XiaoMi-AI文件搜索系统
World File Search System深度
NAVFAC 开放环境修复资源 (OER2)：确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置，这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险，可能会迁移，使人员接触到这些弹药。这种爆炸危险的管理很复杂，取决于特定地点的考虑因素，例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者：Bryan Harre，NAVFAC EXWC 和 Joe Calantoni，美国 NRL 博士 日期：2022 年 11 月 9 日，星期三 时间：太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会：https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接，请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案，可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具，可帮助将可持续和有弹性的实践融入修复项目中。主题：可持续的弹性修复演讲者：ITRC 日期：2022 年 11 月 17 日时间：太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会：https://clu-in.org/conf/itrc/SRR/有关更多信息，请查看 ITRC 关于此主题的报告：https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集：现在到 2022 年 11 月 16 日链接：https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新：2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地，活动举办批准将决定最终日期和地点。
NAVFAC 开放环境修复资源 (OER2)：确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置，这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险，可能会迁移，使人员接触到这些弹药。这种爆炸危险的管理很复杂，取决于特定地点的考虑因素，例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者：Bryan Harre，NAVFAC EXWC 和 Joe Calantoni，美国 NRL 博士 日期：2022 年 11 月 9 日，星期三 时间：太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会：https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接，请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案，可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具，可帮助将可持续和有弹性的实践融入修复项目中。主题：可持续的弹性修复演讲者：ITRC 日期：2022 年 11 月 17 日时间：太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会：https://clu-in.org/conf/itrc/SRR/有关更多信息，请查看 ITRC 关于此主题的报告：https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集：现在到 2022 年 11 月 16 日链接：https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新：2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地，活动举办批准将决定最终日期和地点。
物理3D对抗攻击自动驾驶中的单眼深度估计
广泛应用于自主驾驶中的基于深度学习的单眼深度估计（MDE）很容易受到对抗性攻击的影响。先前针对MDE模型的物理攻击依赖于2D广泛的补丁，因此它们仅影响MDE地图中的一个小型局部区域，但在各种观点下都失败了。为了解决这些限制，我们提出了3D深度傻瓜（3d 2傻瓜），这是对MDE模型的第一个基于3D纹理的对抗性攻击。3d 2傻瓜被专门优化，以生成3D对抗纹理对型号的车辆类型，并在恶劣天气条件（例如雨水和雾）中具有改善的鲁棒性。实验结果验证了我们3d 2傻瓜在各种情况下的出色性能，包括车辆，MDE Mod-els，天气状况和观点。现实世界中使用打印3D纹理的实验实验进一步表明，我们的3d 2傻瓜可能会导致超过10米的MDE误差。该代码可在https://github.com/gandolfczjh/3d2fool上找到。
Insilico Medicine 摘要 - 深度医药情报
Insilico Medicine 专有功能使各种行业都具备尖端潜力。计算靶标识别正在打破传统方法的范式。数字技术大大拓宽了可能发现的靶标范围，从而可以快速发现新靶标。用于药物或靶标比较的虚拟工具大大提高了各个阶段的药物发现效率，极大地影响了每个分子的资源分配。数字化前人类和人类靶标或药物验证的可能性开辟了广泛的分子分析，并显著降低了药物开发领域的成本并提供了风险管理选项。
使用深度学习的鸟类鉴定
4 md.devendran@gmail.com摘要：鸟类鉴定在生物多样性保护和生态学研究中起着至关重要的作用，为栖息地健康和物种分布提供了见解。识别鸟类物种的传统方法是时间密集型，容易出现人为错误，因此需要自动解决方案。这个项目是使用深度学习的鸟类识别，提出了一个先进的系统，以利用深度学习的力量准确地从图像中识别鸟类。该系统利用卷积神经网络（CNN），以其在图像分类任务方面的熟练程度而闻名。一个包含多种鸟类图像的数据集进行了预处理并增强，以增强模型的鲁棒性和泛化。模型架构旨在提取复杂的特征，即使在诸如不同的照明条件，遮挡或类似物种的外观等挑战性的情况下，也可以准确识别。使用准确性，精度，召回和F1得分等指标评估模型的性能，以确保全面验证。结果表明，对传统机器学习方法的准确性改善了，这表明了物种识别中深度学习的潜力。该项目对野生动植物监测，生态研究和教育工具的应用有望，从而促进了意识和保护工作。未来的工作可能包括将系统集成到移动应用中，或将其部署在现场条件下的实时鸟类识别。
介绍深度神经网络优化中的突触整合原理
众所周知，大脑中的可塑性电路通过突触整合和突触强度局部调节机制受到突触权重分布的影响。然而，迄今为止设计的大多数人工神经网络训练算法都忽略了刺激依赖性可塑性与局部学习信号之间的复杂相互作用。在这里，我们提出了一种新型的生物启发式人工神经网络和脉冲神经网络优化器，它结合了皮质树突中观察到的突触可塑性的关键原理：GRAPES（调整误差信号传播的组责任）。GRAPES 在网络的每个节点上实施依赖于权重分布的误差信号调制。我们表明，这种生物启发式机制可以显著提高具有前馈、卷积和循环架构的人工神经网络和脉冲神经网络的性能，它可以减轻灾难性遗忘，并且最适合专用硬件实现。总的来说，我们的工作表明，将神经生理学见解与机器智能相结合是提高神经网络性能的关键。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
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。
深度学习计算机视觉和对Helisa Dham场景的认可。华为的“诺亚方舟”实验室。英国。 I 中的课程
深度学习是一种自动学习方法，它基于大量示例的学习模式。 div>是一种复杂问题的特别有趣的方法，为之，数据（经验）广泛可用，但是制定分析解决方案是不可行的。 div>在本课程中，我们将探讨深度智能和计算机视觉的基本概念。 div>我们将通过理论会议和实践示例来展示如何根据任务（对象检测，实例分割，对象之间的关系预测）和数据模式（图像，视频，3D）创建和训练深层智力模型。 div>该课程将以一些高级问题的介绍以及有关最近趋势的讨论进行介绍。 div>