XiaoMi-AI文件搜索系统
World File Search System端到端
端到端卫星服务和空间碎片管理
在更高的低地球轨道上，对用于全球定位、遥感和中继通信的卫星群和卫星星座的需求日益增长。这将导致许多过时、受损和废弃的卫星将在轨道上停留 25 年后。这些废弃的卫星和空间碎片可能是具有经济价值的轨道空间和资源，可以重新使用、修复或升级以供将来使用。空间交通管理对于修复受损卫星、将卫星转移到仓库轨道以及有效地使无法修复和打捞的卫星和空间碎片脱离轨道至关重要。当前在轨捕获、服务和维修的方法需要一颗大型服务卫星。然而，通过接触废弃的卫星和空间碎片，服务航天器本身存在损坏的风险。派遣多个小型机器人，每个机器人专门执行一项特定任务，是一种可靠的替代方案，因为该系统简单且经济高效，并且一个或多个机器人的损失不会结束任务。在本文中，我们概述了一个端到端多机器人系统，用于捕获受损和废弃的航天器，以便进行打捞、维修和脱轨。我们分析了派遣多个分散机器人的可行性，这些机器人可以协同工作，首先执行捕获目标卫星的任务，然后爬到受损卫星上进行详细测绘。在获得卫星的详细地图后，机器人将继续进行维修和更换或拆卸部件以进行打捞作业。最后，剩余的部件将与脱轨装置一起包装，以加速脱轨。
提高光子对系统的端到端系统效率
基于非线性晶体内自发参量下变频的光子对源 [1]，一直是获得光量子态的主要方法，用于基础研究和应用研究。此类光源在量子物理学的基础测试 [2]（贝尔不等式测试）以及基于量子力学的安全通信协议 [3]（例如量子密钥分发）中发挥了关键作用。当端到端系统效率提高时，所有应用程序的性能都可以得到改善。仅当整体系统效率较高时，涉及同时生成和检测多对光子的拟议应用才会实用。系统效率（以巧合与单次比或 C/S 衡量）取决于光子对的制备和收集、它们的传输和检测。
气候市场的端到端数字生态系统
• 制定概念说明，指导数字化气候合作工作组 – 欧洲复兴开发银行、联合国气候变化框架公约和联合国开发计划署向世界银行提供 1-2 页的说明，描述相关工作 – 世界银行将其整合为概念说明 • 根据概念说明制定工作计划 – 节奏：前 2-3 个月每 2 周开会一次，然后改为每月开会 – 参与者 > 工作组成员确定其组织中的其他成员，定期或临时参加工作组会议 > 世界银行/欧洲复兴开发银行确定任何其他有兴趣参与 D4C 合作的多边开发银行 > 工作组讨论任何其他机构的参与（例如GS、GCC、Verra、其他标准、IETA 的数字工作组代表）
MicrofluidX 和 CCRM 合作开展端到端...
MicrofluidX 和 CCRM 合作实现 CAR-T 细胞疗法的端到端生物处理 英国斯蒂夫尼奇和加拿大多伦多，2023 年 1 月 11 日 — MicrofluidX (MFX) 是一家总部位于英国的下一代细胞研究和制造生物反应器供应商，今天宣布与 CCRM 合作，后者是基于再生医学的技术以及细胞和基因疗法的开发和商业化的领导者，通过其下一代平台 Cyto Engine™ 推进慢病毒 (LV) CAR-T 细胞的生产。该项目将满足对更高转导效率、更高转导细胞群体均质性、更短生物处理时间和封闭系统自动化的迫切需求。早期试验（数据可在此处获得）表明，与传统方法相比，MFX 生物反应器中的原代 T 细胞转导效率可提高 5 倍（或病毒消耗量降低 10 倍），均质性提高 2 倍。 “工程慢病毒仍然是 CAR-T 基因编辑最受欢迎的载体，但目前的方法会消耗大量病毒，而细胞产生的载体拷贝数范围很广。这导致人们使用非病毒方法，而这本身也带来了挑战。我们对这次合作感到非常兴奋，因为我们将能够证明事情不必如此。我们平台中的病毒编辑细胞具有高度活力、高度转导和高度同质性，而病毒量仅为以前使用的一小部分，”MicrofluidX 首席执行官 Antoine Espinet 表示。“CCRM 熟练的工艺开发团队一直致力于解决细胞和病毒载体制造中的挑战，包括关闭和自动化流程，我们经常与全球尖端技术提供商合作，”CCRM 总裁兼首席执行官 Michael May 解释道。“与 MicrofluidX 合作的这个项目是一个开发更高效、更低成本的工艺的机会，可以帮助治疗开发人员。当行业能够降低制造成本时，患者将受益。”目前，病毒被设计成载体，将遗传物质带入 T 细胞，增强细胞的特定治疗特性，例如肿瘤检测。然而，这些病毒的生产过程很复杂，因此几微升病毒的成本可能高达数千美元。此外，传统的生物反应器无法精细控制病毒颗粒与细胞的相互作用，导致一部分细胞未受感染，而一部分细胞被多次感染。由于只有受感染的细胞才具有治疗用途，因此需要较长的扩增阶段才能获得可剂量的细胞数量。此外，对重复感染的细胞百分比（载体拷贝数）有严格的放行标准，导致最终产品的产量较低。因此，细胞和基因治疗行业对受控转导平台的需求尚未得到满足，这种平台可以降低病毒消耗，使每个细胞感染率接近一次。此外，对封闭式自动化平台的需求也更为广泛，这种平台可以通过细胞选择、激活、转导、扩增、浓缩和配制，端到端地处理 CAR-T 细胞。MicrofluidX 相信 Cyto Engine™ 平台将满足这些需求，降低细胞治疗制造的成本和时间，并缩短向患者提供救命治疗的时间。通过这个项目，MFX 和 CCRM 将评估 MFX 平台与 CCRM 的流程、员工和设施的能力。反馈将用于进一步改进平台，CCRM 将能够根据其需求设计实验。
端到端级联图像去雨和对象...
摘要 — 虽然基于深度学习的图像去雨方法近年来取得了长足的进步，但在实际应用中仍存在两个主要缺点。首先，以去雨为代表的低级视觉任务与以物体检测为代表的高级视觉任务之间的差距很大，低级视觉任务几乎无法为高级视觉任务做出贡献。其次，去雨数据集的质量有待提高。事实上，很多基线中的雨线与真实的雨线差距很大，去雨数据集图像的分辨率普遍不理想。同时，低级视觉任务和高级视觉任务很少有共同的数据集。本文探索了低级视觉任务与高级视觉任务的结合。具体而言，我们提出了一种用于减少降雨影响的端到端物体检测网络，该网络由两个级联网络组成，分别是一个改进的图像去雨网络和一个物体检测网络。我们还设计了损失函数的组件以适应不同子网络的特征。然后，我们基于 KITTI 数据集提出了一个用于雨水去除和物体检测的数据集，我们的网络在该数据集上超越了最先进的技术，指标有了显著的提高。此外，我们提出的网络在自动驾驶汽车收集的驾驶视频上进行了测量，并在雨水去除和物体检测方面显示出了积极的结果。
将 EEGNet 与 SPDNet 相结合，实现端到端……
摘要 — 想象语音是一种心理任务，个人在内部模拟提示的发音而无需实际发声。最近，由于其作为脑机接口 (BCI) 范例的简单性和直观性，它引起了广泛关注。因此，从脑信号中解码想象语音成为一项关键挑战，需要使用文献中记录的各种信号处理和机器学习技术来解决。最常用的神经成像方法是脑电图 (EEG)，因为它具有非侵入性、低成本和高时间分辨率。最近从 EEG 信号中解读想象语音的尝试部署了卷积神经网络 (CNN) 架构，例如浅层卷积网络、深度卷积网络和 EEGNet，而其他尝试使用交叉协方差 (CCV) 矩阵作为信号表示的替代形式。我们的新架构将 EEGNet 与 CCV 矩阵相结合，使用 SPDNet 架构中提出的双线性变换从后者中提取判别特征。我们的方法在两个公开可用的数据集上得到了验证，并且表现出与最先进的性能相当的性能，同时大大超越了两个数据集上的 EEGNet 性能。
端到端对象检测的内在解释性
抽象的深度学习模型正在自动执行许多日常任务，表明将来，即使是高风险的任务也将是自动化的，例如医疗保健和自动化驱动区。但是，由于这种深度学习模型的复杂性，了解其推理是一项挑战。此外，设计的深度学习模型的黑匣子性质可能会破坏公众对关键领域的信心。当前对本质上可解释的模型的努力仅着眼于分类任务，而在对象检测中留下了差距。因此，本文提出了一个深度学习模型，该模型可用于对象检测任务。这种模型所选的设计是众所周知的快速RCNN模型与ProtopNet模型的组合。对于可解释的AI实验，所选的性能度量是Protopnet模型的相似性评分。我们的实验表明，这种组合导致了一个深度学习模型，该模型能够以相似性得分来解释其分类，并使用视觉上的“单词袋”（称为原型）在训练过程中学习。此外，采用这种可解释的方法似乎并没有阻碍提出的模型的性能，该模型在Kitti数据集中获得了69％的地图，而GrazpedWri-DX数据集则获得了66％的地图。此外，我们的解释对相似性得分的可靠性很高。
对端到端学习图像压缩的调查
摘要：近年来端到端学习的图像压缩编解码器显着出现。这些编解码器表现出比常规方法的优越性，在支持新的失真损失的同时，展示了各种数据域之间的显着灵活性和适应性。尽管诸如计算复杂性之类的挑战，但由于其非常合适的内部表示，学习的图像压缩方法与基于学习的数据处理和分析管道固有地保持一致。机器视频编码的概念引起了学术研究人员和行业从业人员的极大关注。这个概念反映了将数据压缩与计算机视觉应用程序集成的日益增长的需求。根据这些发展，我们提出了一项全面的调查和综述，对有损图像压缩方法。此外，我们还提供了两个著名国际标准的简明概述，即机器和JPEG AI的MPEG视频编码。这些标准旨在弥合数据压缩和计算机视觉之间的差距，以适应实际行业用例。
角色 5：建立负责任的 AI 治理和端到端……
示例和领导者：微软有六项负责任的 AI 原则：公平、可靠和安全、隐私和安全、包容性、透明度和问责制。它通过其负责任 AI 办公室 (ORA) 及其工程和研究 AI 与道德 (Aether) 委员会实施负责任的 AI。Aether 成立于 2017 年，向高层领导提出与负责任 AI 相关的建议，并设有专门针对 AI 公平性和包容性的工作组。Aether 参与并吸收整个公司的参与：例如，AI 公平性和包容性工作组包括其 CSR 部门的 AI 专家和领导者。1 ORA 于 2020 年在其企业、外部和法律事务部门成立，由首席负责任 AI 官领导，将微软的原则付诸实践。它通过为负责任的 AI 制定全公司标准、帮助团队采用负责任的 AI 实践、审查敏感用例以及告知公共政策来实现这一目标。微软还有负责任的 AI 冠军，他们是领域专家，可以提高人们对 AI 标准的认识并帮助他们的团队将其付诸实践。在此处阅读有关微软的方法的更多信息，并在此处阅读有关其负责任的 AI 冠军的更多信息。
