空研究被认为很困难，只适合最优秀和最聪明的人（Bergstrom 等人，2016）。关于空间科学的另一个经常被提及的误解是该学科的狭隘观点。它主要与天文学、物理学或机械工程有关，而这一领域涉及更多学科，例如生物学、地质学、信息学、电信、医学、心理学、法律等。人们认为空间领域以男性为主，由智力超群的人占据，大多数人无法进入。这种看法可能会造成一种同质环境，只有特定类型的人才能代表这一领域。为了使空间更具包容性、可及性和社会相关性，有必要对这一主题进行进一步研究。在本文中，我们希望展示我们在大学生中进行的混合方法研究的结果。这项研究旨在确定人们对太空探索和参与太空的总体态度。我们还调查了性别差异。
受大脑启发的具有脉冲神经元的多层感知器
近年来，多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差，MLP 在特征提取方面表现良好并取得了惊人的效果。然而，由于其结构简单，其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能，我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络，在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中，我们将 LIF 神经元的机制合并到 MLP 模型中，以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信，包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块，我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率，据我们所知，这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
摘要简介：开发糖尿病问卷的风险感知调查确定妊娠糖尿病的妇女如何（GDM
GDM的全球患病率在5.8％至11.7％之间。6流行率的广泛差异可能是由GDM诊断标准的差异来解释的。6尽管90％的GDM病例将在分娩后正常化，但有些案件将持续存在，而妇女将发展糖尿病前期或DM。据报道，分娩后五年后约有50％的GDM患者被诊断为2型DM。7在斯里兰卡（Sri Lanka），一项纵向研究发现，与没有GDM相比，GDM女性在10年持续时间内患糖尿病的几率是10.6倍。8然而，生活方式干预措施有机会减慢这些女性中2型糖尿病的进展。9重要的是向具有GDM的女性提供准确，及时的信息，以了解其未来患糖尿病的风险。他们还应该接受根据需求量身定制的干预措施。确保有关积极生活方式修正案的行为的持续改变，应考虑几个要素，包括风险感知，信念和心理社会障碍。10除其他外，风险感知被确定为各种理论健康模型中健康行为的重要决定因素。11对患有未来糖尿病的高风险感知的女性更有动力进行筛查和生活方式改变。12关于发育糖尿病（RPS-DD）问卷的风险感知调查评估了一个人感知的患有这种疾病的风险的各个方面。13此工具由乐观偏见，个人控制，糖尿病风险因素知识，福利和障碍以及风险感知组成。最初用于预防糖尿病计划密歇根州糖尿病研究中心，14它在GDM母亲之间进行了随后的验证过程。13使用Cronbach的α的内部一致性非常出色（0.65至0.72）。RPS-DD问卷开发过程是彻底且多阶段的。但是，可以组织其他研究以评估验证性因素分析和评估其外部有效性。此外，马来语中没有发表的工具来衡量该人群中糖尿病的风险感知。这项研究旨在适应，翻译和
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。