XiaoMi-AI文件搜索系统
World File Search System暹罗
联合数学会议（JMM 2025）
暹罗接收工业数学建模，2025年1月9日，星期四，下午7:00 - 9:00 •Sheraton Grand Seattle Redwood Room，Siam任务的很大一部分是围绕数学建模，分析和计算在现实世界中的问题上建立社区。Join us in celebrating the many ways that mathematical modeling has improved our lives, and learn more about SIAM's collaborative efforts to build a workforce dedicated to mathematical modeling in industry, including programs such as the MathWorks Math Modeling (M3) Challenge, Preparation for Industrial Careers in Mathematical Sciences (PIC Math) in collaboration with MAA, Graduate Student Mathematical Modeling Camp (GSMMC), Mathematical Problems in Industry （MPI）研讨会，数学建模中心（与COMAP和NCTM合作）和大型数学网络。
使用加强学习
摘要 - 使用无人驾驶汽车（无人机）的搜索和救援应用也称为无人机，由于其对生态系统和人员的影响很大，因此正在成为行业和学术界感兴趣的研究主题。探索灾区是搜救和救援的关键要素，以确定需要立即援助或具有较高危险概率的区域。本文旨在使用无人机对灾区的覆盖范围优化。我们将重点放在研究的情况下。所提出的方法由两个主要部分组成：i）暹罗网络用于识别卫星图像中的浮游建筑物，ii）ii）感兴趣的点被转换为合适的迷宫环境，随后，任何增强学习（RL）结构用于区域覆盖范围以进行区域覆盖范围。在这里，RL体系结构的目标是通过优化时间和以前访问的区域来确保无人机覆盖完整的环境。实验以显示当前方法的好处和挑战。
获得认证企业名单
1 普华永道泰国 2 友邦保险有限公司 3 友邦保险有限公司（非寿险）泰国分公司 4 西门子有限公司泰国 5 松布恩先进技术有限公司 6 标准普尔辛迪加有限公司 7 暹罗水泥有限公司 8 毕马威富猜商业咨询有限公司 9 Intouch 控股有限公司 10 开泰银行有限公司 11 开泰资产管理有限公司 12 开泰证券有限公司 13 Bangchak Petroluem 有限公司 14 太钢金融集团有限公司 15 太钢银行有限公司 16 太钢证券有限公司 17 太钢资产管理有限公司 18 大城银行有限公司 19 毕马威富猜审计有限公司 20 毕马威富猜税务有限公司 21 Erawan 集团有限公司 22 葛兰素史克（泰国）有限公司 23 Phatra资本公共有限公司 24 大城资产管理有限公司 25 大城保理有限公司
图像生成AI模型基于对比度学习样式距离计算
摘要。本文提出了一种检索训练有素的图像生成洛拉（低级别适应性）模型的方法。此搜索算法采用单个任意图像输入，然后将模型在其中将图像转换为与输入映像相同的样式中的模型。我们使用三胞胎网络（带有三重损失的暹罗网络）采用了对比度学习方法。我们在预采用的洛拉模型上创建了一个示例图像集并执行了样式转移。使用这些传输的图像，对网络进行了微调，以通过其样式而不是通过其主题来计算距离；对于由不同的Lora模型转化的同一主题的一对图像对成对的差异很大，对于由同一LORA模型转换的不同下ject的图像对。通过准确评估任务评估了搜索算法，这些任务估计是否通过对模型进行排名的相同模型和用户实验进行了转换。实验结果表明，精细调整至关重要，样本图像集的多样性也很重要。
模式识别信 - usiena air
尽管开发了用于合成图像归因的多种方法，但其中大多数只能归因于训练集中包含的模型或体系结构生成的图像，并且不适用于未知体系结构，从而阻碍了其在现实世界中的适用性。在本文中，我们提出了一个依赖暹罗网络来解决合成图像对生成它们的体系结构的开放设定归因的问题。我们考虑两个不同的设置。在第一个设置中，系统确定是否由相同的生成体系结构产生了两个图像。在第二个设置中，系统验证了用于生成合成图像的体系结构的主张，并利用由声明的体系结构生成的一个或多个参考图像。提出的系统的主要优势在于它在封闭和开放式场景中都可以操作的能力，以便输入图像（查询和参考图像）可以属于训练期间考虑的体系结构。实验评估包括各种生成架构，例如gan，扩散模型和变压器，重点关注合成面部图像产生，并在封闭和开放设定的设置以及其强大的概括能力中确认了我们方法的出色性能。
Wolfram Barfuss
2023：AI4ABM研讨会（V）; NDA，波茨坦； Zef，波恩；波恩的可持续未来；伦敦合作社AI；伯克利·马尔研讨会（V）； ECEM，莱比锡；可持续AI实验室，波恩； CESOC研讨会（V）; Lamarr Institute（V）；波恩的Tchumatchenko Group； Hasenauer Group，波恩2022：合作AI研讨会（V）； Uni Leeds（V）；暹罗生活科学迷你研讨会（V）； MPI用于探测生物学； libre de bruxelles;非线性动力系统研讨会（V），阿姆斯特丹合作座谈会（V）的适应性；自适应和学习代理AAMAS研讨会（V）；跨量表的集体学习ICLR研讨会（V）；皇家学会集体知识会议（V）2021：Uni Leeds（V）； uni t ubingnen（v）; Uni Graz（V）; Uni Konstanz（V）;达特茅斯学院（V）；荷兰新兴现象研究所（V）；学习，进化与游戏（腿）会议（v）； Comarl AAAI春季研讨会（V）
2023 年 5 月 10 日星期三 - 查找会议
1420 使用 NovaSAR-1 和 Sentinel-1 数据进行自动洪水测绘的基于卷积神经网络 (CNN) 的深度学习方法 Andrew Ogbaeje，南昆士兰大学 1430 使用澳大利亚制造的低成本 IoT GNSS 传感器进行天气建模和监测 Jun Wang 博士，Kurloo Technology Pty Ltd 1440 潮汐上涨：潮汐数据可以告诉我们维多利亚州菲利普港湾未来沿海洪水的哪些信息 David Pepin，Spatial Vision 1450 深度学习 U-Net 分类 Sentinel-1 和 2 融合有效划定热带山地森林的森林砍伐范围 Richard Dein Altarez，南昆士兰大学 1500 使用基于 GIS 的模糊 AHP 和模糊叠加对澳大利亚昆士兰州养蜂土地适宜性进行时空评估 Sarasie Tennakoon，南昆士兰大学 1510 基于无人机的图像和机器学习来检测澳大利亚北部的入侵性暹罗草 Deepak Gautam，皇家墨尔本理工大学，地理空间科学 1520 灾害环境下非正规住区的空间增长模式：以哥伦比亚莫科阿为例 Ricardo Camacho，墨尔本大学
2023 年 5 月 10 日星期三 - 查找会议
1420 使用 NovaSAR-1 和 Sentinel-1 数据进行自动洪水测绘的基于卷积神经网络 (CNN) 的深度学习方法 Andrew Ogbaeje，南昆士兰大学 1430 使用澳大利亚制造的低成本 IoT GNSS 传感器进行天气建模和监测 Jun Wang 博士，Kurloo Technology Pty Ltd 1440 潮汐上涨：潮汐数据可以告诉我们维多利亚州菲利普港湾未来沿海洪水的哪些信息 David Pepin，Spatial Vision 1450 深度学习 U-Net 分类 Sentinel-1 和 2 融合有效划定热带山地森林的森林砍伐范围 Richard Dein Altarez，南昆士兰大学 1500 使用基于 GIS 的模糊 AHP 和模糊叠加对澳大利亚昆士兰州养蜂土地适宜性进行时空评估 Sarasie Tennakoon，南昆士兰大学 1510 基于无人机的图像和机器学习来检测入侵物种澳大利亚北部的暹罗草 Deepak Gautam，皇家墨尔本理工大学，地理空间科学 1520 灾害环境下非正规住区的空间增长模式：以哥伦比亚莫科阿为例 Ricardo Camacho，墨尔本大学
课程vitae
[1] T. Cui和F. Pillichshammer（2025）。伯恩斯坦近似及以后：通过基本概率理论的证明，元素der Mathematik，被接受，Arxiv：2307.11533。[2] T. Cui，J。Dong，A。Jasra和X. T. Tong（2025）。数值MCMC的收敛速度和近似精度，应用概率的进步，57（1），doi：10.1017/apr.2024.28。[3] T. Cui，G。Ditommaso，R。Scheichl（2024）。多级维度独立于可能性的MCMC，用于大规模反问题，反问题，40，035005。[4] Y. Zhao和T. Cui（2024）。张量训练方法用于状态空间模型中的顺序状态和参数学习，机器学习研究杂志，接受，ARXIV：2301.09891。[5] T. Cui，H。de Sterck，A。D. Gilbert，S。Polishchuk和R. Scheichl（2024）。多层次的蒙特卡洛方法用于随机对流扩散特征值问题，《科学计算杂志》，99（3），1-34。[6] T. Cui，S。Dolgov和R. Scheichl（2024）。使用张量列车进行的深度重要性采样，并适用于先验和后验罕见的事件估计，《 Siam Scientific Computing杂志》，46（1），C1 – C29。[7] T. Cui，S。Dolgov，O。Zahm（2023）。可扩展的有条件深度逆罗森布拉特使用张量列和基于梯度的尺寸降低，计算物理学杂志，485，112103。[8] T. Cui，S。Dolgov（2022）。使用平方逆的Rosenblatt传输，计算数学基础，22（6），1863– 1922年对张量列车的深度组成。[9] T. Cui，X。T。Tong和O. Zahm（2022）。先前的标准化了贝叶斯反问题，逆问题，38（12），124002。[10] T. Cui，X。T. Tong（2022）。统一的绩效分析对信息性的子空间方法，Bernoulli，28（4），2788–2815。[11] O. Zahm，T。Cui，K。Law，Y。Marzouk和A. Spantini（2022）。非线性贝叶斯逆问题的认证维度降低，计算数学，91（336），1789–1835。[12] T. Cui，Z. Wang和Z. Zhang（2022）。通过非线性流变学，计算物理学的通信，ARXIV：2209.02088，一种用于冰川建模的变分神经网络方法。[13] L. Bian，T。Cui，B.T。 Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。[13] L. Bian，T。Cui，B.T。Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。Yeo，A。Fornito，A。Razi，J。Keith（2021）。使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div>[14] T. Cui，O。Zahm（2021）。无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。[15] J. Bardsley，T。Cui（2021）。基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。[16] C. Fox，T。Cui，M。Neumayer（2020）。随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。[17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。[18] R. Brown，J。Bardsley，T。Cui（2020）。[19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。基于功能空间的基于可扩展优化的采样，《暹罗科学计算杂志》，42（2），A1317 – A1347。贝叶斯逆问题中的晶状麦片先验的半变量图超参数估计，逆问题，36（5），055006。一种用于推断遗传调节网络的非线性反向工程方法，PEERJ，8，E9065。[20] T. Cui，C。Fox，C.，M。O'Sullivan（2019）。大规模逆问题的自适应误差模型 - 延迟 - 受众MCMC中降低的模型的随机校正，并应用于多相性逆问题，《工程数值国际杂志》，118（10），578-605。[21] T. Cui，C。Fox，G。Nicholls，M。O'Sullivan（2019）。使用平行马尔可夫链蒙特卡洛来量化地热储层校准中的不确定性，国际不确定性量化杂志，9（3），295–310。[22] S. Thiele，L。Grose，T。Cui，S。Micklethwaite，A。Cruden（2019）。从数字数据中提取高分辨率结构取向：贝叶斯方法，结构地质杂志，122，106–115。[23] C. Reboul，S。Kiesewetter，M。Eager，M。Belousoff，T。Cui，H。DeSterck，D。Elmlund，H。Elmlund（2018）。快速接近原子分辨率单粒子3D重建，简单，结构生物学杂志，204（2），172-181。[24] A. Spantini，T。Cui，K。Willcox，L。Tenorio和Y. Marzouk（2017）。贝叶斯线性反问题的面向目标的最佳近似，《暹罗科学计算杂志》，39（5），S167 – S196。[25] Z. Wang，Y。Marzouk，J。Bardsley，T。Cui和A. Solonen（2017）。贝叶斯的逆问题L 1先验：随机化 - 优化方法，Siam on Scientific Computing杂志，39（5），S140 – S166。
非小细胞肺癌中的新型新兴分子靶标
摘要：使用高光谱图像（HSIS）的对象跟踪获得令人满意的结果，以区分具有相似颜色的对象。然而，当目标发生变形时，跟踪算法往往会失败。在本文中，提出了基于暹罗Pn的高光谱跟踪器来解决此问题。首先，基于遗传优化方法的频带选择方法设计用于快速降低HSI中信息的冗余。特别是选择了三个具有最高关节熵的条带。为了解决SiamRPN模型中模板中的信息随着时间的流逝而衰减的问题，从一般目标跟踪基准中对数据集进行了更新网络的培训，该基准可以获取有效的累积模板。使用光谱信息的累积模板的使用使跟踪变形目标更容易。此外，预先训练的SiamRPN的转移学习旨在为HSIS获得更好的模型。实验结果表明，提出的跟踪器可以在整个公共数据集中获得良好的跟踪结果，并且当目标变形在定性和定量上比较时，它比其他流行的跟踪器要好，从而达到57.5％的总体成功率，变形挑战率的成功率为70.8％。