XiaoMi-AI文件搜索系统
World File Search System模式
将DNA管理模式迁移到Meraki管理模式
•如果您想迁移Cisco Catalyst 9300从Meraki管理模式转换为DNA管理模式，请联系Meraki支持。您需要为DNA许可证打开PO，但是您可以打开Meraki许可证并获得购买DNA许可证的信用。还请注意，这将把开关重置为其出厂默认设置，并从交换机中删除所有配置。
C++ Online 2024 | 策略设计模式
策略设计模式是一种基本的行为设计模式，允许客户端在运行时控制对象的行为。策略模式在 C++ STL 中实际应用，例如将“策略”应用于如何执行操作（例如 std::par 或 std::seq 就是一个例子）——因此策略通常也称为“策略模式”。策略设计模式通常用于在运行时选择算法以最好地解决问题——将算法行为与对象本身分开，以帮助我们的软件更易于维护、扩展和灵活。在本次演讲中，我们将从头开始介绍一系列使用策略模式在运行时部署不同算法的 C++ 示例。我们还将查看部署策略模式的库中的代码示例，并讨论在现代 C++ 中使用策略模式的最佳实践。策略模式还将与模板方法模式进行比较，后者可能是一种替代选择。与会者将通过本次演讲获得继续实施策略模式的知识，以及如何在他们可能正在开展的项目中发现策略设计模式！
人类红系细胞相关基因表达模式
红系细胞在免疫调节和免疫抑制中的作用是现代免疫学的新兴课题之一，由于不同组织和不同物种的红系细胞表达不同的免疫调节分子，因此仍需要进一步阐明。在本研究中，我们利用 BD Rhapsody 的最先进的单细胞靶向蛋白质组学和转录组学以及通过 NanoString Sprint Pro 进行的癌症相关基因拷贝数变异分析，对来自成年健康捐赠者和成年急性淋巴细胞白血病患者的人骨髓红系细胞进行了彻底的研究。我们发现人类骨髓红系细胞表达 ARG1、LGALS1、LGALS3、LGALS9 和 C10orf54 (VISTA) 免疫抑制基因、CXCL5、CXCL8 和 VEGFA 细胞因子基因，以及参与抗菌免疫和 MHC II 类抗原呈递的基因。我们还发现 ARG1 基因表达仅限于单个红细胞簇，我们将其称为 ARG1 阳性正色红细胞，而晚期红细胞在急性淋巴细胞白血病的情况下会失去 S100A9 并获得 MZB1 基因表达。这些发现表明，即使没有任何转分化刺激（如癌症），稳定状态的红细胞生成骨髓红细胞也会表达髓系特征基因。
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。
大多数：运动预测的多模式场景象征化
许多现有的运动预测方法都依赖于符号感知输出来生成代理轨迹，例如边界框，路图信息和traf-fight。这种符号表示是现实世界的高级表现，它可能会使运动预测模型容易受到感知错误的影响（例如，在检测开放式录音障碍时失败），而缺少场景中的显着信息（例如，糟糕的道路条件）。另一种范式是从原始传感器中端到端学习。但是，这种方法缺乏解释性，需要大量的培训资源。在这项工作中，我们提出将视觉世界的标记化为一组紧凑的场景元素，然后利用预先训练的图像基础模型和LiDAR神经网络以开放式播音方式进行编码所有场景元素。图像基础模型使我们的场景令牌可以编码开放世界的一般知识，而LiDAR神经网络编码几何信息。我们提出的表示形式可以有效地用几百个令牌编码多帧多模式观察，并且与大多数基于变压器的体系结构兼容。为了评估我们的方法，我们使用了带有凸轮嵌入的Waymo开放运动数据集。通过Waymo开放运动数据集进行的实验表明，我们的方法会导致对最先进的表现的显着改善。
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。
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
lami：多模式人类机器人互动的大型语言模型
无缝的人类机器人相互作用（HRI）需要机器人对人类的多模式输入的熟练处理，包括语音，凝视和面部表情，以准确评估人类的影响并相应地提供帮助。同时，机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类，包括语音，手势和凝视。传统上，在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中，以前的研究通常合并意图识别模块，以基于多模式输入[3，17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块，对于建立社会细微差别的互动至关重要[10，16，18]。但是，这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面，许多先前的系统集成了情绪状态[8，11]模块，以控制人形输出提示，例如音调，凝视或面部表情，增强了向人类反馈的透明度和生动性。关于运动产生，提出了多种方法，包括预先建立的运动集的混合和图表[19，25]，以及使用运动捕获数据[5，9，15]。值得注意的是，这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解，推理和计划的能力，在短时间内提出了许多机器人应用[7，12，14，20，21，28]。例如，Zhang等人。大型语言模型（LLM）的最新进展，诸如聊天机器人，数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1]，它能够解释人的自然语言命令，分析环境并生成具体的可执行操作序列，以通过使用LLMS来满足人类的要求。但是，机器人和人之间的互动提示仅限于语音命令，即使没有语音输出。最近，一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]； Yoshida等人，使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29]，而不是用于实践援助。Baermann等人，部署了LLM不仅遵循人类的言语命令，而且还通过人类的自然语言反馈来纠正其错误[2]。然而，通信主要依赖语音相互作用，而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统，该系统能够与人类在VR环境中的组装任务中合作。，但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常，与快速