XiaoMi-AI文件搜索系统
World File Search System源域
实例关系图指导的无源域自适应对象检测
无监督的域适应性（UDA）是解决域转移问题的有效方法。特别是UDA方法试图对齐源和目标代表，以改善对目标域的概括。，UDA方法在适应过程中可以访问源数据的假设下起作用。但是，在实际情况下，由于隐私法规，数据传输限制或专有数据关注，标记的源数据通常受到限制。源 - 自由域适应（SFDA）设置旨在通过对目标域进行源训练的模型来减轻这些问题，而无需访问源数据。在本文中，我们探讨了自适应对象检测任务的SFDA设置。为此，我们提出了一种新颖的培训策略，以使源训练的对象将对象降低到目标域而没有源数据。更重要的是，我们通过利用给定目标域输入的对象关系来设计一种新颖的对比损失，以增强目标表示形式。这些对象实例关系是使用实例关系图（IRG）网络建模的，然后将其用于指导对比度代表学习。此外，我们还利用学生教师将知识从源训练的模型提高到目标域。对多个OB-JECT检测基准数据集进行了广泛的实验表明，所提出的方法能够有效地适应源训练的对象检测器对目标域，超过了最先进的域自适应检测方法。代码和模型在https://viudomain.github.io/irg-sfda-web/中提供。
位置不可源性的无源域自适应学习来预测太阳能发电
摘要 - 太阳能发电的预测是一项挑战任务，因为它依赖于表现出空间和时间变化的气候特征。由于数据分布的变化，预测模型的性能可能会在不同的位置各不相同，从而导致一个模型在一个区域中效果很好，但在其他区域则不能。此外，由于全球变暖的结果，天气模式的改变是明显的加速。这种现象引入了随着时间的流逝，即使在同一地理区域内，现有模型的功效也会降低。在本文中，提出了一个域自适应深度学习框架，以使用可以解决上述挑战的天气特征来估算太阳能发电。以监督的方式训练了一个已知位置数据集的馈电深度卷积网络模型，并用于预测以后未知位置的太阳能。这种自适应数据驱动的方法在计算速度，存储效率及其在最先进的非自适应方法失败的情况下改善结果的能力表现出显着的优势。我们的方法已显示出10的改进。47％，7。 44％，5。 分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。 索引术语 - 表现力，深度学习，域适应性，可再生能源47％，7。44％，5。分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。 索引术语 - 表现力，深度学习，域适应性，可再生能源分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。索引术语 - 表现力，深度学习，域适应性，可再生能源
含有驱动蛋白的calponin同源域，KIS1调节叶绿体的形成和免疫力
叶绿体形态在免疫期间发生变化，从而产生了称为stromules的小管状结构。stromules沿着微管延伸，并沿核细胞锚定向肌动蛋白丝，以促进核周chlo-oplast簇。这促进了防御分子/蛋白质从叶绿体到核的运输。缺乏茎在免疫中的直接作用的证据，因为目前，没有已知的基因来调节Stromule生物发生。我们表明，在TNL [TIR（Toll/Interleukin-1 Receptor） - 型链球菌形成所必需的含有驱动蛋白的Calponin同源（CH）结构域（诱导Stromules 1）所需的calponin同源（CH）域（诱导Stromules 1）是必需的。此外，tnl介导的对细菌和病毒病原体的免疫力是必需的。基斯1的微管结合运动结构域是基质形成所必需的，而肌动蛋白结合，CH结构域是核叶叶绿体簇需要的。我们表明，KIS1通过早期的免疫信号成分EDS1和PAD4与水杨酸 - 需要Kis1的stromules发挥作用。因此，KIS1代表stromule生物发生的玩家。
用于跨受试者运动想象辨别的选择性多源域自适应网络
摘要 — 使用基于脑电图 (EEG) 的脑机接口 (BCI) 来区分运动想象是一项挑战，因为它涉及大量的数据采集阶段，需要用户付出大量的努力。为了解决这个问题，一种方法是使用无监督域自适应，其中使用来自多个受试者的数据构建分类模型，并且仅使用来自目标用户的未标记数据进行模型校准。然而，由于来自运动想象的大脑模式因人而异，因此在使用多个受试者构建分类模型时必须考虑每个受试者的可靠性。因此，在本文中，我们提出了 Selective-MDA，它对每个源受试者执行域自适应，并根据它们的域差异有选择地限制影响。为了评估我们的方法，我们使用两个公共数据集 BCI 竞赛 IV IIa 和自动校准和循环自适应数据集来评估我们的结果。我们通过比较基于差异度量选择不同数量的源域时的判别性能来进一步研究源选择的影响。我们的结果表明，Selective-MDA 不仅将多源域适应性融入跨受试者运动意象辨别，而且还突出了在使用来自多个受试者的数据进行模型训练时源域选择的影响。
投资清洁能源域
目前，生物塑料的使用主要限于在热电厂中共同开发。在完全基于生物质的发电厂，生物燃料混合，压缩沼气（CBG），甲烷热解的产生以及用于建筑物和工业的加热目的中，另一方面相对较低。农业和农民福利部2估计2020 - 21年的作物生产估计为51.53亿吨。每个作物都落后于形成生物量的残留物，并根据农作物占用比（CRR）度量进行评估，该公制因不同的农作物而异。使用CRR，估计有4,490 MMT的生物质残留物在2020 - 21年提供，其中1,547 MMT的工业用法剩余。3这个量可以取代约1,353 mmt的煤，这可以产生约1,767 mmt的CO 2。每年，热植物使用大约700吨煤。然而，由于目前的政府任务为5％的共同开火和高效锅炉设计以处理更高的二氧化硅，因此可以通过热植物产生更好的碳中性电力。强制使用生物质作为燃料不仅有助于减轻空气污染，而且还会减轻农作物的废物负担，并鼓励农民将茬转化为颗粒，从而给他们带来额外的收入。