XiaoMi-AI文件搜索系统
World File Search SystemBenchmark
ProAI：适用于汽车应用的高效嵌入式 AI 硬件——基准研究
多年来，单板计算机 (SBC) 领域的发展一直在不断加快。它们在计算性能和功耗之间实现了良好的平衡，这通常是移动平台所必需的，例如用于高级驾驶辅助系统 (ADAS) 和自动驾驶 (AD) 的车辆应用。然而，对更强大、更高效的 SBC 的需求日益增长，这些 SBC 可以实时运行功耗密集型深度神经网络 (DNN)，还可以满足必要的功能安全要求，例如汽车安全完整性等级 (ASIL)。ZF 正在开发“ProAI”，主要用于运行强大而高效的应用程序，例如多任务 DNN，此外，它还具有 AD 所需的安全认证。在这项工作中，我们基于功耗密集型多任务 DNN 架构 Multitask-CenterNet，就 FPS 和功率效率等性能指标比较和讨论了最先进的 SBC。作为一款汽车超级计算机，ProAI 实现了性能和效率的完美结合，其每瓦 FPS 数量几乎是现代工作站笔记本电脑的两倍，几乎是 Jetson Nano 的四倍。此外，根据基准测试期间的 CPU/GPU 利用率，还显示 ProAI 上仍有剩余电量用于执行进一步更复杂的任务。
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
基准作为未来经济的基础
不幸的是，今天，竞争性问题通常仅从生产的角度考虑，而不会影响其他领域。现代思想假设确保无形资产和智力资本发挥竞争力的主要作用[1]。但是，该声明与市场上的俄罗斯现实并不完全一致：公司之间的信息链接仍然太弱，创新的引入薄弱，法律框架尚未充分准备[2]。另一方面，俄罗斯公司对各种因素，尤其是危机现象的越来越大的压力导致对他们之间的市场份额的竞争加剧。同时，大多数公司很少关注，也不在决策领域进行研究，以制定竞争性发展的战略。在经济各个部门管理生产方面和企业经济活动方面的有效机制之一是一项比较研究，是确定，理解和适应最近竞争性公司有效运作的现有示例的建模，以提高自己的绩效[3]。模型和决策方法，用于管理自己的竞争力
国际研发和I电池资金和电池KPIS的全球基准概述
自从第一次商业化和工业部署锂电池以来，国际电池行业和研发＆I社区的全球电力平衡已经发生了很大的转变。日本已成为液体电解质锂离子电池的早期技术领导者，但自2015年以来，其国内行业已经失去了对中国和韩国制造商的市场份额，这受益于强大的政府支持。尤其是中国一直在迅速创新其国内电池技术。最初，中国的电池政策非常集中，目的是在1时赶上领先的国家。此外，保护性政策导致许多以前与韩国和日本供应商合作的中国汽车制造商将其电池订单转移给了国内制造商，以便从慷慨的补贴中受益。这一方面在促进中国的家庭电池价值链的种植中起着至关重要的作用2。在借助一项综合政府补贴计划的帮助下，从原材料到组件制造，牢房和包装生产以及电动汽车应用的整个价值链的成熟度后，中国已成为世界上最大的电动汽车市场。2国际能源机构估计，中国约占电池电池的75％，阴极的70％和阳极材料材料全球生产能力的85％。3
S2N -TLS基准测试和比较分析-libraetd
jmz8rm@virginia.edu摘要作为亚马逊Web服务的实习生（AWS），我以前无需使用AWS的S2N-TLS和其他公共运输层安全（TLS）库的简单且可靠的比较基准，以确定优化和确定S2N-TLS的区域。S2N-TLS每秒处理数亿美元的连接，从而使任何小的优化可节省大量成本。基准线束将每个库（S2N-TLS，OpenSSL和Rustls）适应一个共同的接口，并测量握手延迟，吞吐量和内存使用情况。s2n-tls比Rustls和OpenSSL更具性能，但要比Rustls更高的内存使用，这使得内存成为优化的可能目标。未来的工作包括将基准纳入测试中，以防止部署前的性能回归，更详细的测试以获得更具体的见解，并使用更多参数进行测试。1。简介TLS是一个网络协议，可确保两个端点（例如，您的计算机和Web服务器）安全通信。TLS有两个主要目标：身份验证和加密。身份验证是对端点身份的验证，它阻止了不良演员假装是客户端可能想要与之交谈的服务器。加密保护在运输中数据的安全性，这可以防止
原始发表论文的引文（记录版本）：Willsch, D., Willsch, M., Gonzalez Calaza, C. et al (2022)。Benchmarking Advantage 和
摘要 我们使用飞机调度场景中的尾部分配和精确覆盖问题，对迄今为止最大的量子退火器（5000+ 量子比特量子退火器 Advantage 及其 2000+ 量子比特前身 D-Wave 2000Q）的量子处理单元进行了基准测试。基准测试集包含小型、中型和大型问题，其中既有稀疏连接实例，也有几乎完全连接的实例。我们发现，Advantage 在几乎所有问题上都优于 D-Wave 2000Q，成功率和问题规模都有显著提高。特别是，Advantage 还能够解决 D-Wave 2000Q 无法再解决的具有 120 个逻辑量子比特的最大问题。此外，仍然可以由 D-Wave 2000Q 解决的问题可以通过 Advantage 更快地解决。然而，我们发现，D-Wave 2000Q 可以在不需要 Advantage 上存在的许多新耦合器的情况下解决稀疏连接问题并获得更好的成功率，因此提高量子退火器的连通性本身并不会提高其性能。
BEHAVIOR-1K：具有 1,000 个日常活动和现实模拟的具身 AI 基准
摘要：我们提出了 BEHAVIOR-1K，一个以人为本的机器人综合模拟基准。BEHAVIOR-1K 包括两个部分，分别由“您希望机器人为您做什么？”这一广泛调查的结果指导和推动。第一个部分是定义 1,000 种日常活动，基于 50 个场景（房屋、花园、餐厅、办公室等），其中有 5,000 多个对象，并标注了丰富的物理和语义属性。第二个部分是 O MNI G IBSON，这是一个新颖的模拟环境，它通过逼真的物理模拟和刚体、可变形体和液体的渲染来支持这些活动。我们的实验表明，BEHAVIOR-1K 中的活动是长期的并且依赖于复杂的操作技能，这两者对于最先进的机器人学习解决方案来说仍然是一个挑战。为了校准 BEHAVIOR-1K 的模拟与现实之间的差距，我们提供了一项初步研究，研究如何在模拟公寓中使用移动机械手学到的解决方案转移到现实世界中。我们希望 BEHAVIOR-1K 的人性化本质、多样性和现实性能够使其对具身化 AI 和机器人学习研究有价值。项目网站：https://behavior.stanford.edu。
迈向自动动力电池检测：新挑战基准数据集和基线
我们对一项名为动力电池检测（PBD）的新任务进行了全面的研究，该任务旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估动力电池的质量。现有制造商通常依靠人眼观察来完成 PBD，这使得很难平衡检测的准确性和效率。为了解决这个问题并让更多人关注这个有意义的任务，我们首先精心收集了一个称为 X 射线 PBD 的数据集，该数据集包含从 5 家制造商的数千个动力电池中选择的 1,500 张不同的 X 射线图像，具有 7 种不同的视觉干扰。然后，我们提出了一种基于分割的新型 PBD 解决方案，称为多维协作网络（MDCNet）。借助线和计数预测器，可以在语义和细节方面改进点分割分支的表示。此外，我们设计了一种有效的距离自适应掩模生成策略，可以缓解由板分布密度不一致引起的视觉挑战，从而为 MDCNet 提供稳定的监督。无需任何花哨的修饰，我们基于分割的 MDCNet 始终优于其他各种角点检测、人群计数和基于一般/微小物体检测的解决方案，使其成为有助于促进 PBD 未来研究的强大基础。最后，我们分享了一些潜在的困难和未来研究的工作。源代码和数据集将在 X-ray PBD 上公开提供。
svgeditBench：用于定量评估LLM SVG编辑功能的基准数据集
文本到图像模型近年来已显示出进展。随着这一进展，从文本中生成向量图也已提出。svg是向量图形的流行效果，SVG代表带有XML文本的场景。因此，大型语言模型可以直接处理SVG代码。考虑到这一点，我们专注于使用LLMS编辑SVG。用于定量评估LLMS编辑SVG的能力，我们提出了SVGeditBench。svgeditBench是评估LLMS编辑SVG代码能力的基准。在提议的基准下进行评估时，我们还显示了GPT-4和GPT-3.5结果。在实验中，GPT-4在定量和质量上都显示出与GPT-3.5的优势。该数据集可在https://github.com/mti-lab/svgeditBench上找到。
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、