XiaoMi-AI文件搜索系统
World File Search System语义
发展性阅读障碍的语义强度和神经相关性
诵读困难是一种神经发育障碍，其特征是阅读和/或拼写学习障碍（国际诵读困难协会，里昂等人，2003 年）。许多关于诵读困难的研究集中在语音处理缺陷（Griffiths 和 Snowling，2001 年；Pennington，2006 年；Vellutino 等人，2004 年），即处理单词的基本声音。尽管在这方面取得了很大进展，但对诵读困难的个体差异和其他认知过程（如语义处理）的研究较少。现有的阅读计算模型强调阅读是正字法、语音和语义处理系统动态交互的副产品。例如，并行分布式处理模型（Seidenberg 和 McClelland，1989 年）强调了这些系统的动态产品的重要性。朗读的双路径级联模型（Coltheart 等，2001）描述了三条阅读路径：非词汇阅读路径（通过字素到音素规则系统）、词汇非语义路径（通过正字法/音位输入词典）和词汇语义路径（通过语义系统）。
校正：基于带注释的像素和点云的弱监督语义分割
在此处给出了完整的确认部分：致谢：这项工作得到了中国国家自然科学基金会（No.62227801和No.UME20B2062，No.62376024）的支持，以及中国国家关键研究与发展计划（20222ZD0117900）。
使用 4D 雷达张量进行自动标记和语义分割
雷达在恶劣天气下的稳健性和提供动态信息的能力使其成为高级驾驶辅助系统 (ADAS) 中摄像头和激光雷达的宝贵补充 [1]。尽管用于 RGB 图像和激光雷达点云 (PC) 的语义分割深度学习方法已经很成熟，但它们在雷达中的应用仍未得到充分探索，尤其是包含额外海拔信息的 4D 雷达数据 [2] [3] [4] [5]。本文通过提出一种直接在距离-方位角-海拔-多普勒 (RAED) 张量上执行语义分割的方法来解决这一研究空白。此外，还引入了一种新颖的自动标记流程来在 RaDelft 数据集中生成逐点多类标签，从而实现使用雷达数据的联合检测和分类。
基于大脑连通性的现实生活创造力预测由语义记忆结构介导
创造力的联想理论认为，创造性认知涉及产生远距离联想的能力，以及在语义记忆中不相关的概念之间建立有用联系的能力。然而，现实生活中的创造性行为是否以及如何依赖于语义记忆结构及其神经基础仍不清楚。我们在参与者接受语义相关性判断任务时获取了多回波功能磁共振成像数据。这些评级用于估计他们各自的语义记忆网络，其属性可显著预测他们现实生活中的创造力。使用连接组预测建模方法，我们确定了基于任务的功能连接模式，这些模式可预测与创造力相关的语义记忆网络属性。此外，这些属性介导了功能连接与现实生活中的创造力之间的关系。这些结果为大脑连接模式如何通过语义记忆结构支持现实生活中的创造性行为提供了新的见解。我们还展示了如何使用计算网络科学来结合行为、认知和神经层面的分析。
通过基于深度学习的语义提高夜间驾驶安全性
摘要： - 夜间驾驶带来了可见性和照明降低带来的相当困难，从而提高了不幸的可能性。热成像技术通过捕获由物体发出的热辐射（独立于环境照明条件）来提供有希望的解决方案。在本文中，我们建议一种独特的方法，用于在涉及使用深度学习技术的情况下获得的热图像的语义分割。我们的方法的标题为“用于夜间场景的多模式语义分割算法”，利用卷积神经网络（CNNS）将热图像中的像素准确分类为有意义的类别，例如道路，车辆，车辆，行人和障碍物。我们采用编码器架构，转移学习和量身定制的数据增强策略，以提高通用性以及分割能力的准确性。使用公开访问数据集进行的测试，包括KAIST数据集，证明了我们方法在准确分割热图像中的有效性。性能指标，例如像素级准确度（99％），平均相交（MIOU）（95％）（95％），总体精确度（95.75％），总召回率（96.25％）（96.25％），整体F1分数（95.75％），准确性（98％）以及准确性（97％）的详细信息中包括了详细的份量。这些值提供了拟议方法的有效性的定量度量，从精度和计算效率方面展示了其优于现有技术的优势。我们的研究有助于提高夜间驾驶安全性并提高自动驾驶汽车技术。
P-gp在癌症治疗中的作用 母亲糖尿病和新生儿 基于环氧链的链酸（PLA） 对视频语义标签的开放物的分析 在整个花朵季节中，定期添加葡萄糖抑制了在添加剂湖水样品中的蓝细菌丰度 通过全面的渗透测试增强移动安全 生物有效的效率是改善塞内加西尼斯和斯威尼尼尼尼氏树的生长的自然替代品之一，以及可持续性 关键趋势推动了马来西亚银行业的生成人工智能采用的采用 与BEC和顺铂的组合处理协同增强抗癌活性，并导致绝对生存 抗血管生成药物在小细胞肺癌的一线治疗中的研究进度 使用具有自我测量物理状况指标的机器学习算法的心脏病预测 风险与国立大学医院中心的糖尿病性视网膜病有关的因素Hubert Koutoukou Maga
p-糖蛋白（P-gp）是ATP结合盒（ABC）转运蛋白家族的成员，在多药耐药性（MDR）在癌症治疗中起着至关重要的作用。p-gp积极地从癌细胞中泵送化学治疗药物，降低其细胞内浓度，从而降低其疗效。本综述探讨了P-gp对MDR贡献的机制，包括内在和获得的抗性。它还讨论了抑制P-gp的各种策略，例如阻断药物结合位点，干扰ATP水解以及改变细胞膜整体性。还检查了第四代P-gp抑制剂和其他新型抑制剂的潜力，以增强癌症疗法的有效性。理解和克服P-gp介导的MDR对于改善癌症患者的治疗结果至关重要。关键字
语义意识的联合阻塞预测（SFBP）在视觉辅助下一代无线网络
摘要 - 毫米波和Terahertz网络中预测信号阻塞对于实现主动移交（PHO）和确保无缝连接至关重要。使用深度学习，多模式视觉和无线传感数据的现有方法主要取决于集中式的模型培训。尽管这些技术是有效的，但它们具有高度的成本，不足的带宽使用和延迟问题，这限制了其实时适用性。本文提出了一个语义意识的联合阻塞预测（SFBP）框架，利用轻巧的计算机视觉技术MobilenEtv3用于基于边缘的语义提取，降低了连接和计算成本。此外，我们引入了相似性驱动的联邦平均（SD-FEDAVG）机制，以增强模型聚合过程的鲁棒性，从而有效地减轻了噪声更新和对抗性攻击的影响。我们提出的SFBP框架达到了97.1％的阻塞预测准确性，与集中学习相比，与集中式学习相比，与集中的学习成本密切相匹配，而与没有语义提取的FL相比，沟通成本降低了88.75％，而沟通成本则达到57.87％。此外，与没有语义提取的FL相比，与集中学习相比，在设备上的推论相比将潜伏期降低23％，而FL相比有18％，从而改善了PHO的实时决策。此外，SD-FEDAVG机制在嘈杂条件下提高了预测准确性，从而直接通过将切换失败率降低7％来影响PHO。索引术语 - 毫计浪潮，联合学习，语义交流，阻塞预测，计算机视觉
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
mllm-sul：在流量方案中的语义场景理解和本地化的多模式大语言模型
摘要 - 多模式大语言模型（MLLM）在许多自动驾驶任务中都表现出令人满意的效果。在本文中，MLLM可用于解决联合语义场景的理解和风险本地化任务，而仅依靠前视图像。在拟议的MLLM-SUL框架中，双分支视觉编码器首先旨在从两种分辨率中提取特征，并且丰富的视觉信息有助于语言模型，以准确描述不同尺寸的风险对象。然后，对于语言生成，美洲驼模型进行了微调，以预测场景描述，其中包含驾驶场景的类型，风险对象的动作以及驱动意图和自我车辆的建议和建议。最终，基于变压器的网络结合了回归令牌，以定位风险对象。在现有的戏剧 - 罗利人数据集和扩展的戏剧-SRIS数据集上进行了广泛的实验表明，我们的方法是有效的，超过了许多基于图像的最新和基于视频的方法。具体来说，我们的方法在现场理解任务中获得了80.1％的BLEU-1分数和298.5％的苹果酒得分，而本地化任务的精度为59.6％。代码和数据集可在https://github.com/fjq-tongji/mllm-sul上找到。