XiaoMi-AI文件搜索系统
World File Search SystemMATIC
人类 DHFR2 基因的差异翻译能力表明存在低丰度的发育和组织特异性内源性蛋白质
根据预测翻译蛋白的重组版本的酶活性，人类二氢叶酸还原酶 2 ( DHFR2 ) 基因已被归因于功能性作用。然而，其体内功能仍不清楚。DHFR2 与其亲本同源物 DHFR 之间的高氨基酸序列同一性 (92%) 使内源性蛋白质的分析具有挑战性。本文介绍了一种针对几种人类细胞系和组织类型的靶向质谱蛋白质组学方法，以识别 DHFR2 特异性肽作为其翻译的证据。我们提供了确凿的证据，表明线粒体中的 DHFR2 活性实际上是由 DHFR 而不是 DHFR2 介导的。 Ribo-seq 数据分析和使用蔗糖垫进行的核糖体关联实验评估表明，Ensembl 注释的 DHFR2 的两个主要 mRNA 异构体 201 和 202 与核糖体存在不同的关联。这表明它在 RNA 和蛋白质水平上都发挥着功能性作用。然而，尽管 DHFR2 的各种 RNA 异构体相对丰富，但我们无法在大多数细胞类型中检测到可检测水平的 DHFR2 蛋白。我们确实在胚胎心脏中检测到了 DHFR2 特异性肽，这表明该蛋白质可能在胚胎发生过程中发挥特殊作用。我们认为 DHFR2 基因在成体细胞中的主要功能很可能出现在 RNA 水平上。
航空航天应用中的 MEMS 和微结构
《MEMS 和微结构在航空航天应用中》是从程序需求的角度编写的。MEMS 是一个跨学科领域，需要电子、微机械、加工、物理、流体学、封装和材料方面的知识，这些只是其中的一些技能。因此，太空任务需要更广泛的学科。本书就是为这个广泛的群体，特别是系统工程师编写的。该材料是为系统工程师、飞行保证经理、项目负责人、技术专家、项目管理、子系统负责人和其他人员（包括寻找新仪器功能的科学家）设计的，可作为 MEMS 在航空航天应用中的实用指南。本书的目的是为读者提供足够的背景和具体信息，以设想和支持 MEMS 在未来飞行任务中的应用。为了培育在微型航天器（甚至是航天器）中使用 MEMS 的愿景，我们尝试概述迄今为止 MEMS 在太空中的一些应用，以及迄今为止为支持太空任务而开发的不同应用。这些应用中的大多数都处于低技术准备水平，预计下一步是开发适合太空的硬件。但是，该领域仍然缺乏一个遗产数据库来征集下一代 MEMS 演示的规定性要求。（有些人可能会认为这是一种好处。）本书的第二个目标是为最终用户提供指南和材料，以便他们利用这些指南和材料来集成和鉴定 MEMS 设备和仪器，以用于未来的太空任务。
利用无人机传感图像估计农林牧复合系统中树木种植园的位置和高度
摘要 典型地中海树种的人工林对于该地区森林生态系统的恢复至关重要，例如栓皮栎 ( Quercus suber L.)、圣栎 ( Quercus ilex L.) 和大叶松 ( Pinus pinea L.)。虽然传统的森林清查可以提前发现这些人工林中的问题，但所需实地考察的成本和劳动力可能超过其潜在效益。无人机 (UAV) 为传统清查和单树测量提供了一种廉价实用的替代方案。我们提出了一种根据遥感图像估算单树高度和位置的方法，该图像使用集成 RGB 传感器的低空飞行无人机获取。2015 年夏天，一架低空飞行 (40 米) 六旋翼飞行器拍摄了埃武拉大学一片 5 公顷的树林。根据这些图像创建了 3D 点云和正射影像。点云用于识别局部最大值作为树木位置和高度估计的候选。结果表明，使用无人机测量的松树高度可靠，而橡树的可靠性取决于树木的大小：较小的树木尤其成问题，因为它们往往具有不规则的树冠形状，导致更大的误差。然而，误差显示出强烈的趋势，可以生成足够的模型来改进估计。
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
基于兴趣区域的脑肿瘤分割 -
摘要由于磁共振成像（MRI）具有较高的软组织对比度，因此在MRI图像中，对肿瘤的轮廓（脑）肿瘤在医学图像过程中至关重要。对肿瘤进行精确分割是巨大的挑战，因为肿瘤和正常组织通常在大脑中密不可分地交织在一起。手动耗时也非常耗时。后期的深度学习技术开始在脑肿瘤分割中表现出可取得的成功。这项研究的目的是开发一种新的兴趣区域（ROI ADED）深度学习技术，用于自动脑肿瘤MRI分割。该方法由两个主要步骤组成。第一步是使用具有U-NET结构的2D网络来定位肿瘤ROI，这是为了产生正常组织干扰的影响。然后，在第2步中执行3D U-NET，以进行识别的ROI内的肿瘤分割。该提出的方法在MIC-CAI BRATS 2015挑战中得到了验证，其中220个高神经胶质瘤级（HGG）和54个低神经胶质瘤级（LGG）患者的数据。骰子相似性系数和手动肿瘤轮廓之间的Hausdorff距离分别为0.876±0.068和3.594±1.347 mm。这些数字表明我们所提出的方法是用于大脑MRI肿瘤分割的有效的ROI ADEAD深度学习S，并且是医学图像处理中的有效且有用的工具。
````````'''是一个太空之旅？轨道下空间旅游中的辐射暴露的简要讨论
在2020年5月30日（星期六）介绍我们对太空旅行永久变化的方式。商业空间旅行现在已成为现实。随着SpaceX（加利福尼亚州霍桑）船员龙的首次商业船员太空的发射，私人企业现在有能力将人类超越地球的大声疾呼。尽管将宇航员从这些公司派往国际空间站是一个目标（例如SpaceX的Crew Dragon and Boeing's [芝加哥伊利诺伊州伊利诺伊州] Starliner），Space Tourism是另一个主要重点（例如Blue Origin [Kent，Washington，Washington，Washington]和Virgin Grigin Galactic [Las Cruces]）。太空旅游不是新事物。即使在2000年代初期，人们也在“搭便车”前往俄罗斯共和共和军的国际空间站。这些席位跑了约20至4000万美元，而且很少。由于私有化和（相对）的降低价格，我们可以预期将大幅度增加受到空间环境的人数。即使在2019年初，每座位约为25万美元，维珍银河亚轨道上的候补名单上有700多人[1]。这些名单上的人并不总是处于严格训练方案的宇航员的身体状态。因此，对于医生来说，了解与太空相关的医疗风险更为重要。
基于神经网络的特征提取...
摘要 机器学习模型在准确性、计算/内存复杂度、训练时间和适应性等特性方面有所不同。例如，神经网络 (NN) 因其自动特征提取的质量而具有高精度而闻名，而受大脑启发的超维 (HD) 学习模型则以其快速训练、计算效率和适应性而闻名。这项工作提出了一种混合、协同机器学习模型，该模型在上述所有特性方面都表现出色，适用于芯片上的增量在线学习。所提出的模型包括一个 NN 和一个分类器。NN 充当特征提取器，经过专门训练，可以与采用 HD 计算框架的分类器配合良好。这项工作还提出了所述特征提取和分类组件的参数化硬件实现，同时引入了一个编译器，该编译器将任意 NN 和/或分类器映射到上述硬件。所提出的混合机器学习模型具有与 NN 相同的准确度（即 ± 1%），同时与 HD 学习模型相比，准确度至少提高了 10%。此外，与最先进的高性能 HD 学习实现相比，混合模型的端到端硬件实现可将功率效率提高 1.60 倍，同时将延迟时间缩短 2.13 倍。这些结果对于此类协同模型在具有挑战性的认知任务中的应用具有深远意义。
最近的趋势和前景
编辑：尽管水对于人类生存至关重要，其分布不平衡以及暴露于无数污染来源，但Daniel CW Tsang仍然使水短缺变得越来越紧迫。膜技术提供了一种有效的解决方案，可减轻缺水的影响。通过合并具有不同性质和尺寸尺寸的添加剂，可以提高膜的选择性和渗透率。然而，由于关于水处理应用中纳米级材料的环境和经济可行性的巨大辩论，我们可以推断出，第一个工业纳米复合膜的商业化需要很长的路要走。这个绊脚石促使科学社区搜索具有可持续特征的替代修改路线和/或材料。在本文中，我们提出了一项特学评论，通过应用自然添加剂（例如，粘土，阿拉伯胶，沸石，木质素，水可通道蛋白），将可持续性，纳米技术和膜技术融合在一起，将其添加剂（例如，Bio Char，eReTER）和recel and receyl（例如，E.G），E.苯二甲酸酯，再生聚苯乙烯）用于聚合膜的合成和修饰。在存在的可持续天然和废物基材料的存在引起的聚合物膜上赋予了特征。此外，还阐述了与这些纳米和微型添加剂在复合膜修改中应用的障碍相关的障碍的策略。
粒度事项：病理图形驱动的脑CT报告生成的跨模式比对
自动脑CT报告生成可以提高诊断颅疾病的效率和准确性。但是，当前方法受1）粗粒监督的限制：图像文本格式中的训练数据缺乏识别微妙的异常性的监督，以及2）耦合的交叉模式对齐：视觉文本一致性可能不可避免地以粗糙的方式进行，从而导致鲜明的特征代表性地汇总，以报道的代表。在本文中，我们提出了一种新型的病态图形驱动的跨模式比对（PGCA）模型，以进行准确且健壮的脑CT报告生成。我们的方法可以通过对病理图进行构建以学习精细的视觉提示并与文本单词对齐，从而有效地解开了跨模式的对准。该图包含代表基本病理性贡献的异质淋巴结（即，组织和病变）通过与先前的知识相关的内部和属间边缘。通过精心设计的图形嵌入和更新模块，我们的模型完善了微妙的tiss和病变的视觉特征，并使用对比度学习使它们与文本单词对齐。广泛的实验结果证实了我们方法的生存能力。我们认为，我们的PGCA模型有可能大大增强脑CT报告的自动产生，并最终有助于改善颅骨疾病诊断。
AI-KG：人工智能自动生成的知识图谱
摘要：科学知识传统上是通过在期刊、会议论文集和在线档案中发表的研究文章来传播和保存的。然而，这种以文章为中心的范式经常受到批评，因为它不能自动处理、分类和推理这些知识。另一种愿景是生成语义丰富、相互关联的研究出版物内容描述。在本文中，我们提出了人工智能知识图谱 (AI-KG)，这是一个自动生成的大规模知识图谱，描述了 820K 个研究实体。AI-KG 包含从 333K 个人工智能领域的研究出版物中提取的大约 14M 个 RDF 三元组和 1.2M 个具体化语句，并描述了由 27 种关系链接的 5 种类型的实体（任务、方法、指标、材料、其他）。 AI-KG 旨在支持各种智能服务，用于分析和理解研究动态、支持研究人员的日常工作以及帮助资助机构和研究政策制定者做出决策。AI-KG 是通过应用自动管道生成的，该管道使用三种工具提取实体和关系：DyGIE++、Stanford CoreNLP 和 CSO Classifier。然后，它使用深度学习和语义技术的组合来集成和过滤生成的三元组，以生成高质量的知识图谱。该管道根据手工制作的黄金标准进行了评估，获得了具有竞争力的结果。AI-KG 在 CC BY 4.0 下可用，可以作为转储下载或通过 SPARQL 端点查询。