XiaoMi-AI文件搜索系统
World File Search SystemDom
生成数据集增强的域间隙嵌入
本文通过利用大型预训练模型来探讨合成数据的潜力，尤其是在面对分布变化时。al-尽管生成模型的最新进展已经阐明了跨分布数据发生的几项先前的作品，但它们需要模型调整和复杂的设置。为了绕过这些缺点，我们介绍了主要的g a a a a a a a a embeddings（doge），这是一个跨分布的插件语义数据augpection框架，几乎没有射击设置。我们的方法以潜在形式提取源和所需数据分布之间的差异，然后引导生成过程，以补充无数多种合成样本的训练集。我们的评估是在几个射击范式下进行亚种群偏移和三个领域适应方案进行的，表明我们的多功能方法改善了各个任务的性能，需要进行动手干预或复杂的调整。Doge铺平了毫不费力地生成遵循测试分布的现实，可转让的合成数据集的道路，从而加强了下游任务模型的现实世界效率。
swinfsr：使用swinir和频域知识的立体图像超分辨率
立体图像超分辨率（Sterereosr）近年来引起了人们的关注，这是由于手机，自动驾驶汽车和机器人的双重摄像头广泛范围。在这项工作中，我们根据Swinir的扩展（最初是为单个图像还原设计的，又提出了一种名为SWINFSR的新定单方法，以及Fast Fourier卷积（FFC）获得的频域知识。具体来说，为了有效地收集全球信息，我们通过使用FFC明确地不明显地局限于SWINIR中的残留SWIN变压器块（RSTBS），并使用结果域知识，并采用结果的残留Swin傅立叶型跨前块（RSFTB）进行特征提取。此外，为了有效，准确的立体视图融合，我们提供了一个新的跨意见模块，称为RCAM，该模块的竞争性能高于竞争性能，同时比最先进的交叉意见模块更少的计算成本。广泛的实验结果和消融研究证明了我们提出的SWINFSR的有效性和效率。
无监督域适应性的对比度适应网络
深度神经网络的最新进展成功地改善了各种学习问题[40，8，26，19，20]。但是，对于监督学习，大量的训练数据仍然是学习准确的深层模型的关键。尽管可能可用于一些预先规定的域，例如ImageNet [7]，但对于每个临时目标域或任务而言，手动标签通常很难或昂贵。缺少IN-ININAIN标记的数据阻碍了在许多实际问题中拟合模型的应用。在没有来自目标域的标记数据的情况下，已经出现了无监督的域适应（UDA）方法，以减轻数据分布的域移动[2，1，1，5，37，30，18，3，3，17]。它与无监督的学习有关，因为它仅需要从源域和目标域的零标签手动标签。在最近关于UDA的工作，这是Long等人提出的开创性工作。[22，25]旨在最大程度地减少深神经网络中源和目标域之间的差异，在此，在该网络中，域差异通过最大值
铁电畴壁的第三维度
波纹现象和曲率效应可提高稳定性并产生各向异性，以及增强的机械、光学和电子响应。双层石墨烯中的霍尔效应[1]和 MoS 2 中形成的人造原子晶体[2]就是很好的例子，它们表明电导率与偏离完美平坦结构之间存在很强的相关性。最近，铁电畴壁作为一种全新类型的二维系统出现，其形貌和电响应之间具有特别强的相关性。[3–6] 畴壁表现出 1-10 Å 数量级的有限厚度，因此通常被称为准二维系统。除了有限的厚度和与波纹二维材料类似之外，这些壁并不是严格意义上的二维，因为它们不会形成完全平坦的结构。弯曲和曲率自然发生，以尽量减少静电杂散场，确保机械兼容性，或由于导致畴壁粗糙的点缺陷。[7–10] 重要的是，相对于主体材料电极化的任何方向变化都会直接导致电荷状态的改变，从而导致局部载流子
Perimeter Medical Imaging AI, Inc. Cindy Domecus 监管...
我们已审查了您根据第 510(k) 条提交的上述器械上市前意向通知，并确定该器械与 1976 年 5 月 28 日（即《医疗器械修正案》颁布日期）之前在州际贸易中合法销售的同类器械或已根据《联邦食品、药品和化妆品法案》（法案）的规定重新分类且无需获得上市前批准申请 (PMA) 批准的器械基本相同（就附件中所述的使用指征而言）。因此，您可以根据法案的一般控制规定销售该器械。虽然这封信将您的产品称为器械，但请注意，一些已获准的产品可能是组合产品。位于 https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm 的 510(k) 上市前通知数据库可识别组合产品提交。该法案的一般控制条款包括年度注册、设备清单、良好生产规范、标签以及禁止贴错标签和掺假的要求。请注意：CDRH 不评估与合同责任担保相关的信息。但是，我们提醒您，设备标签必须真实，不得误导。
II 型二维异质结构中层间共振能量转移的主导作用
图 1. (a) 单层 (1L) MoSe 2 和 ReS 2 晶体结构。上图显示晶体结构的侧视图，下图显示晶体结构的顶视图。侧视图显示了这些层状材料上偶极子平面内取向的示意图。(b) 样品 1 (S1) 的 ReS 2 -MoSe 2 异质结构的光学图像。插图是样品侧视图的示意图。(c) MoSe 2 、ReS 2 和 HS 区域的拉曼光谱。HS 拉曼光谱由来自各个 1L 区域的不同振动模式组成。(d) 在透明蓝宝石基板上制作的类似异质结构的三个不同区域的吸收光谱数据（样品 2，S2）。MoSe 2 A 和 B 激子峰清晰可见，ReS 2 较低能量吸收峰用箭头标记。HS 光谱由两个 1L 区域的峰组成。
tcl-net：具有频率域融合和多角度注意的轻巧有效的飞行网络
摘要。朦胧的图像带来了一个具有挑战性的问题，由于信息丢失和颜色失真而遭受。当前的基于深度学习的去悬式方法通过增加网络深度来增强性能，但会导致大量参数开销。同时，标准卷积层集中在低频细节上，通常会说出高频信息，这阻碍了模糊图像中提出的先前信息的有效利用。在本文中，我们提出了TCL-NET，这是一个轻巧的飞行网络，该网络强调了频域特征。我们的网络首先包含一个用于提取高频和低频内形式的所谓层，该层是针对原始模糊图像的快速变压器专门设计的。同时，我们设计了一个频率域信息融合模块，该模块将高频和低频信息与后续卷积层的卷积网络作品集成在一起。此外，为了更好地利用原始图像的空间信息，我们引入了一个多角度注意模块。使用上述设计，我们的网络以仅0.48MB的总参数大小实现了出色的性能，与其他最先进的轻量级网络相比，参数的数量级降低了。
关于在国内实施国际人道主义法的自愿报告
此外，自 2019 年 3 月发布第一份自愿报告以来，英国一直鼓励和支持其他国家就其本国实施国际人道法的情况编写报告。为了实现这一目标，英国制作了一个工具包，为各国研究和起草自己的报告提供指导。它包括两个可选模板——用于简短和更详细的实施报告——以及如何发布报告的指导。该工具包可在 gov.uk 网站上在线访问，目前提供七种语言版本以及英语版本。1 我们已经做了这项工作，并将继续做这项工作，因为英国的立场是，自愿报告的发布有助于加强全球对国际人道法的实施和遵守，并有力地表明了一个国家遵守和实施国际人道法的承诺。我们希望这份更新版的自愿报告将鼓励其他国家公布其在国内实施国际人道法的活动细节，并使这些出版物保持最新，以更好地确定最佳做法，并最终改善对国际人道法的实施和遵守。
面向特定领域的可解释人工智能
皮肤癌检测是临床决策支持的一个常见应用 [7]。由于皮肤癌患者数量的增加和早期检测的良好治疗效果，过去几年来，人们在该领域进行了大量研究。在此背景下，DNN 已成为开发皮肤图像分类模型的可行方法 [2、8、12、30]。社区的高度关注导致出现了各种不同方法，其性能水平也参差不齐。1 所有方法的共同点都是训练一个可用于诊断并从而用于临床决策支持的模型。因此，新方法的评估标准通常是它们是否能够使模型在各种皮肤病诊断任务中取得更好的性能结果 [21]。同时，其他 AI 研究领域也越来越多地考虑对模型预测的解释。相比之下，这些技术在皮肤图像分类中的应用几乎没有得到解决，尽管最近的一些研究已经认识到
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