XiaoMi-AI文件搜索系统
World File Search System法线
飞机维修工程 - Bteup
I 学期 (AME 通用) 1.1 数学-I L T P 4 2 - 原理：数学是工程教育的支柱。它对于定量理解工程和技术概念是必不可少的。按主题划分的时间段分布 __________________________________________________________________ Sl.No.主题 覆盖时间 ______________________________________________________L___T___P___ 1.代数 15 8 - 2.三角学 15 8 - 3.微积分 26 10 - _________________________________________________________________ 总计 56 28 - _________________________________________________________________ 详细内容 1.代数： (i) 方程理论和根的对称函数。(ii) 二项式、对数和指数级数、一般指数和对数级数（修订版）。(iii) 复数及其在工程问题中的应用。(iv) 矢量及其图形表示 矢量的数学运算。(v) 矩阵和行列式（基本概念）。2.三角学：（i）逆圆函数。(ii) 德莫维尔定理及其应用。3.微分学：（i）求函数微分系数导数的方法。(ii) 函数的微分。(iii) 对数微分。(iv) 逐次微分。(v) 偏微分。(vi) 切线和法线结果的应用。(vii) 最大值和最小值
金属有机骨架薄膜和异质结构的 GIWAXS 表征：量化结构和方向
对于金属有机骨架 (MOF) 薄膜的光电应用，能够制造相对于基底表面法线高度取向的薄膜和异质结构非常重要。但是，如果没有足够详细的沉积薄膜结构表征，实现此目标的工艺优化将非常困难。结果表明，实验室系统的 2D 掠入射广角 X 射线散射 (GIWAXS) 数据对于提供此类表征大有帮助，并且可以 1) 比 1D 扫描更好地测试结构模型，2) 提供具有所需表面取向纹理（2D 粉末）的沉积薄膜部分的定量估计（可用于工艺优化），以及 3) 提供此类信息作为薄膜深度的函数（可用于异质结构表征）。本文在理解 MOF 薄膜的背景下介绍了 GIWAXS 数据收集和分析，然后展示了如何通过最小化溶液中的成核作用将通过蒸汽辅助转化制备的 UiO-66 的所需取向分数（2D 粉末分数）从 4% 提高到 95% 以上。最后，证明了一旦优化合成方案，就可以生长 UiO-66 和 UiO-67 的异质结构，其中两层都是高度有序的（UiO-66 83%，UiO-67 > 94%）。
最小二乘的通用数学模型...
关键词：三维表面匹配，三维相似变换，带状平差，激光测高 摘要：机载激光扫描仪、摄影测量方法或其他三维测量技术获取的点云中的系统误差需要通过平差程序进行估计和消除。所提出的方法使用数学平差模型估计参考表面和配准表面之间的变换参数。三维表面匹配是二维最小二乘图像匹配的扩展。估计模型是典型的高斯-马尔可夫模型，目标是最小化相邻表面之间的欧几里得距离的平方和。除了通用数学模型外，我们还提出了适用于特殊配准应用的共轭点规则的概念，并将其与三种典型的共轭点规则进行了比较。最后，我们解释了该方法如何用于真实三维点集的配准，并展示了基于机载激光扫描仪数据的配准结果。实验的最终结果表明，该方法具有良好的三维表面匹配性能，最小法线距离规则为机载激光测高数据的条带平差提供了最佳结果。
自然光自旋光未校准光度立体
自然光未校准光度立体 (NaUPS) 减轻了经典未校准光度立体 (UPS) 方法中严格的环境和光线假设。然而，由于内在的不适定性和高维模糊性，解决 NaUPS 仍然是一个悬而未决的问题。现有的工作对环境光和物体的材质施加了很强的假设，限制了它在更一般场景中的有效性。或者，一些方法利用监督学习和复杂的模型，但缺乏可解释性，导致估计有偏差。在这项工作中，我们提出了自旋光未校准光度立体 (Spin-UP)，一种无监督方法来解决各种环境光和物体中的 NaUPS。所提出的方法使用一种新颖的设置，可以在旋转平台上捕捉物体的图像，通过减少未知数来减轻 NaUPS 的不适定性，并提供可靠的先验来缓解 NaUPS 的模糊性。利用神经逆向渲染和提出的训练策略，Spin-UP 可以在复杂的自然光下恢复表面法线、环境光和各向同性反射率。实验表明，Spin-UP 的表现优于其他监督/无监督 NaUPS 方法，并在合成和真实数据集上实现了最先进的性能。代码和数据可在 https://github.com/LMozart/CVPR2024-SpinUP 上找到。
用于自然光未校准光度立体成像
自然光未校准光度立体 (NaUPS) 减轻了传统未校准光度立体 (UPS) 方法中严格的环境和光线假设。然而，由于内在的不适定性和高维模糊性，解决 NaUPS 仍然是一个悬而未决的问题。现有工作对环境光和物体材质施加了强有力的假设，限制了更一般场景中的有效性。或者，一些方法利用复杂模型的监督学习，但缺乏可解释性，导致估计有偏差。在这项工作中，我们提出了自旋光未校准光度立体 (Spin-UP)，这是一种无监督方法，用于解决各种环境光和物体中的 NaUPS。所提出的方法使用一种新颖的设置，在可旋转的平台上捕获物体的图像，通过减少未知数来减轻 NaUPS 的不适定性，并提供可靠的先验来缓解 NaUPS 的模糊性。利用神经逆向渲染和所提出的训练策略，Spin-UP 可以以较低的计算成本恢复复杂自然光下的表面法线、环境光和各向同性反射率。实验表明，Spin-UP 优于其他监督/无监督 NaUPS 方法，并在合成和真实世界数据集上实现了最先进的性能。代码和数据可在 https://github.com/LMozart/CVPR2024-SpinUP 获得。
自动检测建筑点...
希腊雅典国立技术大学乡村与测量工程学院摄影测量实验室，电子邮箱：maltezosev@gmail.com；cioannid@survey.ntua.gr 第三委员会，第三工作组/2 关键词：激光雷达、点云、建筑物提取、扫描线、过滤、变化检测 摘要：本研究旨在自动检测建筑物点：（a）从激光雷达点云中使用简单的过滤技术来增强每个点的几何特性，以及（b）从使用立体方法半全局匹配 (SGM) 在高分辨率彩色红外 (CIR) 数字航空影像上应用密集图像匹配提取的点云。第一步，去除植被。在 LIDAR 点云中，首先使用法线，然后使用粗糙度值，实施并评估两种不同的方法：（1）建议的扫描线平滑滤波和阈值处理，以及（2）双边滤波和阈值处理。对于 CIR 点云的情况，出于相同目的，计算归一化差异植被指数 (NDVI) 的变化。之后，使用形态学算子提取裸地并将其从其余场景中移除，以保留建筑物点。使用现有正射影像作为参考，评估在希腊北部城市地区应用每种方法提取的建筑物的结果；此外，将结果与从两个商业软件中提取的相应分类建筑物进行比较。最后，为了验证达到最佳精度的提取建筑物点的实用性和功能性，在整个场景的子区域上指示性地执行细节级别 1 (LoD 1) 的 3D 模型和 3D 建筑物变化检测过程。
自噬/脂肪在响应中的作用...
摘要。胃癌是最常见的最常见的恶性肿瘤，也是全球癌症相关死亡率的第二大主要原因。最近的研究表明，组织干细胞和自我更新转录因子，八聚体结合转录因子4（OCT4）可能与某些肿瘤的发展有关。这项研究的目的是研究正常胃中OCT4和多步胃癌发生期间的表达模式。幽门腹粘膜组织是通过内窥镜检查（由于胃肠道症状上部）和胃切除术（由于幽门腹膜腺癌造影瘤引起的同意的印度人（由于上层胃肠道症状）而获得的。处理了一些组织样品，以组装代表多步癌作用的一系列组织切片，并使用抗OCT4抗体和针对α-L-糖果或N-乙酰-D-乙酰-D-葡萄糖的凝集素进行了探测。使用相同的抗体处理一些组织样品进行亚细胞分馏和蛋白质印迹分析。结果表明，在显微法线正常胃粘膜活检的Pit-Gland单位的增殖细胞室中发现了表达OCT4的细胞。粘膜组织具有严重胃炎的证据，化生/发育不良转化和胃癌显示出OCT4的表达显着增加（标记面积从对照组的2％增加到胃炎和癌组织中的6％和16％），这表明OCT4在癌症早期Devel devel evel opments的早期阶段发挥了作用。此外，数据显示OCT4的亚细胞分布发生了变化，可能是由于抑制作用
大脑解剖：fMRI 训练的网络揭示自然图像处理中的空间选择性
深度神经网络 (DNN) 特征与皮质反应之间的一致性目前为更高级的视觉区域提供了最准确的定量解释 [1、2、3、4]。与此同时，这些模型特征也被批评为无法解释的解释，将一个黑匣子（人脑）换成了另一个黑匣子（神经网络）。在本文中，我们训练网络直接从头开始预测大脑对来自大规模自然场景数据集的图像的反应 [5]。然后，我们使用“网络解剖” [6]，这是一种可解释的人工智能技术，通过识别和定位图像中已训练网络的各个单元中最显著的特征来增强神经网络的可解释性，该技术已用于研究人脑的类别选择性 [7]。我们采用这种方法创建了一个假设中立模型，然后使用该模型探索类别选择性之外的特定视觉区域的调节特性，我们称之为“大脑解剖”。我们利用大脑解剖来研究一系列生态上重要的中间特性，包括深度、表面法线、曲率和物体关系，这些特性贯穿顶叶、外侧和腹侧视觉流以及场景选择区域的子区域。我们的研究结果揭示了大脑各区域对解释视觉场景的不同偏好，其中腹外侧区域偏爱较近和较弯曲的特征，内侧和顶叶区域选择更多样化和更平坦的 3D 元素，而顶叶区域则特别偏爱空间关系。场景选择区域表现出不同的偏好，因为后压部复合体偏爱远处和户外特征，而枕叶和海马旁回区域偏爱近处、垂直性，而在 OPA 的情况下，偏爱室内元素。这些发现表明，使用可解释的人工智能揭示整个视觉皮层的空间特征选择性具有潜力，有助于更深入、更细致地了解人类视觉皮层在观看自然场景时的功能特征。
深度学习在湍流中的应用
摘要 本论文研究了深度学习和深度强化学习在湍流模拟中的应用。深度学习模型经过训练可以进行时间和空间预测，而深度强化学习则应用于流量控制问题，即减少明渠流中的阻力。长短期记忆 (LSTM, Hochreiter & Schmidhuber 1997) 网络和 Koopman 非线性强迫 (KNF) 模型经过优化，可以在两种降阶湍流模型中执行时间预测，即 Moehlis 等人 (2004) 提出的九方程模型和最小通道流的截断适当正交分解 (POD) (Jim´enez & Moin 1991)。在第一个应用中，这两个模型都能够产生准确的短期预测。此外，预测的系统轨迹在统计上是正确的。KNF 模型在短期预测方面优于 LSTM 网络，并且训练计算成本低得多。在第二个任务中，只有 LSTM 可以成功训练，预测出统计上准确的轨迹。空间预测是在两种湍流中进行的：明渠流和边界层流。全卷积网络 (FCN) 用于使用壁面测量值预测给定壁面法线位置的二维速度波动场（反之亦然）。由于这些模型的非线性特性，它们提供了比扩展 POD（Bor'ee 2003）等最佳线性方法更好的重建性能。最后，我们展示了深度强化学习在发现湍流新控制策略方面的潜力。通过将流体动力学问题构建为多智能体强化学习环境，并使用位置不变的深度确定性策略梯度 (DDPG) 算法训练智能体，我们能够学习一种控制策略，该策略可显著减少 30% 的阻力，比现有策略提高约 10 个百分点。