XiaoMi-AI文件搜索系统
World File Search System目标特征
学习仅使用一个正常图像提示
摘要。使用自我发明变压器的无监督重建网络已通过单个模型实现了多级（统一）异常检测的最新性能。然而，这些自我注意重建模型主要基于目标特征，这可能会导致正常和异常特征的完美重建，这是由于与上下文的高度一致性，从而导致异常发生故障。此外，由于在低空间分辨率潜在的潜在空间中进行重建，这些模型通常会产生不准确的异常分割。为了使重建模型具有高效率，同时增强其对统一异常探测的概括，我们提出了一种简单而有效的方法，可以重建正常功能并仅使用一个正常图像提示（ONENIP）恢复异常功能。与以前的工作相比，Onenip首次仅用一个正常图像提示重建或恢复异常，从而有效地增强了统一的异常检测性能。此外，我们提出了一种有监督的炼油厂，该炼油厂通过使用实际正常和合成的异常图像来回归构造错误，从而显着改善了像素级异常分割。ONENIP优于三个行业异常脱轨基准的先前方法：MVTEC，BTAD和VISA。
根据结构化合物表征和遗传扰动的转录组预测激活和抑制药物-靶标相互作用
通过计算方法识别药物-靶标相互作用 (DTI) 是加速药物开发和了解小分子作用机制的可靠策略。然而，目前预测 DTI 的方法主要集中于识别简单的相互作用，需要进一步的实验来了解药物的作用机制。在这里，我们提出了 AI-DTI，这是一种通过结合 mol2vec 和遗传扰动的转录组来预测激活和抑制 DTI 的新方法。我们在具有 MoA 的大规模 DTI 上训练了该模型，发现我们的模型优于之前预测激活和抑制 DTI 的模型。目标特征向量的数据增强使该模型能够预测广泛可用药靶标的 DTI。我们的方法在训练集中未见靶标的独立数据集和明确定义阳性和阴性样本的高通量筛选数据集中取得了显著的性能。此外，我们的方法成功地重新发现了用于治疗 COVID-19 的药物的大约一半的 DTI。这些结果表明，AI-DTI 是一种实用的工具，可以指导药物发现过程并产生合理的假设，从而揭示未知的药物作用机制。
低成本遥控飞机系统 (RPAS) 配备多光谱传感器，用于绘制和分类潮间带生物牡蛎礁
低空遥感用 RPAS 技术和增强成像用微型传感器的蓬勃发展，推动了海洋生态应用的增加。然而，可见电磁波谱中传感器的 RPAS 的普遍性可能会限制沿温带潮间带岩礁的生物海洋栖息地的精细测绘、监测和识别应用。在这里，我们使用低成本 RPAS 结合多光谱传感器 (MicaSense® RedEdge™) 和基于对象的图像分析 (OBIA) 工作流程，在新西兰奥克兰怀特玛塔港制作生物牡蛎礁的超高分辨率地图。结果表明，可见电磁波谱以外的光谱带逐渐增强了图像上的特征检测，并增加了在异质海洋生态系统中描绘目标特征的潜力。使用基于规则的分类技术提取目标特征，基于分割后的光谱特征，总体准确率为 83.9%，kappa 系数为 69.8%。使用附加光谱带可提高牡蛎礁栖息地测绘的光谱分辨率。高空间尺度监测和测绘浑浊的潮间带岩礁带来了独特的挑战，但这些挑战可以通过在理想的气象和海洋条件下使用 RPAS 进行目标飞行来缓解。
学习小对象检测的区分功能...
总结要解决诸如小目标大小，目标特征模糊以及在小物体检测中区分目标和背景的困难之类的挑战，我们提出了一种基于多尺度图像降级的方法，结合了对比度学习模型。通过利用对比度学习技术，我们的方法旨在赋予准确区分对象和背景所需的判别特征。要专门针对小物体，我们将目标样本靶向各种多尺度图像降解模式，然后才能将它们置于对比度学习模型中。然后将增强技术应用于这些退化的样品，以促进有效的对比特征学习。因此，该模型可以更好地揭示小目标和背景之间的差异，从而提高小物体检测性能。此外，考虑到空间域特征对图像的局部变化敏感，而频域特征对全球结构变化敏感，我们的方法涉及空间和频域中的对比度学习模型，旨在为小对象检测获得更强大的功能。在MS可可数据集和Visdrone2019数据集上进行的广泛实验验证了我们提出的方法在显着提高小物体检测准确性方面的有效性。关键词：小对象检测，对比度学习，双域网络，多尺度图像退化
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
关于人工智能生成的目标建议的警示故事
设定正确的目标并确定其优先顺序可能是人们为自己、团队和组织做出的最关键和最具挑战性的决策。在本文中，我们探讨是否有可能利用人工智能 (AI) 帮助人们设定更好的目标，以及此类应用可能出现哪些潜在问题。我们设计了第一个由人工智能驱动的数字目标设定助手原型，并设计了一个严格的经验范式来评估人工智能生成的目标建议的质量。我们的经验范式在一项大规模重复测量在线实验中，根据一系列关于重要目标特征、动机和可用性的自我报告测量，将人工智能生成的目标建议与随机生成的目标建议和无辅助目标设定进行了比较。一项有 259 名参与者的在线实验的结果表明，我们直观而引人注目的目标建议算法对人们的目标质量及其追求目标的动机产生了不利影响。这些令人惊讶的发现凸显了未来利用人工智能帮助人们设定更好目标的工作需要解决的三个关键问题：i) 将人工智能算法的目标函数与设计目标保持一致，ii) 帮助人们量化不同目标对他们的价值，以及 iii) 保持用户的自主感。
低成本遥控飞机系统 (RPAS) 配备多光谱传感器，用于绘制和分类潮间带生物牡蛎礁
用于低空遥感的 RPAS 技术和用于增强成像的微型传感器的蓬勃发展，导致了海洋生态应用的增加。然而，带有可见电磁波谱传感器的 RPAS 的普遍性可能会限制沿温带潮间带岩礁的生物海洋栖息地的精细测绘、监测和识别应用。在这里，我们使用低成本的 RPAS 结合多光谱传感器 (MicaSense® RedEdge™) 和基于对象的图像分析 (OBIA) 工作流程，在新西兰奥克兰怀特玛塔港制作了生物牡蛎礁的超高分辨率地图。结果表明，具有可见电磁波谱以外的光谱带逐渐增强了图像上的特征检测，并增加了在异质海洋生态系统中描绘目标特征的潜力。使用基于规则的分类技术提取目标特征，基于分割后的光谱特征，总体准确率为 83.9%，kappa 系数为 69.8%。使用附加光谱带可提高牡蛎礁栖息地测绘的光谱分辨率。高空间尺度监测和测绘浑浊的潮间带岩石礁带来了独特的挑战，但这些挑战可以通过在理想的气象和海洋条件下使用 RPAS 进行瞄准飞行来缓解。
排雷传感器建模和特征级融合... - LISC
摘要— 开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。结构和参数学习算法用于在 BN 模型中编码地雷特征、传感器测量值和环境条件之间的关系。推理用于在存在异质土壤和不同环境条件的情况下估计目标特征。开发了一种在 BN 模型上运行的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确性相对于单传感器测量提高了 64%
量子计算的 Rodeo 算法
我们提出了一种随机量子计算算法，该算法可以在选定的能量区间 [ E − ϵ, E + ϵ ] 内准备量子哈密顿量的任意特征向量。为了将所有其他特征向量的谱权重降低一个抑制因子 δ ，所需的计算工作量为 O [ | log δ | / ( pϵ )] ，其中 p 是初始状态与目标特征向量的平方重叠。这种方法被我们称为 rodeo 算法，它使用辅助量子位来控制哈密顿量减去某个可调参数 E 的时间演化。对于每个辅助量子位测量，特征向量的振幅都会乘以一个随机因子，该因子取决于它们的能量与 E 的接近程度。通过这种方式，我们以测量次数的指数精度收敛到目标特征向量。除了准备特征向量外，该方法还可以计算哈密顿量的全谱。我们用几个例子来说明其性能。对于误差为ϵ 的能量特征值确定，计算规模为 O [(log ϵ ) 2 / ( pϵ )] 。对于特征态准备，计算规模为 O (log ∆ /p ) ，其中 ∆ 是残差向量正交分量的大小。特征态准备的速度比相位估计或绝热演化的速度快得多。