XiaoMi-AI文件搜索系统
World File Search SystemDistillation
基于知识蒸馏的机器人 - 对象操纵失效预期
摘要 - 自主服务机器人应能够安全地与环境进行交互。但是，由于几个因素，包括感知错误，操纵失败或意外的外部事件，执行结果并不总是预期的。虽然大多数目前的研究强调检测和分类机器人失败，但我们的研究将其重点转移到了这些失败发生之前的重点。潜在的想法是，通过预测早期的潜在失败，可以采取预防措施。为了解决这个问题，我们提出了一个基于知识蒸馏的新型失败预期框架。该系统利用视频变压器，并结合了一种传感器融合网络，旨在处理RGB，深度和光流数据。我们评估方法对失败的有效性，现实世界机器人操纵数据集。实验结果表明，我们提出的框架的F1得分为82.12％，突出了其预测机器人执行失败的能力，最高可提前一秒钟。
基于聚多巴胺/羟基磷灰石纳米线的双层膜用于光热驱动膜蒸馏
完整作者列表： Cao, Sisi；华盛顿大学圣路易斯分校，机械工程与材料科学系 Wu, Xuanhao；华盛顿大学圣路易斯分校，能源、环境与化学工程 Zhu, Yaguang；华盛顿大学圣路易斯分校，能源、环境与化学工程 Gupta, Rohit；华盛顿大学圣路易斯分校，机械工程 Tan, Albern；华盛顿大学，能源、环境与化学工程系 Wang, Zhongyang；华盛顿大学圣路易斯分校，能源、环境与化学工程 Jun, Young-Shin；华盛顿大学，能源、环境与化学工程 Singamaneni, Srikanth；华盛顿大学，机械航空航天与结构工程系
具有极化模式色散的量子通道的有效纠缠蒸馏
远程网络节点共享的量子纠缠是有望在分布式计算，加密和感应中应用的宝贵资源。然而，由于纤维中的各种反矫正机制，通过填充途径分发高质量的纠缠可能是具有挑战性的。尤其是，光纤维中的主要极化解相机制之一是极化模式分散（PMD），这是通过随机变化的双向反射方式对光脉冲的失真。为了减轻纠缠颗粒中的分解作用，已经提出了量子纠缠蒸馏（QED）算法。一个特定类别的QED算法的一个特定类别之所以脱颖而出，是因为它在所涉及的量子电路的大小和粒子之间的纠缠初始质量上都具有相对放松的要求。但是，由于所需颗粒的数量随着蒸馏弹的数量而成倍增长，因此有效的复发算法需要快速收敛。我们提出了一种针对受PMD降级通道影响的光子量子置量对的复发QED算法。我们提出的算法在每一轮蒸馏中都实现了最佳的确定性以及最佳成功概率（根据实现最佳限制的事实）。最大化的实现可提高从线性到二次的蒸馏弹数，从而提高了效能的收敛速度，因此显着减少了回合的数量。结合了达到最佳成功概率的事实，所提出的算法提供了一种有效的方法，可以通过光纤维具有很高的纠缠状态。
lanvikd：以自我为中心动作识别的跨模式语言知识蒸馏
通过分析以自我为中心的视频的分析，抽象理解人类行动是智能代理人的理想能力，并且是一个最近越来越受欢迎的研究领域。到目前为止，大多数以自我为中心的（视频）动作识别（EAR）的方法，即，根据预定义的自然语言描述（动作）对给定的视频剪辑进行分类的任务，代表目标动作类（标签）使用一个hot编码，从而忽略了某些动作之间的任何关系或相似性。这项工作的目标是通过利用预先训练的语言模型中编码的先前存在的知识来增强视觉模型的概括能力。具体来说，我们提出了一个语言知识蒸馏框架，以将预训练的语言模型对动作（文本中表达）的知识（在文本中表达）提高到视觉模型。我们不使用标签的单热编码表示，而是将所有动作类别（由语言模型构成）的概率分布作为教学信号。我们的实验表明，我们的框架根据Epic-Kitchens，Something of Something V2等基准获得了EAR的性能和泛化能力。
使用优势蒸馏技术提高双场量子键分布的性能
在这项工作中，我们应用优势蒸馏方法来提高集体攻击下实用的双场量子键分配系统的性能。与Maeda，Sasaki和Koashi [自然通信10，3140（2019）]给出的先前的分析结果相比，通过我们的分析方法获得的最大传递距离将从420 km增加到470 km。通过将独立损失的未对准误差增加到12％，先前的分析方法无法克服率距离结合。但是，当未对准误差为16％时，我们的分析方法仍然可以克服率距离。更令人惊讶的是，我们证明，即使未对准误差接近50％，双场量子键分布也可以产生正面的安全密钥，因此我们的分析方法可以显着提高实用的双胞胎量子量子键分布系统的性能。
在生产膜蒸馏的防染色膜中的2D材料喷涂涂层
带有2D材料的膜表面涂层已显示出用于水处理应用的防婚特性。但是，目前基于真空过滤的合成方法不容易缩放。本研究描述了一种可扩展的方法，可用于涂层膜，包括氧化石墨烯（GO），六边形硝酸氢硼（HBN），二硫化钼（MOS 2）和二硫化钨（WS 2）。使用含氧剂将含有每类2D薄片的异丙基醇溶液喷涂到商业聚偏氟化物（PVDF）上。纳米材料用聚多巴胺（PDA）作为一个可以轻松地集成到可扩展的滚动过程中的方法中的交联。使用扫描电子显微镜，原子力显微镜，接触角，拉伸强度测量和傅立叶转换红外光谱法评估了形态，表面粗糙度，疏水性，机械耐用性和化学组成的变化。在72 h的膜蒸馏（MD）实验中测试了2D纳米材料涂层的膜，并将其与原始的PVDF和PDA/PVDF膜进行了比较。使用高浓度的腐殖酸（150 ppm）和石蜡油（200 ppm）的盐排斥和MD性能稳定性评估，从而模拟了从油气萃取中模拟简单的有机废水。通量下降比以每小时渗透率损失百分比（％/h）来衡量，以便将来与不同的实验时间进行比较。所有膜的盐分排斥很高（> 99.9％）。原始的PVDF膜在10小时后因结垢而导致孔隙润湿失败，而PDA/PVDF膜的通量下降率最大（0.3％/小时）。涂有GO和HBN的膜的通量下降比较低（分别为0.0021±0.005和0.028±0.01％/h）。Go涂层的膜是唯一能够治疗含有表面活性剂和含有污垢的饲料的膜类型。改进的性能归因于表面粗糙度和疏水性的降低，这降低了污垢表面上的污垢吸附。这项工作显示了一种可延展的可扩展方法来克服MD中的犯规限制。
使用变分量子算法训练迭代协议以提炼 GHZ 状态
我们提出了用于制备 Greenberger-Horne-Zeilinger (GHZ) 状态的优化提炼方案。我们的方法依赖于以受白噪声影响的 GHZ 状态作为输入来训练变分量子电路。通过对该方案进行一次迭代优化，我们发现可以提高 GHZ 状态的保真度，尽管进一步迭代会降低保真度。同样的方案，作用于相干失真的纯态输入，仅在某些特殊情况下有效。然而，我们表明，当在协议的两次迭代后优化输出时，可以实现截然不同的结果。在这种情况下，获得的方案在从受白噪声影响的输入中提炼 GHZ 状态方面更有效。此外，它们还可以纠正几种类型的相干纯态误差。
可解释的人工智能：使用知识提炼的基于叶子的药用植物分类
摘要：药用植物在世界许多地方的制药行业中以多种方式用于获取药物。它们传统上尤其在发展中国家使用，在那里它们提供具有成本效益的治疗方法。然而，准确识别药用植物可能具有挑战性。本研究使用深度神经网络和知识提炼方法，该方法基于 8 种基于叶子的埃塞俄比亚药用植物的 4,026 张图像数据集。来自 ResNet50 教师模型的知识被应用于轻量级 2 层学生模型。针对效率进行优化的学生模型实现了 96.91% 的准确率，并且接近教师模型在未见测试数据上的 98.98% 的准确率。训练建立在优化策略之上，包括过采样、数据增强和学习率调整。为了理解模型的决策，我们使用了 LIME（局部可解释模型无关解释）和 Grad-CAM（梯度加权类激活映射）事后解释技术来突出显示对分类有贡献的有影响的图像区域。
利用在线相互知识提炼实现跨模态医学图像分割
深度卷积神经网络的成功部分归功于海量带注释的训练数据。然而在实践中，获取医疗数据注释通常非常昂贵且耗时。考虑到具有相同解剖结构的多模态数据在临床应用中广泛可用，在本文中，我们旨在利用从一种模态（又称辅助模态）学到的先验知识（例如形状先验）来提高另一种模态（又称目标模态）的分割性能，以弥补注释的稀缺性。为了缓解由模态特定外观差异引起的学习困难，我们首先提出一个图像对齐模块（IAM）来缩小辅助和目标模态数据之间的外观差距。然后，我们提出了一种新颖的相互知识蒸馏（MKD）方案，以充分利用模态共享知识来促进目标模态分割。具体来说，我们将我们的框架制定为两个独立分割器的集成。每个分割器不仅从相应的注释中显式提取一种模态知识，而且还以相互引导的方式从其对应部分中隐式探索另一种模态知识。两个分割器的集合将进一步整合来自两种模态的知识，并在目标模态上生成可靠的分割结果。在公共多类心脏分割数据（即 MM-WHS 2017）上的实验结果表明，我们的方法通过利用额外的 MRI 数据在 CT 分割方面取得了很大的改进，并且优于其他最先进的多模态学习方法。