XiaoMi-AI文件搜索系统
World File Search System模式
MADTP：多模式对准引导的动态令牌修剪，以加速视力 - 语言变压器
视觉 - 语言变压器（VLT）最近显示出巨大的成功，但同时伴随着大量的计算成本，其中主要原因可以归因于大量的视觉和语言令牌。存在用于压缩VLTS的令牌修剪研究主要遵循基于单模式的方案，但忽略了对齐不同模态来指导令牌修剪过程的关键作用，从而导致重要的代币在另一个模态分支中错误地修剪一个模态。同时，现有的VLT修剪作品也缺乏基于不同输入样本动态压缩每一层的灵活性。为此，我们提出了一个名为M Ultodal的新颖框架，用于加速变化VLT的木质制成d ynamic t ynamic t oken p Runing（MADTP）。具体来说，我们首先引入了精心设计的多模式对齐指导（MAG）模块，该模块可以使相同语义概念的特征与不同的模式相结合，以确保修剪的代币对所有模式都不太重要。我们进一步设计了一种新型的dy-namic令牌修剪（DTP）模块，该模块可以根据不同的输入实例自适应地调节每个层中的令牌压缩比。对各种基准测试的广泛实验表明，MADTP可以显着确定多种模型的计算复杂性，同时保留竞争性能。值得注意的是，当将MADTP应用于NLVR2数据集中的BLIP模型时，可以将GFLOPS降低80％，而性能降低少于4％。该代码可在https://github.com/double125/madtp上找到。
EmbodiedScan：面向具身 AI 的整体多模式 3D 感知套件
摘要 在计算机视觉和机器人领域，具身代理有望探索其环境并执行人类的指令。 这就需要能够根据第一人称观察充分理解 3D 场景，并将其语境化为语言进行交互。 然而，传统研究更多地侧重于从全局视角进行场景级输入和输出设置。 为了解决这一差距，我们引入了 EmbodiedScan，这是一个多模态、以自我为中心的 3D 感知数据集和整体 3D 场景理解的基准。 它包含超过 5k 个扫描，封装了 1M 个以自我为中心的 RGB-D 视图、1M 个语言提示、160k 个 3D 导向框，涵盖 760 多个类别，其中一些与 LVIS 部分一致，以及具有 80 个常见类别的密集语义占用率。 基于这个数据库，我们引入了一个名为 Embodied Perceptron 的基线框架。它能够处理任意数量的多模态输入，并表现出卓越的 3D 感知能力，无论是在我们建立的两个系列基准测试（即基本 3D 感知任务和基于语言的任务）中，还是在野外。
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
三模式运动通过学习联合嵌入空间
信息检索是一个不断发展且至关重要的搜索域。对高质量人类运动数据的大量需求，尤其是在在线获取中，导致人类运动研究工作的激增。先前的作品主要集中在双模式学习上，例如文本和运动任务，但是很少探索三模式学习。直觉上，额外的引入方式可以丰富模型的应用程序方案，更重要的是，对额外模式的适当选择也可以充当中介，并增强其他两个不同方式之间的对齐方式。在这项工作中，我们介绍了Lavimo（语言视频 - 动作对齐），这是一个三模式学习的新型框架，将以人为中心的视频整合为一种额外的方式，从而可以在文本和运动之间弥合差距。更重要的是，我们的方法利用了一种专门设计的注意机制来增强文本，视频和运动方式之间的一致性和协同作用。经验，我们对HumanML3D和Kit-ML数据集的结果表明，Lavimo在各种与运动相关的跨模式检索任务中实现了最先进的表现，包括文本到动作，动作到运动，视频，视频到视频，动作和动态。我们的项目网页可以在https://lavimo2023.github.io/lavimo/中找到。
XII主题 - 生物学（基于新的CBSE模式）
每月测试（基于CBSE模式）第I章 - 开花植物中的有性繁殖主题：生物学类：XII时间：1：00小时。最大标记：20注意：第A部分，没有一个到四个是01标记的每个部分B-第五和第六个分数为02分，每个部分c-问题数字第七为03分，第八个问题 - 第八个问题是一个案例研究，值4分。第e节第九部分为5分。SN问号
在处理个人数据中的上瘾模式
在欧盟之外，各个国家和国际机构也认识到在线上瘾实践的影响。例如，联合国强调了在数字环境中解决数字成瘾和保护儿童权利的必要性4。但是，特定法规因国家而异。有些人已经实施了与技术成瘾特征有关的准则或法律，而另一些人仍在探索实际方法。例如，纽约立法机关于2024年6月通过的《儿童法案》第5号法案的停止成瘾性饲料剥削（安全）将禁止社交媒体平台根据某些情况下的建议算法将内容提供给18岁以下的用户。取而代之的是，这些平台将必须为年轻用户提供逆式供稿6。
镜子u-net：将多模式裂变与多任务学习嫁给医学成像中的语义分割
正电子发射断层扫描（PET）和计算的刻录术（CT）通常共同用于检测肿瘤。PET/CT分割模型可以自动化肿瘤的描述，但是，当前的多模式模型不能完全阐明每种模式中的互补信息，因为它们要么串联PET和CT数据，要么在决策水平上融合它们。为了对抗这一点，我们提出了镜像u-net，它通过将多模式表示形式分配到模态特异性的解码器分支和辅助多模态解码器中，以多模态化的方式代替了传统的融合方法。在这些分支上，镜像u-net标志着一个针对每种模式量身定制的任务，以增强单峰特征，同时保留共享表示中的多模式特征。与以前的方法相比使用了其他方法或多任务学习，Mirror U-net将两个范式结合在一个统一的框架中。我们探索各种任务组合，并检查在模型中共享的哪些参数。我们在Autopet PET/CT和多模式MSD Braintumor数据集上评估了Mirror U-NET，证明了其在多模式分段中的有效性并在两个数据集中实现了先进的性能。代码：https：//github.com/zrrrrr1997/ autopet_challenge_mirrorunet