XiaoMi-AI文件搜索系统
World File Search System时空
数据驱动的时空模拟器用于加固学习方法
时空应用，例如出租车命令调度和仓库任务计划，并急剧取决于操作效率的算法。但是，这些应用的固有动力性质在算法设计中提出了挑战。流动性服务的增长有助于收集过时的时空数据，这又促使算法设计人员使用数据驱动的方法。强化学习（RL）以其强大的性能和对空间环境的适用性而认可的，它具有相当大的研究兴趣。尽管具有潜力，但RL算法仍需要将模拟器用于培训和验证目的。然而，没有为时空算法de-smage开发任何特定的类似系统。此空缺阻碍了时空算法设计师的进步。在此演示中，我们构建了一个称为数据驱动的临时模拟器（DSS）的系统，希望为Spa-Totiotemporal算法设计师提供便利。dss擅长处理与出租车订单调度和仓库任务计划有关的问题，并具有为其他用户确定的方案而扩展的多功能性。该系统包括可视化模块，这些模块具有洞察力，以及旨在流式传输开发过程的开发人员工具。这使设计师能够有效地制定，评估和重新确定其算法，从而在时空应用开发中可能加速创新。
cdstraj：以自主驾驶的轨迹预测为特征的扩散和时空相互作用网络
轨迹预测是Au ausostos驾驶（AD）中的一个基石，在使车辆能够在动态环境中安全有效地导航时发挥了关键作用。为了解决此任务，本文提出了一个新颖的轨迹预测模型，该模型是在面对异质和不确定的交通情况下为准确性而定制的。该模型的核心是特征性的扩散模块，这是一个创新的模块，旨在模拟具有固有不确定性的流量。该模块通过将其注入偏低的语义信息，从而增强了障碍预测准确性，从而富含预测过程。对此进行补充，我们的时空（ST）相互作用模块会导致交通情况对空间和时间段落的VEHILE动力学的细微效果，具有出色的有效性。通过详尽的评估，我们的模型设定了轨迹预测的新标准，实现最新的ART（SOTA）结果（NGSIM），高速公路无人机（Highd）和澳门相互互联的自动驾驶（MOCAD）数据集合（MOCAD）的简短和easated persalal temal spans。这种表现低估了该模型在浏览复杂的交通情况，包括高速公路，城市街道和交叉点的无与伦比的适应性和效率。
时空锚定的生成4D高斯
摘要。预先训练的扩散模型和3D一代的最新进展促使人们对创建4D含量促进了兴趣。然而，实现高保真4D代的时空一致性仍然是一个挑战。在这项工作中，我们提出了STAG4D，这是一个新颖的框架，将预训练的扩散模型与动态3D高斯式相结合，用于高保真4D代。从3D生成技术中汲取灵感，我们利用多视图扩散模型来初始化锚定在输入视频帧上的多视图图像，在该框架上可以通过视频扩散模型捕获或生成视频。为了确保多视图序列初始化的时间一致性，我们引入了一种简单而有效的融合策略，以利用第一个框架作为自我注意计算中的时间锚。使用几乎一致的多视图序列，我们应用得分蒸馏采样以优化4D高斯点云。4D高斯吐痰是专门为生成任务而设计的，其中提出了一种自适应致密化策略，以减轻不稳定的高斯疗程以进行强大的优化。值得注意的是，所提出的管道不需要对扩散网络进行任何预训练或微调，而为4D代任务提供了更容易且更实用的解决方案。的实验实验表明，我们的方法优于先前的4D代作品在呈现质量，时空的一致性和生成鲁棒性方面起作用，从而为4d代创造了新的最先进的产品，从不同的投入中，包括文本，图像和视频。
野生机器人生长植物的时空一致地图
摘要 - 跟踪生长植物的变化对于自动化表型和管理农作物的机器人很重要。在本文中，我们提出了一个系统，该系统使用沿农作物行的3D植物模型，以使机器人平台能够定位自身，即使存在重大变化并变形模型以使场景描述适应新测量。尤其是，由于消费者的成本效益和在真实平台上的部署易用性，我们专注于消费者RGB-D摄像机。我们的方法利用了现代的深度学习特征描述和几何信息，以获得与时间遥远会话相对应的3D点之间的匹配。然后，我们在非刚性注册管道中使用关联来获得最终结果，这是反映植物变化的3D模型的更新表示。使用标准的RGB-D传感器，我们在录制在温室中的现实世界数据集上验证了我们的方法。我们获得了植物的准确4D模型，并随着时间的推移跟踪植物特征的演变。我们通过实验表明我们的方法适用于插值植物器官的进化，这是对表型性状测量的有用结果。我们将我们的方法视为朝着野外机器人农业4D重建的相关步骤。
时空DNA甲基化动力学形状巨型级甲基甲基景观
Zn 2+是大约850个人类转录因子所需的必需金属。这些蛋白质如何获得其必需的Zn 2+辅因子，以及它们是否对细胞中不稳定的Zn 2+池的变化敏感仍然是开放的问题。使用ATAC-SEQ进行可访问的染色质的区域，并结合转训练因子富集分析，我们研究了不稳定锌池的增加和减少如何影响染色质的可及性和转录因子富集。我们发现685个转录因子基序被差异富集，对应于507个独特的转录因子。在启动子与基因间区域的扰动模式和转录因子的类型截然不同，锌 - 纤维转录因子在升高的Zn 2+中强烈富集在基因间区域中。测试ATAC-SEQ和转录因子富集分析预测是否与转录因子结合的变化相关，我们使用ChIP-QPCR来实现六个p53结合位点。我们发现，对于六个目标，p53结合与ATAC-SEQ确定的局部可访问性相关。这些结果降低了不稳定锌的变化改变染色质的可及性和转录因子与DNA的结合。
事件摄像机使用异步时空 - ...
与常规摄像机相比，事件摄像机代表了神经形态成像技术的值得注意的进步，由于其独特的优势，研究人员引起了很大的关注。但是，事件摄像机容易受到显着水平的测量噪声，这可能会对依赖于事件流的算法的性能降低，例如感知和导航。在这项研究中，我们介绍了一种新颖的方法来降级事件流，目的是填写未能准确反映出真正的对数强度变化的事件。我们的方法着重于事件的异步性质和时空特性，最终导致了新型异步时空事件的发展神经网络（ASTEDNET）。该网络直接在事件流上运行，规避将事件流转换为图像帧等密集格式的需求，从而保留其固有的异步性质。借助图形编码和时间卷积网络的原理，我们结合了时空特征注意机制，以捕获事件之间的时间和空间相关性。这可以使原始流中每个活动事件像素的分类为代表真正的强度变化或噪声。在多个数据集上针对最先进方法进行的比较评估表明，我们所提出的算法在消除噪声方面具有显着的效率和鲁棒性，同时将有意义的事件信息保留在场景中。
Unist：一个及时授权的城市时空预测的通用模型
城市时空预测对于明智的决策，例如运输管理，资源优化和公共卫生策略增强至关重要。尽管在验证的自然语言模型中取得了突出的突破，这使一个模型能够处理各种任务，但对于时空建模的通用解决方案仍然难以捉摸。现有的预测方法通常是针对特定时空的SCE-Narios量身定制的，需要特定于任务的模型设计和广泛的域 - 特定于域的培训数据。在这项研究中，我们介绍了Unist，这是一种旨在在各种场景中为一般城市时空预测的Unist模型。受到大型语言模式的启发，Unist通过：（i）跨时空数据的可伸缩性取得了成功，（ii）有效的预训练可捕获综合时空关系，（iii）时空知识引导提示提示增强通用能力。这些迹象共同解锁了具有强大的概括能力的各种场景的通用模型的潜力。进行了20多个时空场景的实验，这表明了Unist在提高最先进的词典表现方面的功效，尤其是在少数弹奏和零弹性词语中。数据集和代码实现在https://github.com/tsinghua-fib-lab/unist上发布。
测量和时空异质性分析数字经济发展与农业碳排放性能之间的耦合协调
新的发展模式已经确定了高质量农业和农村发展的持续进步的两个关键途径：数字化和低碳发展。数字经济和农业碳排放性能以及它们的空间和时间异质性是促进数字化和低碳农业的空间协调和可持续发展的关键步骤。本文采用熵值法，SBM模型和耦合协调学位模型来研究数字经济和农业碳发射的耦合协调测量和时空异质性。所使用的数据是2013年至2021年的省面板数据。模拟结果表明，在2013年至2021年之间，所有省份的数字经济都表现出不同程度的增长，但是各省之间数字经济的发展表现出更为明显的分歧趋势。同时，中国的农业碳排放效率表现出波动的上升趋势。发现数字经济的发展和农业碳排放的效率高度耦合。他们的耦合和协调关系显示出下降趋势，随后趋势向上趋势。一般而言，建议我们应该增加对数字基础设施和技术的投资，促进数字农业应用，增强政治指导和财务支持，建立耦合协调机制，并增强农民的数字素养和环境意识。
时空景观森林及其对股票的影响
摘要本研究旨在分析2015 - 2023年土地关闭/使用的变化，并怀疑碳储备的数量存储在Hutumuri国家。本研究中使用的2015年和2023个时期的Google Earth图像来检测土地封闭/使用的变化。使用指导分类方法的土地封闭类型的分类类型，其中包括4种土地覆盖率，包括森林，农林业，灌木和定居点。通过计算每种土地覆盖量乘以碳储备率的每种类型的土地覆盖率，可以获得本研究中的碳储备量。结果表明，在观察期间，研究地点有各种土地覆盖/使用。森林土地覆盖率从2015 - 2023年增加了17.62％，定居点为0.34％。与农林着灌木和灌木的覆盖率成反比，在观察期间下降了10.28％和7.68％。这肯定会影响研究地点存储的碳储备量。在研究地点对土壤表面的总潜力增加了19.59％，在林地与其他观察期相比，在森林土地上发现的碳储备电位最大的碳储备潜力最大。
Khronos：时空度量的统一方法 -
图1：我们提出了Khronos，这是一种在动态环境中执行指标同时映射和定位（SLAM）时，是一种统一的推理方法，以推理短期动态和长期变化。上面显示了始终代表场景状态的Khronos时空图中的一些实例。短期动力学（左）显示在洋红色中，并与相应时间间隔内观察到的人类作用进行了比较。我们显示了检测到的移动点以及质心轨迹周围的电流和初始边界框。检测到人类和无生命的物体（例如购物车（左下））。长期更改（右）显示了同一场景的三个时间实例。最早的实例是时间0:20（右上角）。机器人在走廊上移动时，卸下椅子，并将红色冷却器放在桌子的顶部；这些更改被检测到机器人重新访问，并在时间1:52（右下）关闭循环。最后，再次将冷却器卸下，该机器人在时间3:35检测到。