XiaoMi-AI文件搜索系统
World File Search SystemDense
使用 H-DenseAttentionUNet 检测脑肿瘤...
摘要：准确高效地识别脑肿瘤对于疾病诊断和以患者为中心的药物开发至关重要。在本研究中，我们提出了一种利用 H-DenseAttentionUNet 架构进行脑肿瘤检测的新方法，该架构是一种混合模型，结合了 U-Net、密集连接网络和注意力机制的元素。设计的模型专门用于检查磁共振成像 (MRI) 数据，利用这种成像方式提供的卓越软组织对比度和复杂的解剖细节。H-DenseAttentionUNet 架构的特点是能够通过密集连接的块捕获复杂的细节，而注意力机制则增强了网络对 MRI 图像中显着特征的关注。该模型旨在提供脑肿瘤的精确分割和定位，促进对肿瘤边界和特征的全面了解。根据初步研究结果，H-DenseAttentionUNet 在从 MRI 扫描中准确识别脑癌方面表现出很高的准确性。所提出的方法有望提高脑肿瘤检测的效率和精确度，为临床医生提供宝贵的见解，以便在患者护理中及时做出明智的决策。
密集通道EEG生成的统一框架
摘要 - 密集通道电脑图（EEG）信号的高度收购通常会受到成本和缺乏良好的可移植性的阻碍。相反，从稀疏渠道产生密集的频道脑电图信号显示出希望和经济生存能力。然而，稀疏通道EEG构成了诸如空间分辨率减少，信息丢失，信号混合以及对噪声和干扰的敏感性的增强。为了应对这些挑战，我们首先通过优化一组跨渠道EEG信号生成问题来从理论上提出密集通道的EEG生成问题。然后，我们提出了YOAS框架，用于从稀疏通道EEG信号生成密集通道数据。YOA完全由四个顺序阶段组成：数据制备，数据预处理，偏置-EEG生成和合成EEG生成。数据准备和预处理仔细考虑EEG电极的分布以及脑电图信号的低信噪比问题。偏见-EEG的生成包括BiaSeegganFormer和BiaSeegDiffformer的子模块，它们分别通过将电极位置对准与扩散模型相结合，从而促进了长期特征提取并产生信号。合成的EEG生成合成了最终信号，采用扣除范式来进行多通道EEG生成。广泛的实验证实了Yoas的可行性，效率和理论有效性，甚至可以显着增强数据的可见性。从稀疏通道数据中生成密集通道脑电图信号的这一突破为脑电信号处理和应用中的探索提供了新的途径。
clearclip：分解剪辑表示密集的视觉语言推理
摘要。尽管大规模预处理的视觉模型（VLM）尤其是在各种开放式播放任务中的剪辑，但它们在语义细分中的应用仍然具有挑战性，从而产生了带有错误分段区域的嘈杂分段图。在本文中，我们仔细地重新调查了剪辑的架构，并将残留连接确定为降低质量质量的噪声的主要来源。通过对剩余连接中统计特性的比较分析和不同训练的模型的注意力输出，我们发现剪辑的图像文本对比训练范式强调了全局特征，以牺牲局部歧视，从而导致嘈杂的分割结果。在响应中，我们提出了一种新型方法，该方法是分解剪辑的表示形式以增强开放式语义语义分割的。我们对最后一层介绍了三个简单的修改：删除剩余连接，实现自我关注并丢弃馈送前进的网络。ClearClip始终生成更清晰，更准确的绘制图，并在多个基准测试中胜过现有的方法，从而确认了我们发现的重要性。
量子模拟的密集输出
量子密集输出问题是使用量子计算机评估时间相关量子动力学中时间累积的可观测量的过程。该问题经常出现在量子控制和光谱计算等应用中。我们提出了一系列旨在在早期和完全容错量子平台上运行的算法。这些方法借鉴了振幅估计、汉密尔顿模拟、量子线性常微分方程 (ODE) 求解器和量子卡尔曼线性化等技术。我们针对演化时间 T 和容错率 ǫ 提供了全面的复杂性分析。我们的结果表明，对于某种类型的低秩密集输出，线性化方法几乎可以实现最佳复杂度 O (T/ǫ)。此外，我们对密集输出问题进行了线性化，从而得出包含原始状态的精确有限维闭包。该公式与库普曼不变子空间理论有关，可能在非线性控制和科学机器学习中具有独立意义。
致密的单核苷酸多态性测试...
法医DNA分析的领域多年来经历了显着的进步，例如DNA指纹的出现，聚合酶链反应引入了提高敏感性的聚合酶链反应，将基于短tandem重复序列的遗传标记系统的转移以及国家DNA数据库的实施。现在，随着密集的单核苷酸多态性（SNP）测试的出现，取证领域有望为另一场革命。SNP测试具有显着增强法医病例的来源归因的潜力，尤其是涉及低量或低质量样品的源。与遗传谱系和亲属分析相结合时，它可以解决无数的活性病例以及冷病例和未识别的人类遗体的病例，这受到现有法医能力的局限性，而这些法医能力无法产生可与DNA产生可行的调查铅。法医遗传谱系与全基因组测序结合的领域可以使亲戚与少数及以后的亲属联系在一起。通过利用志愿者的数据库来定位附近和遥远的亲戚，遗传家谱可以有效地缩小与犯罪现场证据相关的候选人，或帮助确定人类遗体的身份。随着DNA测序成本的降低和提高检测的敏感性，法医遗传遗传学正在扩大其能力，从而从广泛的生物学证据中产生研究。收到：2024年3月12日
密集的强化学习用于安全验证自动驾驶汽车
•自然主义驾驶环境下的AV测试需要高的经济和时间成本：安全性关键事件的罕见•密集的深入强化学习学习（D2RL）：删除非安全 - 关键态，并使信息密集•自然和对抗性驾驶环境（NADE）（NADE）的自动驾驶效率（NADE）进行了高度的测试•高度自动测试•高度自动驾驶型•在10到10次高度自动测试•驾驶型号•在10到5次范围内•在10到10次•提高了高度自动驾驶效果（•在10 3到10次）•高度自动驾驶范围•驾驶效率（•高度自动），并将其提高自动驾驶效率（inter），并在10 3至10次效果。 （ar）
通过纳米多孔石墨烯膜的致密液体传输，处于空间排除的极限
我们研究了使用分子动力学（MD）和有限元仿真的空间排除极限的密集流体通过纳米多孔膜的运输。仿真结果表明，对于简单的流体，桑普森流的偏差是滑动和有限原子尺寸效应之间竞争的结果。后者通过引入有效的孔径以及有效的膜厚度来表现出来。我们提出了一个解释所有这些因素的膜渗透性的分析模型。我们还展示了如何修改该模型以描述低分子量芳族烃在空间极限下跨这些膜的转运。通过Lennard-Jones流体渗透到单层和多层石墨烯膜的Lennard-Jones流体以及低分子量有机液体渗透到单层石墨烯膜的MD模拟进行了广泛的验证。
生成检索作为多向量密集检索
生成检索使用给定查询的序列到序列体系结构以端到端的方式生成相关文档的标识符。尚未完全理解生成检索和其他检索方法之间的关系，尤其是基于密集检索模型中匹配的方法之间的关系。先前的工作表明，使用原子标识符的生成检索等效于单载体密集的检索。因此，生成检索表现出类似于在使用层次语义标识符时，在树索引中类似于层次搜索的行为。但是，先前的工作仅关注检索阶段，而没有考虑生成检索的解码器内的深层相互作用。在本文中，我们通过证明生成检索和多向量密集检索共享相同的框架，以衡量与文档查询的相关性相同的框架。具体来说，我们研究了生成检索的注意力层和预测头，表明可以将生成检索理解为多向量密集检索的特殊情况。两种方法都将相关性计算为查询和文档向量的产品和对齐矩阵的总和。然后，我们探讨了生成检索如何应用此框架，采用不同的策略来计算文档令牌向量和对齐矩阵。我们已经进行了实验来验证我们的结论，并表明两个范式在其比对矩阵中表现出术语匹配的共同点。
occ-vo：通过基于3D占用率的视觉探针的密集映射用于自动驾驶
摘要 - 视觉进程（VO）在自主系统中起关键作用，主要挑战是相机图像中缺乏深度信息。本文介绍了OCC-VO，这是一个新颖的框架，该框架利用了深度学习的最新范围，将2D摄像机图像转换为3D语义占用，从而规定了传统的同时估计自我姿势和地标地点的需求。在此框架内，我们利用TPV形式将环绕摄像机的图像转换为3D语义占用。解决了这种转换所带来的挑战，我们专门为姿势估计和映射算法定制，该算法结合了语义标签滤波器，动态对象滤波器，最后利用Voxel Pfilter来维护一致的全局语义映射。对OCC3D-NUSCENES的评估不仅展示了成功率提高了20.6％，并且针对ORB-SLAM3的轨迹精度提高了29.6％，而且还强调了我们构建全面地图的能力。我们的实施是开源的，可在以下网址提供：https：//github.com/ustclh/occ-vo。
利用虚拟密集连接提升视觉变换器的对抗性迁移能力
随着视觉变换器 (ViT) 的巨大成就，基于变换器的方法已成为解决各种计算机视觉任务的新范式。然而，最近的研究表明，与卷积神经网络 (CNN) 类似，ViT 仍然容易受到对抗性攻击。为了探索不同结构模型的共同缺陷，研究人员开始分析跨结构对抗性迁移能力，而这方面仍未得到充分研究。因此，在本文中，我们专注于 ViT 攻击，以提高基于变换器和基于卷积的模型之间的跨结构迁移能力。先前的研究未能彻底调查 ViT 模型内部组件对对抗性迁移能力的影响，导致性能较差。为了克服这个缺点，我们开展了一项激励研究，通过线性缩小 ViT 模型内部组件的梯度来分析它们对对抗性迁移能力的影响。基于这项激励研究，我们发现跳跃连接的梯度对迁移能力的影响最大，并相信来自更深块的反向传播梯度可以增强迁移能力。因此，我们提出了虚拟密集连接方法（VDC）。具体来说，在不改变前向传播的情况下，我们首先重构原始网络以添加虚拟密集连接。然后，在生成对抗样本时，我们通过虚拟密集连接反向传播更深层注意力图和多层感知器（MLP）块的梯度。大量实验证实了我们提出的方法优于最先进的基线方法，ViT模型之间的可迁移性提高了8.2%，从ViT到CNN的跨结构可迁移性提高了7.2%。