XiaoMi-AI文件搜索系统
World File Search SystemGraine
卫星和地面视图之间的跨注意，以增强细粒度的机器人地理位置
跨视图图像地理位置定位旨在通过用GPS标记的卫星图像补丁绘制当前的街道视图图像来确定户外机器人的位置。最近的作品在识别卫星贴片中达到了显着的准确性，该卫星贴片在机器人所在，其中将中央像素在匹配的卫星贴片中用作机器人粗糙位置估计。这项工作着重于机器人在已知的卫星贴片中的细粒度定位。现有的细颗粒定位工作利用相关操作来获得卫星图像本地描述符和街道视图全局描述符之间的相似性。基于衬里匹配的相关操作简化了两个视图之间的相互作用过程，从而导致距离误差很大并影响模型的概括。为了解决这个问题，我们设计了一个具有自我注意力和跨注意层的跨视图功能fu-sion网络，以取代相关操作。此外，我们将分类和回归预测结合在一起，以进一步降低位置距离误差。实验表明，我们的新型网络体系结构的表现优于最先进的，可以在看不见的地区更好的概括能力。具体而言，我们的方法在同一区域和在活力基准的同一区域和看不见的区域中分别将中位定位距离误差降低了43％和50％。
细浓度：通过扩散模型进行细粒度及时驱动的3D人姿势估计
3D人姿势估计（3D HPE）任务使用2D图像或视频来预测3D空间中的人类关节坐标。尽管最新的基于深度学习的方法取得了进步，但它们主要忽略了可访问的文本和自然可行的人类知识的能力，而错过了有价值的隐性监督，以指导3D HPE任务。此外，以前的努力经常从整个人体的角度研究这项任务，从而忽略了隐藏在不同身体部位的细粒度指导。为此，我们基于3D HPE的扩散模型（名为FinePose）提出了一个新的细粒及时驱动的DeNoiser。它由三个核心块组成，增强了扩散模型的反向过程：（1）通过耦合辅助辅助文本和可学习的提示以模拟隐式指南的耦合知识，并通过耦合的辅助辅助文本和自然可行的零件知识，可以通过耦合的辅助辅助文本和自然可行的零件知识来构建精细的部分零件感知的提示。（2）Fine-
蛋白质Pegylation方案 - 全马提尼粗粒v2.0方案（马提尼，疯狂，gromacs模拟）
-EF =弹性力常数，用于保留蛋白质二级和三级结构。应使用它来测试正常的所有原子构象，以保持所有原子和粗粒结构之间的相似性。应该测试几个值，并且必须使用研究信息来为您的系统选择更好的值。-EL =弹性下键切断。作为-ef标志，必须与晶体学结构进行测试或比较。-EU =弹性上键切断。作为-ef标志，必须与晶体学结构进行测试或比较。-pf =位置约束。用于避免原子运动以平衡系统。应与-p标志一起使用，以选择要约束哪种珠子。骨干是最常见的选择。- 突变=突变一个残基到另一个残基。一般而言，马提尼岛在识别他的HSD：HSD时始终构成始终突变的马提尼岛有一些问题。
细粒度太粗糙：一种以数据为中心的新型方法，用于有效场景图
学习以场景图的形式从原始信息组成视觉关系是一项高度挑战的任务，这是由于上下文依赖性的，但是在依赖于场景所在的现场视觉应用程序中至关重要。但是，场景图生成（SGG）中没有当前的方法旨在为下流任务提供有用的图形。相反，主要重点主要是公开数据分布以预测更多细粒关系的任务。据说，所有的关系关系都不相同，至少其中一部分对现实世界应用没有用。在这项工作中，我们介绍了有效的SGG的任务，该任务旨在阐述相关关系的产生，从而促进了在下游任务（例如图像生成）中使用场景图的使用。为了支持进一步的方法，我们根据流行的Visual Genome数据集的注释提出了一个新的数据集，即VG150策划的新数据集。我们通过一组实验表明，该数据集包含比通常在SGG中使用的数据更高质量和多样的注释。最后，我们显示了从场景图1中生成图像生成的任务中该数据集的效率。
年度报告2024 |生命的种子
Graine de Vie由一群关心世界状况的朋友和家人于2009年4月21日成立，并希望利用这种关注点为地球采取积极的行动。我们很快就很清楚，保护和恢复森林是应对气候变化影响的最佳方法，尤其是在当地社区的支持下采取这些行动的情况下。我们融入当地生活的造林战略有助于地球，但也为相关的非洲人口提供了额外的粮食和经济资源。
马提尼 3 粗粒度力场：小分子
Martini 粗粒度力场 Martini 3 的最新重新参数化提高了该模型在预测分子动力学模拟中的分子堆积和相互作用方面的准确性。在这里，我们描述了如何在 Martini 3 框架内精确参数化小分子，并提供了一个经过验证的小分子模型数据库。我们特别关注脂肪族和芳香族环状结构的描述，这些结构在溶剂和药物等小分子或蛋白质和合成聚合物等大分子的构成块中普遍存在。在 Martini 3 中，环状结构由使用更高分辨率粗粒度颗粒（小颗粒和微小颗粒）的模型描述。因此，本数据库构成了校准新 Martini 3 小颗粒和微小颗粒尺寸的基石之一。这些模型表现出出色的分配行为和溶剂性能。还捕获了不同本体相之间的可混溶性趋势，从而完成了参数化过程中考虑的一组热力学性质。我们还展示了新的珠子尺寸如何能够很好地表示分子体积，从而转化为更好的结构特性，例如堆叠距离。我们进一步介绍了设计策略，以构建复杂度更高的小分子的 Martini 3 模型。
细化粗粒度分子拓扑
摘要 分子动力学 (MD) 模拟对于预测不同分子体系的物理和化学性质至关重要。虽然全原子 (AA) MD 提供了高精度，但其计算成本高昂，这促使了粗粒度 MD (CGMD) 的发展。CGMD 将分子结构简化为具有代表性的微珠，以降低成本，但会牺牲精度。像 Martini3 这样的 CGMD 方法，经过实验数据校准后，在各个分子类别中具有良好的泛化能力，但往往无法满足特定领域应用的精度要求。本研究引入了一种基于贝叶斯优化的方法来优化 Martini3 拓扑结构，使其能够适应特定应用，从而确保精度和效率。优化后的 CG 势能适用于任何聚合度，提供与 AA 模拟相当的精度，同时保持与 CGMD 相当的计算速度。通过弥合效率和精度之间的差距，该方法推动了多尺度分子模拟的发展，使各个科学技术领域能够以经济高效的方式发现分子。 1. 引言粗粒度分子动力学 (CGMD) 1,2 已成为材料开发的重要工具，为了解聚合物 3 、蛋白质 4 和膜 5 等复杂分子系统提供了关键信息。CGMD 的主要优势在于它能够在更大长度尺度和更长时间范围内探索分子现象，超越了传统全原子分子动力学 (AAMD) 6–8 模拟的能力，后者通常提供更高的分辨率，因此特别擅长捕捉详细的界面相互作用 9 。具体而言，CGMD 通过将原子团有效地表示为珠子 10–15 来实现这种加速，从而将模拟能力在时间上从皮秒扩展到微秒，在空间上从纳米扩展到微米。因此，粗粒度技术为传统 AAMD 无法获得的复杂分子现象提供了前所未有的洞察，从而能够研究聚合物自组装行为等复杂现象 16 。新兴的CGMD建模工具集依赖于两个关键组件来学习潜在的分子间关系：珠子映射方案和珠子间相互作用的参数化。这些组件的开发主要采用两种方法：自上而下10–12和自下而上13–
使用强大的细粒访问策略增强基于格子的安倍
保护敏感数据在各个领域至关重要，包括信息技术，网络安全和医疗保健记录。在大型网络中实施加密数据的精确访问策略至关重要。基于属性的加密（ABE）是解决此挑战的解决方案，同时启用加密和访问控制。由于量子计算的进步，量子安全措施的重要性越来越大，对加密数据的量子抗性访问控制机制的需求越来越不断提高，这是基于基于晶格的属性加密所指的。但是，一些现有的基于格子的安倍计划缺乏对细粒度访问政策的强大支持。本文介绍了改进的基于关键策略属性的加密（KP-ABE）方案，该方案扩展了超出阈值门以支持任何布尔电路。在无法区分的CPA游戏下，在选择性安全模型中以错误（LWE）的假设为基础，拟议方案的安全性基于学习。值得注意的是，该方案非常适合布尔函数的分离正常形式（DNF）表示，为加密数据提供了增强的灵活性和访问控制机制的安全性和安全性。
语音生成的细粒度定量情绪编辑
摘要 - 它仍然是一个重大的挑战，如何在语音产生中进行定量控制语音情感的表现力。在这项工作中，我们提出了一种方法来定量操纵情感的情感，以编辑语音生成。我们应用层次情感分布提取器，即层次结构，可以量化不同粒度水平的情绪强度。层次结构ED随后集成到FastSpeech2框架中，指导模型以在音素，单词和话语水平上学习情感强度。在合成过程中，用户可以手动编辑生成的声音的情感强度。客观和主观评估都证明了拟议网络在细粒度的定量情绪编辑方面的有效性。
多模式细粒训练助理的自主工作流程
自主人工智能（AI）代理已经成为有前途的协议，以理解基于语言的环境，尤其是在大型语言模型（LLM S）的指数发展中。然而，多模式环境的细粒度，全面的不阐述不足。这项工作设计了一种量身定制的AU级工作流，该工作流无缝地集成到混合现实中（MR）进行细粒度的培训。我们在飞行员MR环境中为乐高砖组装的多模式细粒训练助手提供了演示。具体来说，我们设计了一种大脑语言代理，将LLM S与MR工具和视觉语言代理的内存，计划和互动集成在一起，使代理能够根据过去的经验来决定其行动。此外，我们推出了Lego-MRTA，这是一种多模式细粒组件Di-Alogue DataSet，在商业LLM提供的工作流程中自动合成。该数据集包括多模式指令的操作，对话，MR响应和视觉问题回答。最后，我们将几个流行的开放式LLM S作为基准，评估了他们在建议的数据集中进行微调的情况下的性能。我们要抗衡，该工作流的更广泛的影响将推动对MR环境中无缝用户互动的更智能分析的发展，从而促进了AI和HCI社区的研究。