XiaoMi-AI文件搜索系统
World File Search System视图
朝着Pocketome Universe的全面视图
。CC-BY 4.0国际许可证。根据作者/资助者提供了预印本（未经同行评审的认证）提供的，他已授予Biorxiv的许可证，以在2025年2月8日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2025.02.04.636483 doi：Biorxiv Preprint
自动化状态：现实主义视图
本文在三个部分中绘制了另一种“现实主义”视图。首先，政策制定者不太可能制定批评家的定制新调节，因为AI的双胞胎能力导致和治愈错误，偏见和不平等。在每个恐怖故事中都会有一个成功的故事 - 一种新技术使政府的工作更加有效，准确，敬意，尊重法则和公平。第二，相对于批评家的要求，公法始终受到根本性限制。的确，即使是进步的评论员长期以来一直警告说，政府的问题可能不会太少，但是太多了，而且新的程序负担，无论善意，都可以巩固已经缺乏活力的政府。最终的见解如下：未来的紧迫任务可能比AI的批评家所建议的更重要，更雄心勃勃。的确，如果算法问责制将被提起诉讼而不是立法，那么努力应比他们对法律适应的重点更多，即对现有的法律框架（尤其是普通行政法）的量身定制，尤其是普通行政法，对政府的新算法工具包进行裁缝。明智的适应，而不是占据大量学术文献的蓝天监管大修，应该是一天的顺序。本文使这条路开始了。
使用解剖多视图数据
摘要。大数据集通常包含多个不同的功能集或视图，这些功能集或视图提供了可以通过多视图学习方法利用的互补信息来改善结果。我们研究了解剖学 - 媒体视图da-ta，其中每个大脑解剖结构都用多个特征集描述。特别是，我们专注于扩散MRI的白质微观结构和连通性特征，以及结构MRI的灰质区域和厚度特征集。我们研究了使用多视图方法来改善非成像表型的预测的机器学习方法，包括人口统计学（年龄），运动（力量）和认知（图片词汇）。我们提出了一个可解释的多视图网络（EMV-NET），该网络可以使用不同的解剖学视图来改善预测性能。在此网络中，每个单独的解剖学视图都由特定于视图的特征提取器处理，并且从每个视图中提取的信息都使用可学习的权重融合。接下来是一个基于小波转变的模块，以跨视图访问互补信息，然后将其应用于校准特定视图的信息。此外，校准器还会产生基于注意的校准评分，以表明解剖结构对反应的重要性。在实验中，我们证明了所提出的EMV-NET明显优于基于人类连接组项目（HCP）数据集的几种用于非成像表型预测的最新方法，该方法具有1065个个体。具体而言，我们的方法至少减少了年龄预测MAE至少2.4岁，并提高了相关系数，以至少0.13预测其他两个表型。我们的解释结果表明，对于不同的观点，白质扩散度量的分数各向异性和灰质措施的表面厚度通常更为重要。
多视图脑肿瘤分割（MVBTS）
图2。平面和Triplanar网络的想法。（a）将轴向平面网络从轴向图像进行训练的CA，CCSA和SCSA网络的分割结果组合在一起以产生结果。同样，我们可以创建冠状合奏和矢状 - 合奏。（b）Triplanar网络的概述，在该网络中，从轴向，冠状图像和矢状图像中训练的单个注意网络（例如，CA网络）产生的分段结果合并为生成结果。通过在三个正交平面训练的CCSA和SCSA注意网络中生成类似的分段结果。
多视图自动镜显示
本文的目的是研究对多视图自动镜显示的零 - 帕拉克斯设定（ZP）的动态计算，以有效地减轻具有较大差异图像的模糊3D视觉。显着性检测技术可以产生显着图，这是显着性的地形表示，指的是视觉上主导的位置。通过使用显着图，我们可以预测吸引观众的关注或感兴趣地区的原因。最近，深度学习技术已应用于显着性检测。深度学习的显着对象检测方法具有突出显示大多数显着对象的优点。借助深度图，可以计算出显着对象的空间分布。在本文中，我们将根据视觉注意力比较两种动态ZPS技术。它们是1）通过基于图形的视觉显着性（GBV）算法和2）基于卷积神经网络（CNN）基于基于图形的模型的空间分布的最大显着性计算。实验证明，两种方法都可以帮助改善自动镜显示的3D效应。此外，基于显着对象的动态ZPS技术的空间分布可以比最大的基于显着性的方法获得更好的3D性能。
通过监督的视图贡献加权
最近基于深度学习的多视图人检测（MVD）方法在现有数据集上显示出令人鼓舞的结果。但是，当前方法主要在具有数量有限的多视图框架和固定相机视图的小型单个场景上进行培训和评估。结果，这些方法可能不可行，可以在更大，更复杂的场景中检测出严重的阻塞和摄像机误差错误。本文着重于通过开发有监督的观点加权方法来改善多视图人的检测，该方法可以更好地融合大型场景下的多相机信息。此外，还采用了大型合成数据集来增强模型的概括性，并实现了更实际的评估和比较。通过简单的域适应技术进一步证明了模型在新测试场景上的性能。实验结果证明了我们方法在实现有希望的跨场所多视角人检测表现方面的有效性。
降级扩散模型的替代视图
- （慢）收敛（例如，参见Bakry等，2008） - 快速的对数圆形分布的快速（例如，F convex）（Dalalyan，2017年，Durmus和Moulines，2017年，2017年，Chewi，Chewi，2022等）
fisheyebevseg：环境视图，基于鱼眼摄像机的鸟类视图分段用于自动驾驶
语义细分是执行场景理解的有效方法。最近，3D鸟视图（BEV）空间中的细分已被驱动策略直接使用。但是，在商用车中使用的环绕式鱼眼摄像机的BEV细分工作有限。由于此任务没有现实世界的公共数据集，并且现有的合成数据集由于遮挡而无法处理Amodal区域，因此我们使用Cognata Simulator创建一个合成数据集，其中包括各种道路类型，天气和照明条件。我们将BEV细分概括为使用任何凸轮模型；这对于混合不同的相机很有用。我们通过在Fisheye图像上应用圆柱整流并使用基于标准LSS的BEV分割模型来实现基线。我们证明，我们可以在没有不明显的情况下实现更好的性能，这具有增加的运行时效应，这是由于预处理，视野和重新采样的伪像而导致的。此外，我们引入了一种可学习的bev池层策略，对鱼眼摄像机更有效。我们以遮挡推理模块来探讨该模型，这对于估计BEV空间至关重要。fisheyebevseg的定性 - 在视频中展示了https://youtu.be/hftpwmabgs0。
IT 基线和状态服务的综合视图
2011 年 5 月，科学应用国际公司 (SAIC) 获得夏威夷大学研究公司 (RCUH) 的合同，代表信息管理和技术办公室 (OIMT) 进行信息技术 (IT) 评估，为聘请首席信息官 (CIO) 做准备，并最终满足一项关键要求 — — 为夏威夷州制定 IT 战略计划。本报告，即《最终报告 — — 信息管理和技术基线和国家服务综合概览》（下称“最终报告”），满足 RCUH 和 SAIC 之间合同定义的可交付成果 a.8.1 和 b.8.1。最终报告的执行摘要如下，它从高层次概述了 SAIC 团队的调查结果和观察中最重要的方面，这些方面涉及夏威夷州行政部门提供的任务、任务目标和服务，以及支持这些任务和服务的 IT。它还总结了团队关于 IT 可以提供的支持的建议，这些支持与政府转型、投资夏威夷人民以及最终发展可持续经济有关，通过确定可以作为制定夏威夷州 IT 战略计划基础的七个总体主题： • 利用现代技术的能力来改变和改善生活 • 帮助建立开放政府和加强自治