XiaoMi-AI文件搜索系统
World File Search System物体
引文：Kenneth Blum 等人。“是时候承认基因和表观遗传学确实是有益生活的蓝图，通过这种蓝图，生物体可以控制
4- 6 , Mark S Gold 7 , Eliot L Gardner 8 , Igor Elman 1,9 , Merlene Oscar Berman 10 , Jean Lud Cadet 11 , Alireza Sharafshah 12 , Catherine A Dennen 13 , Abdalla Bowirrat 1 , Albert Pinhasov 1 , David Baron , Marrie Gondre , 13 , Marrie Lewis 15 , Rajendra D Badgaiyan 16 , Jag Khalsa 17 , Keerthy Sunder 18,19 , Kevin T Murphy 20 , Milan T Makale 21 , Edward J Modestino 22 , Nicole Jafari 23,24 , Foojan Zeine 25 , 26 , Alexander Mander 27 3 , Brian S Fuehrlein 28 和 Panayotis K Thanos 1,29
空间物体分类选定算法的分析
摘要 随着来自世界各地众多设施的天文数据的增加，对更快、更复杂的数据分析方法的需求也随之出现。对天空中大量物体的大量观察所捕获的数据可以非常快地达到很大的体积，这使得科学家无法手动分析。这就需要快速可靠的自动化数据处理方法，这可以在计算机科学研究中找到。利用不同研究领域使用的算法对于处理有关天体的信息至关重要。在这项工作中，我们将计算机科学领域的机器学习方法应用于天文学问题。我们列出了三种不同的机器学习算法及其内部工作原理，并展示了如何将它们应用于天文学问题。我们展示了如何使用这些算法来加速大量数据的处理，以及它们如何帮助科学家对天体进行分类。我们研究了每种算法的表现，并尝试根据不同物体的特征，在分类问题中找到表现最佳的算法。关键词 knn、朴素贝叶斯、决策树
厨房：用于6D物体姿势估算厨房环境中的现实世界基准和数据集
摘要 - 尽管最近在6D对象构成了机器人抓握的方法方面取得了进展，但在现有数据集中这些甲基多种多样的能力与现实世界中的握把和移动操作任务之间的功能之间存在很大的表现差距，尤其是当机器人完全依靠其单声学egocentric领域（Fov）。现有的现实世界数据集主要关注桌面抓地力方案，其中机器人臂放在固定位置，并且对象集中在固定外部相机的FOV中。评估此类数据集上的性能可能无法准确反映厨房环境中日常抓握和移动操作任务所面临的挑战，例如从较高的架子，水槽，洗碗机，烤箱，冰箱，冰箱或微波炉中检索物体。为了解决这一差距，我们提出了厨房，这是一种专门估算厨房环境中各个位置的物体的6D姿势的新颖基准测试。为此，我们录制了一个全面的数据集，该数据集包含约205K现实世界的RGBD图像，用于在两个不同的厨房中捕获的111个厨房对象，利用具有以自我为中心的人的人形机器人。随后，我们开发了一个半自动的注释管道，以简化此类数据集的标签过程，从而产生2D对象标签，2D对象分割掩码和6D对象，并以最少的人为努力构成。基准，数据集和注释管道可在https：//kitchen-dataset.github.io/kitchen上公开获得。
朝着AI驱动的数字生物体：一种多尺度基础模型的系统，用于预测，模拟和编程生物学
我们提出了使用AI来建模和模拟生物学和生命的愿景。为什么重要？由于医学，药房，公共卫生，寿命，农业和粮食安全，环境保护和清洁能源的核心，因此在起作用。物理世界中的生物学太复杂了，无法操纵，总是昂贵且风险篡改。从这个角度来看，我们通过构建AI-Drigen Digital有机体（AIDO）（一种集成的多尺度基础模型系统，以模块化，可连接和整体的方式来反映生物学量表，连接性和复杂性）来为解决这一挑战做出可行的方法来应对这一挑战。AIDO为从分子到细胞再到个体的各个级别上的所有级别上预测，相似和编程生物学开设了一个安全，负担得起和高通量的替代平台。我们设想，AIDO有望触发一系列更好的湿角实验和知情的第一原则推理，这最终可以帮助我们更好地解码和改善生活。
TAC-MAN：触觉通知的铰接物体的无效操纵
这项工作得到了国家科学技术重大项目（2022ZD0114900）的部分支持Horizon Europe框架通过可触及的项目（101092518）。（Zihang Zhao和Yuyang li对这项工作也同样贡献。相应的作者：Lecheng Ruan和Yixin Zhu。）Zihang Zhao和Yixin Zhu曾与中国北京大学100871北京大学的人工智能研究所一起（电子邮件：zhaozihang@stu@stu.pku.edu.edu.cn; yixin.zhu@pku.edu.edu.cn）。Yuyang Li和Zhenghao Qi曾在中国北京大学，北京大学，北京大学和北京通用人工智能研究所，中国北京100080，中国以及自动化部，北京大学，北京大学，北京大学，北京大学，北京大学，北京100084，中国（电子邮件）： {liyuyang20，qi-zh21}@mails.tsinghua.edu.cn）。Wanlin Li与中国北京100080的北京通用人工智能研究所合作（电子邮件：liwanlin@bigai.ai）。Lecheng Ruan曾在中国北京100871的北京大学工程学院以及中国武汉430075的PKU-Wuhan人工智能研究所（Ruanlecheng@ucucla.edu）任职。Zihang Zhao和Lecheng Ruan在这项工作中也部分地在北京通用人工智能研究所中。数字对象标识符（DOI）：请参阅此页面的顶部。Kaspar Althoefer曾在英国伦敦皇后大学伦敦皇后大学工程与材料科学学院内的高级机器人中心 @皇后玛丽（Queen Mary），伦敦E1 4NS（电子邮件：k.althoefer@qmul.ac.uk）。
经验重要性 - 观察生物体在
本文提出了一种经验方法，以理解克服还原主义和二元论方法的生物的生命。该方法基于伊曼纽尔·康德（Immanuel Kant）对识别有机体所需的认知条件的分析：目的论的概念和自我生成的形成力量的假设。可以分析这两个标准如何应用于发展中生物体的认知。以植物叶的发展系列的示例，显示了观察者与发展中国家之间的积极和关系过程，其中可以通过理解和意志的心理能力来凭经验观察到生物体的目的论和自我生成的力量。此外，人们强调的是，根据康德的说法，即使是物理对象也不容易给出，而是通过统一感知与概念的统一来积极构成。这种客观化模式促进了对生物体物理特性的认知。它可以补充一种参与性和共同构型的实现方式，在这种模式中，有机体的生活（其在目的地组织和自我生成的力量）可以成为经验研究的对象。此外，有人认为，参与模式还促进了一种扩展的自然概念，从而允许在其中存在生物。最后，强调了歌德对活生物体的方法的类比。总而言之，要了解生活，必须有意识地参与其中。
尽管缺乏发达的语言系统，猕猴大脑仍能对物体颜色进行知识表征
动物通过大脑中对世界的内部表征来指导其行为。我们旨在了解猕猴大脑如何存储这些一般的世界知识，重点是物体颜色知识。在猕猴中进行了三项功能性磁共振成像 (fMRI) 实验：观看彩色和无色光栅、观看他们熟悉的水果和蔬菜的灰度图像（例如，灰度草莓）以及观看真色和假色物体（例如，红色草莓和绿色草莓）。我们在色块中观察到了稳健的物体知识表征，尤其是位于 TEO 周围的色块：活动模式可以根据物体的记忆颜色对物体的灰度图片进行分类，并且这些区域中的响应模式可以在彩色光栅观看和灰度物体观看之间转换（例如，红色光栅 - 草莓的灰度图像），这样通过观看彩色光栅训练的分类器可以根据其记忆颜色成功地对灰度物体图像进行分类。我们的结果显示了猕猴物体颜色记忆的直接积极证据。这些结果表明基于感知的知识表征是一种保守的记忆机制，并为利用猕猴模型研究这种特殊的（语义）记忆表征开辟了一条新途径。
带有参考物体的推理路径在大视觉模型中引起定量空间推理
尽管最近展示了视力模型的进步，但使用自然语言描述图像中复杂关系的能力，但它们对物体大小和距离进行定量研究的能力仍未得到充实。在这项工作中，我们介绍了一个手动注释的基准Q-As-Spatial Batch，其中有271个问题，旨在定量空间原因，并系统地研究了最新的VLMS对此任务的表现。我们的分析表明，对物体之间的差异的推理对SOTA VLM尤其挑战。但是，有些VLM的表现明显优于其他VLM，两个最佳性能模型之间的差距超过40点。我们还令人惊讶地观察到，当使用参考对象的推理路径在响应中自然出现时，表现最佳VLM的成功率会增加19点。受到这一观察的启发，我们开发了一种零射击提示技术，即“空间”，该技术鼓励VLMS使用参考对象作为视觉提示，从而鼓励VLMS进行定量的空间问题。通过指示VLM通过空间启示，Gemini 1.5 Pro，Gemini 1.5 Flash和GPT-4V在其理性路径中使用参考对象，将其成功率提高了40、20和30点，并显着地提高了其成功率。我们强调，可以获得这些重大改进，而无需更多的数据，模型架构修改或微调。1
使用机器学习技术对人造海洋物体的智能空降监控 - 第一部分类型文章URL https://clok.uclan.ac.uk/
由于地球的海洋占其总表面积的三分之二，海洋经济在历史上一直高度多样化。随着技术的进步，领先的企业和生态组织正在建造和动员新的设备，这些设备由尖端的海洋机电一体化解决方案支持，以探索和利用这一充满挑战的环境。自动跟踪这些类型的行业以及周围的海洋生物可以帮助我们发现导致物种数量变化的原因，预测将来会发生什么，并制定正确的政策来帮助减少环境影响并使星球更具可持续性。这项研究的目的是创建一个新的平台，以自动检测不规则形状的人造海洋物体（ISMMMOS），该数据集中来自海洋航空调查图像的大型数据集。在这种情况下，开发了一种新型的非参数方法，该方法具有几种混合统计机器学习（ML）方法，以在大型调查中自动在海面上的ISMMMOS进行分割。这种方法在广泛的海洋领域得到了验证，提供了强大的经验概念证明。
生物体对气候变化的反应 (ORCC) | NSF
Allen Frontiers Group 和 Paul G. Allen 家庭基金会。Paul G. Allen Frontiers Group 是 Allen 研究所的一个分支，致力于探索生物科学领域，以发现和培育能够改变世界的想法。