XiaoMi-AI文件搜索系统
World File Search SystemMTL
MPAR-RCNN：具有属性识别的多人检测的多任务网络
多标签属性识别是计算机视觉中的一项关键任务，应用程序范围在不同的领域。这个问题通常涉及检测具有多个属性的对象，需要具有高级差异和精细的特征提取的复杂模型。对象检测和属性识别的集成通常依赖于诸如双阶段网络之类的方法，其中准确的预测取决于高级特征提取技术，例如感兴趣的区域（ROI）池。为了满足这些要求，在统一框架中既可以实现可靠的检测和属性进行分类，这是必不可少的。这项研究介绍了一个创新的MTL框架，旨在将多人属性识别（MPAR）纳入单模型体系结构中。命名为MPAR-RCNN，该框架通过空间意识到的，共享的骨干，促进效果和准确的多标签预测来符合对象检测和属性识别任务。与传统的基于快速区域的卷积神经网络（R-CNN）不同，该网络（R-CNN）分别管理人的检测和归因于双阶段网络的分类，MPAR-RCNN体系结构在单个结构中优化了两个任务。在更宽的（用于事件识别的Web图像数据集）数据集上进行了验证，提出的模型展示了对当前最新ART（SOTA）体系结构的改进，展示了其在推进多标签属性识别方面的潜力。
无线电导航设备列表
43°26'59.0"N 005°11'47.3"E（LOC） 43°25'56.7"N 005°13'08.4"E（DME） MRM VOR/DME 108.8 / Ch 25X 43°22'38.4"N 005°19'35.2"E MRV 梅维尔/卡洛讷 NDB 404 50°40'16.8"N 002°42'22.0"E MT 圣纳泽尔/蒙托瓦 NDB 398 47°20'01.5"N 002°02'40.2"W MTG 马蒂格斯 VOR/DME 117.3 / Ch 120X 43°23'10.7"N 005°05'12.6"E MTL 蒙特利马尔/安孔 VOR/DME 113.65 / Ch 83Y 44°33'17.8"N 004°46'47.5"E MTZ 梅斯/南锡/洛林 NDB 354 49°16'34.1"N 006°12'31.0"E MU 马赛/普罗旺斯 NDB 406 43°23'17.7"N 005°12'59.1"E MUS 尼斯/蔚蓝海岸 NDB 428 43°23'04.5"N 006°36'22.9"E MUT 米雷/勒尔姆 NDB 350 43°28'47.3"N 001°10'53.6"E MVC 梅维尔/卡洛讷 NDB 327 50°34'17.6"N 002°35'14.0"E 北
aetci36-2651.pdf - 空军 - AF.mil
本指令执行空军部政策指令 36-26《总兵力发展与管理》。本指令涵盖基本军事和技术训练中的角色和职责。本指令适用于正规空军、空军预备役 (AFR)、空军国民警卫队 (ANG) 和空军部 (DAF) 永久或临时分配到空军教育和训练司令部 (AETC) 的文职人员。本出版物不适用于美国太空部队。本指令适用于第 637 训练组国防语言学院英语语言中心 (DLIELC) 和美洲空军学院 (IAAFA)，用于其教职员工和干部的兵力发展和管理，以及第二空军 (2 AF) 内分配的国际常驻方。国际常驻方包括根据军事人员交流计划和空军客座教员计划分配的所有个人。例外：本指令不适用于在 IAAFA 或 DLIELC 接受培训的外国军事学生，但涉及风险管理和高风险培训的除外。此外，AETC 指令 (AETCI) 36-2651 根据 IAAFA 和 DLIELC 的安全合作教育和培训任务的性质确定了例外情况。值得注意的是，IAAFA 和 DLIELC 不授予空军专业代码 (AFSC) 或空军社区学院 (CCAF) 学分，也没有军事训练教官 (MTI) 或军事训练领导 (MTL)。IAAFA 和 DLIELC 遵守空军指令 (AFI) 16-105《联合安全合作教育与培训》，用于其培训流程的某些部分以及对国际军事学生的照顾。受 AETC 单位行政控制但受非 AETC 机构或学校运营控制的 AETC 人员将遵守合同规定的指导和要求，
在人类怀孕过程中观察到的神经解剖学变化
图1。精确成像揭示了整个妊娠的神经解剖学变化。a）通过妊娠周（使用biorender.com创建的怀孕阶段的标准医疗分界）（即三体）。b）类固醇激素在妊娠过程中显着增加并产后急剧下降，这是产前和产后时期的特征。c）一名健康的38岁的自初次妇女从3周的预感到产后两年。扫描在整个审核观念（4个扫描），孕早期（4个扫描），第二学期（6个扫描），第三学期（5个扫描）和产后（7次扫描）；刻度标记表明何时采取重大措施，颜色表示怀孕阶段。参与者接受了体外受精（IVF）以实现怀孕，从而可以精确地排卵，构思和妊娠周。d）在实验过程中进行摘要（即总计）脑测量。灰质体积，皮质厚度和总脑体积在妊娠过程中降低（请参阅方法），产后轻微恢复。全球定量各向异性，外侧心室和脑脊液体积在妊娠之间显示出非线性的增加，第二和第三个三个蛋白质在降低产后急剧下降。阴影区域代表从广义添加剂模型得出的95％置信区间；虚线表示分娩。缩写：IVF =体外受精； mtl =内侧颞叶; GMV =灰质体积； CSF =脑脊液。
自然之力
埃尔娜 (Erna) 在耶姆特兰山区出生和长大，热爱大自然是她众多特点之一。脚踏实地，拥有与生俱来的自然力量 — — 这就是我们对埃尔娜的看法。在埃尔娜 (Erna) 年满 70 岁之际，我们想出版一本庆祝出版物来庆祝她的生日，其中的许多贡献都凸显了埃尔娜作为自然力量的魅力。通过写作，埃尔娜被描绘成一位伟大的渔夫、一位在 Storsjön 湖畔游泳的忠实游泳者（无论天气如何）以及一位热爱花园的种植者。但在与自然力量的类比中，对我们来说，埃尔娜既象征着风，又象征着山和太阳。风，通过它的自发性和智慧。这座山，为有时充满不确定性和动荡的学院里的同事们提供了坚实的基础。太阳通过它的辐射能量和对一切事物的积极态度。并且同样重要的是，埃尔娜是一股不断前进的力量，朝着新的冒险和新的目标前进，这股力量经常激励和吸引她周围的其他人。
特征融合和潜在特征学习引导脑肿瘤分割和缺失模态恢复网络
准确的脑肿瘤分割是临床诊断和外科治疗的重要步骤。多模态脑肿瘤分割在很大程度上依赖于有效的融合方法和优秀的分割网络。然而，由于图像损坏、采集协议、扫描仪可用性和扫描成本等原因，临床场景中经常会缺少一些 MR 模态，这会严重降低肿瘤分割准确性，也会导致下游疾病分析的信息丢失。为了解决这个问题，我提出了一种新颖的多模态特征融合和潜在特征学习引导的深度神经网络。一方面，当一个或多个模态缺失时，所提出的网络可以帮助分割脑肿瘤。另一方面，它可以检索缺失的模态以补偿不完整的数据。所提出的网络由三个关键组件组成。首先，提出一个多模态特征融合模块 (MFFM) 来有效地融合来自不同模态的互补信息，包括跨模态融合模块 (CMFM) 和多尺度融合模块 (MSFM)。其次，提出了一种基于空间一致性的潜在特征学习模块 (SC-LFLM)，以利用多模态潜在相关性并提取相关特征以有利于分割。第三，集成多任务学习 (MTL) 路径来监督分割并恢复缺失的模态。在 BraTS 2018 数据集上对所提出的方法进行了评估，与最先进的方法相比，当一个或多个模态缺失时，它可以实现更好的分割结果。此外，所提出的模块可以轻松适应其他多模态网络架构和研究领域。
大脑行为和免疫力
不寻常的环境或遭受损害的环境可能需要数年的时间才能收集。标记以注释测量值也可能是有限的或昂贵的，需要域专家的投入。这种不完整的数据激发了相似资产之间的共享信息；具体而言，具有全面数据（或已建立模型）的系统是否可以为那些提供不完整信息的人提供支持。从一台机器到另一种机器的知识转移概念导致了基于人群的发展（Bull等，2021； Gardner，Bull，Bull，Gosliga等，2021； Gosliga等，Gosliga等，2021）或车队监控（Zaccaria et al。，2018）。初步研究（主要）考虑系统之间相似性的序列化（Gosliga等，2021）和用于传输数据和/或模型从源到目标域的工具（Bull等，2021; Gardner，Bull，Bull，Dervilis等人，2021; Michau＆Fink＆Fink＆Fink，2019）。这里考虑了一种替代方法，从而鉴于收集到的系统组的测量值进行了合并的分解（Dhada等，2020）。具体来说，考虑到收集的人群记录的信息，学会了一组相关的层次模型。提出了两个案例研究：对操作风电场的操作卡车舰队和风能预测的生存分析。人口级模型是使用近阶贝叶斯建模（Gelman等，2013; Wand，2009）学习的，与独立模型和两个基准相比，提供了稳健的预测和差异。多任务学习（MTL）方法（Murphy，2012; Wand，2009）自动共享相关域（即子组）之间的信息，从而使信息稀疏的资产从数据富含数据的人那里借鉴了统计强度（通过相关变量）。
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。
exma：精确匹配的基因组加速器
摘要 - 基因组学是精密医学，全球粮食安全和病毒监测的基础。精确匹配是在基因组学的几乎每个步骤中广泛使用的操作之一，例如对齐，组装，注释和相互作用。现代基因组学采用Ferragina-Manzini指数（FM-索引）增强空间 - 有效的Burrows-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler Transform（BWT），并具有其他数据结构，以允许超快速的精确匹配操作。但是，FM索引因其空间局部性和随机内存访问模式而臭名昭著。先前的工作创建GPU-，FPGA-，ASIC-甚至是基于内存过程（PIM）的加速器，以增强FM-Index搜索吞吐量。尽管他们实现了最新的FM索引搜索吞吐量，但与所有先前的常规加速器相同，但在每个DRAM行激活后仅处理一个DNA符号，因此仅处理一个DNA符号，从而遭受了记忆带宽利用率不佳。在本文中，我们提出了一个硬件加速器EXMA，以增强FM-Index搜索吞吐量。我们首先创建一个具有多任务学习（MTL）基于多任务的索引的新型EXMA表，以在每个DRAM行激活中处理多个DNA符号。然后，我们构建一个加速器以在EXMA表上进行搜索。我们提出了2阶段的安排，以提高加速器的高速公路命中率。我们介绍了动态页面策略，以提高DRAM主内存的行缓冲区命中率。我们还提出链条压缩，以减少EXMA表的数据结构大小。与最新的FM索引PIM相比，EXMA将搜索吞吐量提高了4。9倍，并增强每瓦4瓦搜索吞吐量。8×。 索引术语 - 特定于硬件加速器，ge- sickics，精确匹配8×。索引术语 - 特定于硬件加速器，ge- sickics，精确匹配
社论：大脑计算机界面及其应用
目前，脑部计算机界面（BCI）是神经科学领域的研究重点和热点。相关技术被广泛用于各种情况，例如临床使用，康复，工程和日常生活。BCI使用不同的大脑信号，记录方法和信号处理算法来在大脑与外部软件/硬件平台之间构建链接。随着硬件（例如BCI芯片，可穿戴设备）和算法（例如机器学习，深度学习）的开发，BCI变得越来越实用和稳定。我们发布了此研究主题，以收集BCI的全球最新研究。来自世界各地的研究人员积极参与并贡献了许多手稿。经过仔细和专业审查所有提交的内容后，接受了14项高质量手稿。在此主题中，一些贡献着重于在BCI中使用深度学习，其中卷积神经网络（CNN）是最广泛使用的。Zhang等。 为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。 实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。 Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Zhang等。为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Qiu等。使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Deng等。 提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。 计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。 Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。 该算法在基于脑电图的动作解码中提供了高可变性和跨主题。 在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。 Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Deng等。提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。该算法在基于脑电图的动作解码中提供了高可变性和跨主题。在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen L.等。将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。元转移学习（MTL）用于避免耗时的校准。Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen G.等。探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。