XiaoMi-AI文件搜索系统
World File Search System模式
通过实例模式编写器实现可泛化的隐式神经表征
尽管隐式神经表征 (INR) 近期取得了进展，但对于基于坐标的 INR 多层感知器 (MLP) 来说，学习跨数据实例的通用表征并将其推广至未见实例仍然具有挑战性。在这项工作中，我们为可推广的 INR 引入了一个简单而有效的框架，该框架使基于坐标的 MLP 能够通过仅调节早期 MLP 层中的一小组权重作为实例模式组合器来表示复杂数据实例；其余 MLP 权重学习跨实例通用表示的模式组合规则。我们的可推广 INR 框架与现有的元学习和超网络完全兼容，可用于学习预测未见实例的调节权重。大量实验表明，我们的方法在音频、图像和 3D 对象等广泛领域都实现了高性能，而消融研究验证了我们的权重调节。
为独居老人考虑的全新规划模式
该计划的首要目标是创建一个“通用”模型，该模型将对各种独居老人都适用，无论其收入水平、居住地和其他个人情况如何。它还必须成本低廉、可扩展，并能够利用用户的生活经验。最后，它必须建立在确凿的证据之上，证明整体方法将产生预期的效益。为此，来自多个来源的想法和研究都融入了开发过程。
商业模式画布 - 博洛尼亚商会
∞ 有关官僚、行政和法律义务的信息； ∞ 对补贴融资的见解，特别是对新企业的机会、融资和贡献，以及对研究和确定与商业项目一致的援助类型的支持。得益于众筹中心 (https://www.crowdfundport.eu/crowd-funding-hub/italy/)，还为初创企业和中小型企业提供众筹支持； ∞ 深入分析与各个活动领域相关的经济和法律问题； ∞ 有关现有的创业文化培训活动的信息； ∞ 有关企业管理的理论和实践方面的培训和深入课程； ∞ 协助确定有能力处理初创企业和企业相关事务的地方机构和服务机构。除了主要通过个性化和一对一访谈开展的直接支持活动外，该服务还通过组织旨在传播创业文化的会议、研讨会、会议和干预措施开展频繁的地域动画活动。
具有 ESG 和可持续性特征的商业模式画布
当前的社会和环境问题 - 社会问题：很多场景是孩子和妇女在街上争相等待游客前来出售他们的手工制品，有时他们不得不站在恶劣的天气中跟随游客，这给刚到的外国游客带来不适和困惑。 - 环境问题：工厂向环境中排放过多的废物，存在许多可能导致工人健康的问题。
JABEEN、Fauzia、Jaroslav BELÁS、Gabriele SANTORO 和 Gazi Mahabubul ALAM。开放式创新在促进中小企业商业模式创新方面的作用
COVID-19 疫情改变了全球的市场、组织、个人、行业、行为和技术发展（Breier 等人，2021 年）。各种类型和规模的公司都被迫以非常快速和敏捷的方式适应，以在巨变的时代生存下来。值得注意的是，这种变化被认为是暂时的。然而，事实并非如此。这场疫情彻底改变了许多方面，并将在未来几年和几十年影响更多方面。这与文献一致，文献表明，充满挑战的时代和巨大的挑战可以刺激新的增长道路（Bertello 等人，2022a、2022b）。因此，企业必须适应并在充满挑战的时代创造生存条件。这不是开发新产品或新工艺的问题（Sukumar 等人，2020 年）。相反，这种根本性的变化需要重新思考商业模式（Piccolo 等人，2022 年）。商业模式创新通常涉及数字化流程
可再生能源可持续商业模式回顾
注：改编自 Bryant, ST、Straker, K. 和 Wrigley, C. (2018) 撰写的《电力类型：日益可再生能源领域的能源公用事业商业模式》。《清洁生产杂志》，195，1032-1046。& Siksnelyte-Butkiene, I.、Streimikiene, D.、Balezentis, T. 和 Volkov, A. (2023) 撰写的《能源生产消费的推动因素和障碍：商业模式的概念回顾和综合分析》。《可持续能源技术与评估》，57，103163。
通过熵和引导多模式融合在不利天气条件下增强对象检测
摘要。通过互补感应方式整合各种表示形式对于自主驾驶中的强大场景解释至关重要。近年来，融合视觉和范围数据的深度学习体系结构具有先进的2D和3D对象检测。但是，这些方式在不利的天气或照明条件下通常会降解，从而导致性能下降。虽然已经开发了域适应性甲基元素来弥合源域和目标域之间的缝隙，但由于源和目标域之间的固有差异，它们通常会缺乏。此差异可以在数据的不同分布和不同特征空间的不同分布中表现出来。本文介绍了一个全面的域自适应对象检测框架。通过深度转移学习开发，该框架旨在从标记的透明天气数据中稳健地概括到无标记的不良天气条件，从而增强了基于深度学习的对象检测模型的性能。创新的斑块熵融合模块（PEFM）是我们方法的核心，该方法动态整合了sens-sor数据，强调关键信息并最大程度地减少了背景干扰。这进一步补充了一种新型的加权决策模块（WDM），该模块（WDM）根据其在特定环境条件下的功效来调整不同传感器的贡献，从而优化了检测准确性。此外，我们在转移学习过程中集成了域对齐损失，以确保有效的域适应性通过将特征图差异定于清晰和不利天气数据集之间的差异。我们评估了不同数据集的模型，包括Exdark（单峰），CityScapes（单峰）和密集（Mul-timodal），在我们评估的时间点，它在所有数据集中排在所有数据集中。