XiaoMi-AI文件搜索系统
World File Search System深度
Spheroscan：用于球体图像分析的用户友好的深度学习工具。
近年来的抽象背景，三维（3D）球体模型在科学研究中变得越来越流行，因为它们提供了一种与生理相关的微环境，可以模仿体内条件。与传统的二维细胞培养方法相比，它可以更好地了解3D球体测定法具有优势，因为它可以更好地了解细胞行为，药物功效和毒性。但是，使用3D球体测定法受到了用于球体图像分析的自动化和用户友好的工具的阻碍，这会对这些测定的可重复性和吞吐量产生不利影响。为解决这些问题的结果，我们开发了一种完全自动化的，基于Web的工具，称为Spheroscan，该工具使用了带有卷积神经网络（R-CNN）的名为“掩码区域”的深度学习框架进行图像检测和细分。为了开发一个可以从一系列实验条件中应用于球体图像的深度学习模型，我们使用使用Incucyte Live细胞分析系统和常规显微镜捕获的球体图像训练了该模型。使用验证和测试数据集对经过培训模型的性能评估显示出令人鼓舞的结果。结论Spheroscan允许轻松分析大量图像，并提供交互式可视化功能，以更深入地了解数据。我们的工具代表了球体图像分析的重大进步，并将促进科学研究中3D球体模型的广泛采用。可在https://github.com/funtionalurosology/spheroscan上获得有关Spheroscan的源代码和详细的Spheroscan教程。
深度神经网络修剪的最佳运输
最佳运输，也称为运输理论或Wasserstein指标，是一个数学框架，它解决了找到最有效的方法将质量或资源从一个分布转移到另一种分布的最有效方法的问题，同时最大程度地减少了一定的成本函数[1,2,3]。最初在18世纪作为物流和经济学工具开发，最佳运输在现代数学和各种科学学科（包括计算机科学和机器学习）上引起了极大的关注。在其核心方面，最佳运输旨在通过找到将一个分布的质量重新分配以匹配另一个位置的成本，从而量化两个概率分布之间的相似性。这个优雅而多才多艺的概念在不同领域中发现了从图像处理和数据分析到经济学[11]和神经科学的应用，使其成为具有广泛含义的强大而统一的数学工具[12]。
量子性的深度有效证明 - 研究集锦
量子性证明是一种质询-响应协议，其中经典验证者可以有效地证明不受信任的证明者的量子优势。也就是说，量子证明者可以正确回答验证者的质询并被接受，而任何多项式时间经典证明者都将基于合理的计算假设被高概率拒绝。为了回答验证者的质询，现有的量子性证明通常要求量子证明者执行多项式大小的量子电路和测量的组合。在本文中，我们给出了两种量子性证明构造，其中证明者只需执行恒定深度量子电路（和测量）以及对数深度经典计算。我们的第一个构造是一个通用编译器，它允许我们将所有现有的量子性证明转换为恒定量子深度版本。我们的第二个构造基于舍入问题学习，并且产生的电路深度比通用构造更短，需要的量子位更少。此外，第二种构造对噪声也具有一定的鲁棒性。
深度绘制无监督异常检测
X射线照相成像方案集中在特定的身体区域上，因此产生了相似性的图像并产生跨染料的复发性解剖结构。为了利用这些结构化信息，我们建议使用空间感知的记忆队列在射线照相图像（缩写为squid）中进行镶嵌和检测异常。我们表明，鱿鱼可以将无网状的解剖结构分类为复发模式。在推论中，它可以识别图像中的异常（未见/修改模式）。squid在无监督的异常检测中超过了13种最先进的方法，在两个胸部X射线基准数据集中至少在曲线下测量的两个胸部X射线基准数据集（AUC）。此外，我们还制定了一个新的数据集（数字解剖），该数据集综合了胸部解剖结构的空间相关性和一致的形状。我们希望数字解剖学能够促使异常检测方法的开发，评估和解释性。
具有多州降解和深度强化学习的下水道管道的维护策略
大规模的基础设施系统对社会欢迎至关重要，其有效管理需要造成各种复杂性的战略前提和干预方法。我们的研究解决了涉及下水道资产的预后和健康管理（PHM）框架内的两个挑战：对跨严重水平的管道降解并制定有效的维护政策。我们采用多州降解模型（MSDM）来代表下水道管道中的随机降解过程，并使用深度加固学习（DRL）来制定维护策略。荷兰下水道网络的案例研究例证了我们的方法论。我们的发现证明了该模型在产生超过启发式方法的智能，节省成本的维护策略方面的效率。它根据管道的年龄来调整其管理策略，选择一种被动方法，用于新的管道，并过渡到较老的策略，以防止失败和降低成本。这项研究高光DRL在优化维护政策方面的潜力。未来的研究将通过合并部分可观察性，探索各种强化学习算法并将这种方法扩展到全面的基础架构管理，以改善模型。
深度学习春季2025年：教学大纲和时间表
课程描述：本课程是深度学习的介绍，这是机器学习的一个与现代神经网络的开发和应用有关的分支。深度学习算法以最大化给定任务的性能最大化数据的分层高级表示。例如，当被要求识别面孔时，深度神经网络可能会学会先用边缘来表示图像像素，然后是更大的形状，然后是脸部像眼睛和耳朵一样的部分，最后是单个脸部身份。深度学习是AI最近进步的背后，包括Siri和Alexa的演讲识别，Facebook的标签建议和自动驾驶汽车。我们将介绍来自基本神经网络，卷积和经常性网络结构，深度无监督和强化学习的一系列主题，以及对问题域等问题领域（例如语音识别和计算机视觉）的应用。先决条件：微积分，线性代数和概率与统计的强大数学背景，以及Python中机器学习和编程经验的先前课程。讲座：
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
深度表格学习的现代 Hopfield 模型
在本文中，我们从现代 Hopfield 模型的角度研究表格学习。具体来说，我们使用广义稀疏的现代 Hopfield 模型来学习表格数据表示和预测。在这项工作中，引入了 BiSHop（双向 S 分析 Hop 场模型）作为端到端表格学习的创新框架，解决了深度表格学习中的两个挑战：非旋转不变数据结构和特征稀疏性。受到联想记忆和注意力机制之间新建立的联系的启发，BiSHop 采用了双组分策略。它通过双向学习模块按列和按行顺序处理数据，每个模块都配备广义稀疏 Hopfield 层。这些层通过引入可学习的稀疏性扩展了传统的 Hopfield 模型。从方法论上讲，BiSHop 支持多尺度表示学习，能够有效地捕捉特征内和特征间的交互，并在各种尺度上具有自适应稀疏性。在各种真实世界数据集上进行的经验验证表明，BiSHop 以更少的超参数优化 (HPO) 运行超越了当前最先进的方法的性能，标志着深度表格学习的重大进步。
黑板 - 前进的自主目标检测和映射：开发用于单眼深度感应和动态tar
摘要 - 该研究旨在实施能够自主检测绵羊目标并在2D占用图上代表它们的系统，其最终目标是促进在UXV平台上自主牧羊。本文详细介绍了Blackboard System的开发，Blackboard System是一种用于自动目标检测和映射的软件解决方案。使用Python和C编程语言，Blackboard系统将单眼深度感测与自主目标检测，以产生全面的深度和目标图。这些地图是合并的，以产生从高架相机的角度捕获的操作区域的详细的2D鸟视图。黑板系统的独特功能是其模块化框架，它允许无缝更新或更换其深度传感和目标检测模块。