XiaoMi-AI文件搜索系统
World File Search SystemDVF
DVF 2000 IS |调查直升机
设置简单快捷（不到 25 分钟）。起飞、飞行和降落完全自动化，由 wePilot 4000 自动驾驶仪管理。双控制地面站受益于 Survey Copter 在人体工程学和人机界面方面获得的所有专业知识和诀窍。事实证明，使用这款无人机非常简单，两名操作员可以永久控制自动飞行，同时实时利用机载传感器的图像。
验证面部影响识别的动态虚拟面孔
识别面部情绪的能力对于成功的社会互动至关重要。评估此能力时使用的最常见刺激是照片。尽管这些stimi被证明是有效的，但它们并未提供虚拟人类所取得的现实主义水平。本文的目的是验证一组新的动态虚拟面（DVF），它们模仿了六种基本情绪以及中性表达。脸部准备以低和高的动力观察，并从前视图中观察到。为此，招募了204名由性别，年龄和教育水平分层的健康参与者，以评估其面部影响识别的DVF集。将响应的精度与已经验证的Penn情绪识别测试（ER-40）进行了比较。结果表明，DVF与标准化的自然面一样有效，以重现人类样的面部表情。DVF（88.25％）鉴定情绪的总体准确性高于ER-40面（82.60％）。每种DVF情感的热门单曲都很高，尤其是对于中性的表达和幸福的情感。在性别方面没有发现统计学上的显着差异。60年来，年轻人和成年人之间也没有发现显着差异。更重要的是，与其剖面呈现相比，AVATAR面孔的命中率增加显示出更大的动态性以及DVF的前视图。dvfs与标准的自然面一样有效，可以准确地重现人类的情感表情。
学习扩散产生的视频检测的多模式伪造表示
来自扩散模型的大量合成视频对信息安全性和真实性构成威胁，从而导致对生成的内容检测的需求不断增长。但是，现有的视频级检测算法主要集中于检测面部伪造，并且通常无法识别具有各种语义范围的扩散生成的内容。为了推进视频取证领域，我们提出了一种创新算法，称为多模式检测（MM-DET），用于检测扩散生成的视频。mm-det利用了大型多模式模型（LMM）的深刻感知和全面能力，通过从LMM的多模式空间中产生多模式伪造表示（MMFR），从而增强了其检测到其不看见的伪造内容的能力。此外，MM-DET还利用了一个内在的框架注意（IAFA）机制来在时空结构域中进行特征增强。动态融合策略有助于改善融合的伪造代表。此外，我们在广泛的伪造视频中构建了一个称为扩散视频取证（DVF）的综合扩散视频数据集。mm-det在DVF中实现了最先进的性能，证明了我们的算法的有效性。源代码和DVF均可在链接中获得。
2024 年家庭暴力报告 - FINAL-6
首先，近 20% 的 DVF 案件在某个时候涉及针对主要 DV 施暴者的保护令。这表明这些案件中的许多主要 DV 受害者从未参与过任何民事或法律系统。人们留在虐待关系中并且不报告虐待的原因有很多，包括当个人有孩子或在经济上依赖施暴者时难以离开关系。80% 的 DVF 案件没有寻求保护令这一事实强调了即使个人没有寻求法院干预，虐待也可能发生。相反，只有一起 DV 案件在事件发生当天有有效的 DV 保护令。这表明 DV 保护令 (PO) 具有重要的保护功能，特别是在它们有效时。这些数据为委员会的建议提供了依据，即当施暴者试图购买枪支时，向已实施 DV 保护令的受害者提供通知。受害者在拥有有效 PO 时应该掌握必要的信息，以评估其风险并制定安全计划。
维修：一种降低峰温度的策略，同时最大化近似实时计算的精度：进行工作
摘要 - 在近似实时综合的情况下进行改进，而不会违反非衍生硬件的热能约束，这是一个具有挑战性的问题。可以将近似实时任务的执行分别分为两个组件：（i）执行任务的强制性部分以获得可接受质量的结果，然后（ii）（ii）可选零件的部分/完整执行，该部分将最初获得的结果重新填充，以增加准确的准确性而无需违反临时领先线。本文介绍了修复，这是一种用于近似实时应用的新型任务分配策略，结合了细粒度的DVF和核心的在线任务迁移和最后一个级别缓存的电源，以减少芯片温度，同时尊重截止日期和热约束。此外，可以通过延长可选零件的执行时间来与系统级的准确度相对于系统级的准确性进行交易。索引术语 - 评估计算，热/能量效率，实时调度，CMP（芯片多处理器）
日记预备
启用基于MR的治疗计划需要从MRI几何形状中准确的CT样数据生成[7,8]。传统上可以通过基于ATLA的方法[9,10]来实现，该方法最初将MRI体素分割为不同的组织区域，然后将预定义的HU值分配给每个区域[10]。基于地图集的方法[9]涉及将Atlas-MRIS注册到新的MR图像中，并使用位移矢量场（DVF）翘曲Atlas CT，这在很大程度上取决于可变形注册结果的准确性[11]。在人工智能的新时代，深度学习（DL）已成为计算机视觉和模式识别的主要方法[12]。基于深度学习的合成CT生成也已成为一个流行的研究主题[13,14]。通过利用其出色的能力从输入图像中提取信息性特征，深度神经网络在基于MR的CT合成任务中取得了显着的结果[7]。已经提出了各种网络体系结构，以学习从MR强度到CT Hounsfield单位[15-21]的体素映射，并且还探索了合成CT掺入质子治疗[19-25]或碳离子治疗[26]的工作流程中。由于大尺寸的全分辨率CTS，通常将整个3D图像馈入单个神经网络通常是不可行的。因此，已经采用了不同的策略来通过重叠或非重叠的2D贴片，2D切片，2.5D切片或3D贴片[27]进行分配，然后由网络单独转换，然后合并以实现最终估计。
冰：一个集成的CGRA框架启用DVFS- ...
摘要 - 透明粒度可重构阵列（CGRA）是一种有前途的解决方案，可以使来自不同域的应用加速加速。通过利用功能级别的重新配置，它们可以适应显着不同的计算模式。但是，电压和频率与CGRA资源的利用及其动态管理的关系尚未很好地探索，从而导致设计效率低下。CGRA也成功地加速了数据依赖的流媒体应用程序。但是，在这些应用中，管道中每个内核的执行时间可能会根据输入的特性而动态变化。这也导致资源不足，用于动态变化的内核，而内核不会限制应用程序吞吐量。dvfs还可以通过动态更改主持非绩效构成内核的瓷砖的电压和频率水平来提高这些应用的能源效率。本文提出了ICED - 一项集成的DVFS感知框架 - 绘制支持电源岛的CGRA应用程序。ICED提出了一个CGRA架构，以不同的粒度（从单个瓷砖到一组瓷砖）以及相关的DVFS感知汇编和映射工具链，以不同的粒度（从单个瓷砖到一组瓷砖）为支持DVFS群岛。ICED是在电力岛级别引入对时空CGRA的DVF支持的第一部作品。实验评估表明，与常规CGRA相比，冰的平均利用率提高了2.3倍，能源效率提高了1.32倍。使用流应用程序，与最先进的CGRA相比，ICED可以达到高达1.26×能量效率，该最先进的CGRA引入了部分动态重新配置以适应内核吞吐量的变化。