XiaoMi-AI文件搜索系统
World File Search SystemMaps
在扩散模型中使用令牌优化的开放式摄取注意图
扩散模型代表文本到图像生成中的新范式。除了从文本提示中生成高质量的图像之外，诸如稳定扩散之类的模型已成功扩展到了共同生成的分段伪遮罩。但是，当前的敏感主要依赖于提取与用于图像合成的及时单词相关的关注。这种方法限制了从文本提示中未包含的单词代币中得出的分割掩码的产生。在这项工作中，我们介绍了开放式摄影注意力图（OVAM） - 用于文本到图像扩散模型的无训练方法，可为任何单词生成注意力图。此外，我们提出了一个基于OVAM的轻巧优化过程，用于查找具有单个注释的对象类的准确注意图。
场地分配高分辨率地图
图 2.1：国王十字站和彭顿维尔路空间战略区域场地分配位置...................................................................................................................................... 4
bevdriver：利用LLMS中的BEV地图进行强大的闭环驾驶
摘要 - 自主驾驶有可能为更有效的未来移动性奠定基础，要求研究领域通过安全，可靠和透明的驾驶来建立信任。大语言模型（LLM）具有推理能力和自然语言的理解，具有作为可以与人类互动和为人类驾驶员设计的环境互动的自我运动计划的普遍决策者的潜力。尽管这条研究途径很有希望，但当前的自动驾驶方法通过结合3D空间接地以及LLMS的发展和语言能力来挑战。我们介绍了BEV-驱动程序，这是一种基于LLM的模型，用于Carla中的端到端闭环驾驶，它利用潜在的BEV功能作为感知输入。bevdriver包括一个BEV编码器，以有效地处理多视图图像和3D LiDAR点云。在一个共同的潜在空间中，BEV特征通过Q-前者传播，以与自然语言指示保持一致，并传递给LLM，该LLM预测和计划在考虑导航说明和关键场景的同时，可以精确的未来轨迹。在Langauto基准测试中，与SOTA方法相比，我们的模型在驾驶得分上的性能高达18.9％。
在目标度量的变化下，最佳传输图的定量稳定性
•[38，23，5，11]使用此想法在各种任务中执行模式识别，包括对癌细胞中核染色质模式的区分，对面部表情，鸟类物种，星系形态的差异的检测，亚细胞形态，亚细胞蛋白质分布，从MI-Collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider的差异。•[31]考虑了该图像产生建模的框架，并通过展示了数字和面部图像的生成建模，在阿尔茨海默氏病神经毒气或甲状腺核图像的背景下进行PET扫描。•[22]遵循这种方法，以改善面部图像的分辨率。在此阶段，从数学角度来看，线性化最佳传输框架的良好实际行为是合理的。嵌入的实际好处是，可以在概率指标的家族中使用经典的希尔伯特统计工具箱，同时保留Wasserstein几何形状的某些特征。嵌入µ 7→t µ的一个特别好的特征是，其在l 2（ρ，r d）中的图像是凸的，即最佳的barycenter
评估使用扩散降解概率模型
生成的AI模型，例如稳定的扩散，DALL-E和MIDJOURNEY，最近引起了广泛的关注，因为它们可以通过学习复杂，高维图像数据的分布来产生高质量的合成图像。这些模型现在正在适用于医学和神经影像学数据，其中基于AI的任务（例如诊断分类和预测性建模）通常使用深度学习方法，例如卷积神经网络（CNNS）和视觉变形金刚（VITS）（VITS），并具有可解释性的增强性。在我们的研究中，我们训练了潜在扩散模型（LDM）和deno的扩散概率模型（DDPM），专门生成合成扩散张量张量成像（DTI）地图。我们开发了通过对实际3D DTI扫描进行训练以及使用最大平均差异（MMD）和多规模结构相似性指数（MS-SSSIM）评估合成数据的现实主义和多样性来生成平均扩散率的合成DTI图。我们还通过培训真实和合成DTI的组合来评估基于3D CNN的性别分类器的性能，以检查在培训期间添加合成扫描时的性能是否有所提高，作为数据增强形式。我们的方法有效地产生了现实和多样化的合成数据，有助于为神经科学研究和临床诊断创建可解释的AI驱动图。
具有生物学启发的高维入住网格图的可推广的增强学习，用于探索和目标导向路径计划
摘要 - 真实的时间自主系统利用多层计算框架来执行关键任务，例如感知，目标查找和路径计划。传统方法使用占用网格映射（OGM）实施感知，并通过概率信息将环境分为离散的单元。这种经典方法是完善的，并为下游过程提供了一个结构化输入，例如目标查找和路径计划算法。最近的方法利用了一种以生物学启发的数学框架，称为矢量象征体系结构（VSA），通常称为高维计算，以在高维空间中执行概率的OGM。这种方法（VSA-OGM）与尖峰神经网络提供了兼容性，将VSA-OGM定位为常规OGM的潜在神经形态替代品。但是，对于大规模集成，与已建立的OGM方法相比，评估VSA-OGM对下游任务的性能含义至关重要。本研究研究了VSA-OGM对传统的OGM方法，贝叶斯·希尔伯特·地图（BHM）的功效，基于强化学习的目标找到和路径计划框架，在受控的探索环境中，以及受到第10 f1 f1挑战启发的自主驾驶场景。我们的结果表明，VSA-OGM保持在单一和多幕科培训配置之间的可比学习绩效，同时将看不见的环境的性能提高了约47％。索引术语 - 占用网格映射，高维计算，概率学习，增强学习，脑启发的学习这些发现强调了通过BHM培训的政策网络的普遍性提高，从而增强了其在不同环境中现实部署的潜力。
无事件移动对象从移动自我车辆
虽然HDMAP是自动驾驶的关键组成部分，但获取和维护的昂贵。因此，从传感器中估算这些图的估算有望减轻成本。但是，这些估计值得超过现有的HDMAP，并使用当前的方法来确定低质量图或考虑已知地图的一般数据库。在本文中，我们建议在估计HDMAP时研究的确切情况的现有地图。为了证明这一点，我们确定了3种有用的现有地图（极简主义，嘈杂和过时的）类型。然后，我们介绍了Mapex，这是一个新颖的在线HDMAP估计框架，可说明现有地图。Mapex通过将地图元素编码为查询令牌来实现这一目标，并完善用于训练基于经典查询的MAP估计模型的匹配算法。我们证明Mapex在Nuscenes数据集上带来了重大改进。例如，Mapex-给定嘈杂的地图 - 比MAPTRV2检测器提高了38％，其基于当前SOTA的基础为8％。
linkAgeMapView：图链接组映射与定量性状基因座
lmv.linkage.plot（mapthis，outfile，mapthese = null，at.axis = null，autoconnadj = true，cex.axis = par（“ cex.axis”），cex.lgtitle = par = par（“ cex.main” col.lgtitle = par（“ col.main”），col.main = par（“ col.main”），conndf = null，denmap = false，dupnbr = false，font.axis = par（“ font.axis”），font.lgtitle = par（“ 0.3，labels.axis = true，lcex = par（“ cex”），lcol = par（“ col”），lfont = par（“ font”），lgperrow = null，lgtitles = null，lgw = 0.25，lgw = 0.25，lg.col = null = null，lg.lwd = par（ lwd.ticks.axis = lwd.axis, main = NULL, markerformatlist = NULL, maxnbrcolsfordups = 3, pdf.bg = "transparent", pdf.family = "Helvetica", pdf.fg = "black", pdf.width = NULL, pdf.height = NULL, pdf.pointsize = 12, pdf.title = "LinkageMapView R output", posonleft = NULL, prtlgtitles = TRUE, qtldf = NULL, revthese = NULL, rcex = par("cex"), rcol = par("col"), rfont = par("font"), roundpos = 1, rsegcol = TRUE, ruler = FALSE, sectcoldf = NULL, segcol = null，qtlscanone = null，showonly = null，unt =“ cm”，ylab = units）
刺激图：深部脑刺激手术定量术中测试结果的可视化
摘要 深部脑刺激 (DBS) 是治疗特发性震颤 (ET) 等运动障碍的成熟方法。患者脑内 DBS 导线的定位对于有效治疗至关重要。术中需要对不同电流幅度下不同位置的刺激的改善和不良影响进行广泛评估。然而，要选择最佳导线位置，必须在脑海中将信息可视化并进行分析。本文介绍了一种称为“刺激图”的新技术，该技术总结并可视化大量相关数据，旨在帮助确定最佳 DBS 导线位置。它结合了三种方法：相关解剖结构的轮廓、定量症状评估和患者特定的电场模拟。通过这种组合，刺激区域中的每个体素都被分配一个症状改善值，从而将刺激区域划分为具有不同改善水平的区域。该技术被回顾性地应用于法国克莱蒙费朗大学医院的五名 ET 患者。除了确定最佳植入位置外，由此得到的九张图还显示，改善程度最高的区域通常位于丘脑后部底区。结果证明了刺激图在确定最佳植入位置方面的实用性。
注意力调节神经特征维度图中的刺激表征
图 1：对特定特征维度的注意力如何塑造神经特征维度图？A. 优先级图理论假设各种“特征维度图”用于根据其首选特征维度内的计算来索引视野中最重要的位置，并且这些图中的激活应根据观察者的目标进行缩放。如果正在进行的任务需要检测或辨别运动（例如，识别飞镖蜂鸟的运动方向），则相应“运动图”内的激活将增加与蜂鸟位置相关的重要性。运动图可以通过两种方式优先考虑超出空间注意力预期的局部效应的信息（例如，Sprague 等人，2018 年）。可以发生局部增强，这样只有具有关注特征的刺激的位置才会被优先考虑。或者，可以发生全局增强，这样整个地图上的激活被附加缩放，从而增加对任何位置关注特征维度的敏感度。这种类型的调制仍会驱动更强的目标表征，但当运动是目标相关特征维度时，还会在没有刺激的位置导致更强的反应。这里描绘了运动维度图，但调制同样适用于其他特征维度，例如颜色。B. 评估特征（运动）图中刺激位置和相反位置的激活可以区分局部和全局增强解释。两种模型都预测，当首选特征维度相关（例如运动；左）时，刺激将在刺激位置具有最大的激活。如果增强是局部的，那么相反位置的激活不应该在各种条件下改变（中间）。但是，如果存在全局增强，那么当运动与任务相关时，相反位置的激活应该增加。通过计算刺激和相反位置之间的激活差异，可以评估基于特征的调制的空间特异性（右）。如果运动图中注意运动条件的激活差异（刺激相反）较大，则增强是局部的。然而，如果关注颜色和运动条件之间的激活差异相似，则增强在特征维度图上是全局的。