XiaoMi-AI文件搜索系统
World File Search SystemModal
学习扩散产生的视频检测的多模式伪造表示
来自扩散模型的大量合成视频对信息安全性和真实性构成威胁，从而导致对生成的内容检测的需求不断增长。但是，现有的视频级检测算法主要集中于检测面部伪造，并且通常无法识别具有各种语义范围的扩散生成的内容。为了推进视频取证领域，我们提出了一种创新算法，称为多模式检测（MM-DET），用于检测扩散生成的视频。mm-det利用了大型多模式模型（LMM）的深刻感知和全面能力，通过从LMM的多模式空间中产生多模式伪造表示（MMFR），从而增强了其检测到其不看见的伪造内容的能力。此外，MM-DET还利用了一个内在的框架注意（IAFA）机制来在时空结构域中进行特征增强。动态融合策略有助于改善融合的伪造代表。此外，我们在广泛的伪造视频中构建了一个称为扩散视频取证（DVF）的综合扩散视频数据集。mm-det在DVF中实现了最先进的性能，证明了我们的算法的有效性。源代码和DVF均可在链接中获得。
请求提案2024 1。关于电话2。模式
到2030年，TecnológicoDeMonterrey旨在提高其作为拉丁美洲领先的大学的全球声誉，以学术卓越，顶尖人才和创新的研究型教育愿景，从而改变社会。为了实现这些目标，TecnológicoDeMonterrey已建立了一个竞争性的校内基金来促进跨学科研究和技术发展。该计划旨在鼓励开创性的解决方案，以了解该机构已确定为其首要任务的关键挑战。金融计划将主要支持跨学科研究项目与TecnológicoDeMonterrey优先级的五个战略主要领域（SMA）一致（健康，气候和可持续性，工业转型，教育，繁荣的城市和社区）。也将考虑涉及相关领域的开放研究主题的杰出建议，尤其是与Secihti的战略计划和项目保持一致的领域。提案，以利用机构的研究基础设施，包括Origen数据库，核心实验室和Expedition Labs等资源。评估过程由两个阶段组成：
CHIP MLSOC™MODALIX产品系列的机器学习系统
sima.ai是以软件为中心的嵌入式边缘机器学习系统片（MLSOC）公司。sima.ai的硬件软件堆栈可灵活地调整到一个平台中的任何框架，网络，模型，传感器或模态。Edge ML应用程序完全在SIMA.AI MLSOC上运行，看到性能和能源效率提高了十倍，在几分钟内，将跨越计算机视觉的ML用例带到了计算机视觉的ML用例。与Sima.ai一起，客户解锁了新的收入途径，并节省了大量成本，以在工业制造，零售，航空，国防，农业和医疗保健之间进行创新。sima.ai成立于2018年，已筹集了2.7亿美元，并由Fidelity Management＆Research Company，Maverick Capital，Point72，MSD Partners，Venturetech Alliance等支持。有关更多信息，请访问www.sima.ai
Visual Cot：使用全面的数据集和基准来推进多模式模型
多模式大型语言模型（MLLM）在各种VQA任务中表现出了令人印象深刻的性能。但是，他们通常缺乏可解释性和在复杂的视觉输入中挣扎，尤其是当输入图像的分辨率很高时，或者当有兴趣的区域可以为回答问题提供关键信息时。为了应对这些挑战，我们收集并介绍了包括438K问答对的大规模视觉COT数据集，并用中间边界框注释，突出了突出了回答问题必不可少的关键区域。此外，将大约98k对以详细的推理步骤注释。重要的是，我们提出了一个多转弯处理管道，该管道动态着眼于视觉输入并提供可解释的思想。我们还引入了相关的基准测试，以评估需要特定局部区域识别的情况下的MLLM。广泛的实验证明了我们框架的有效性，并阐明了更好的推理策略。可在此网页上提供可视化的婴儿床数据集，基准和预培训模型，以支持该领域的进一步研究。
Modalis Therapeutics 报告运营亮点和...
Ø JCR 合作：通过将我们的 CRISPR- GNDM 有效载荷与可以穿透血脑屏障 (BBB) 的 AAV 衣壳相结合，继续我们在中枢神经系统疾病方面的合作。 Ø Genixcure 合作：继续我们的合作和基于 AI 的衣壳搜索，寻找用于阿尔茨海默病的 GC 衣壳。 l 知识产权更新 Ø 与东京大学共同申请的改良 Cas9 专利 (US18/058,832) 已在美国获得授权 (9 月) Ø MDL-202(GNDM-DMPK) 专利 (JP 2022-518586) 已在日本获得授权 (9 月) l 会议和演讲 Ø 过去的演讲 Ø 细胞和基因治疗峰会 (7 月 8-10 日在波士顿举行) Ø 生物加工峰会 (8 月 19-22 日在波士顿举行) Ø 基因治疗免疫原性峰会 (8 月 22 日在波士顿举行) Ø 波士顿纳米孔社区会议 (9 月 16-17 日，在波士顿举行) Ø 即将举行的演讲 Ø 第五届基因组编辑治疗峰会 (12 月 5 日在波士顿举行)
工作机会：博士后 @ CEA-LETI 格勒诺布尔原位多模式...
背景 加入位于格勒诺布尔的 CEA/Leti 的纳米表征平台，这是一个配备了大量先进表征工具的尖端环境。我们目前正在通过添加第二个高能微源和混合像素 2D 探测器来升级衍射系统。在此背景下，我们寻求一位有上进心的博士毕业生来为这一创新基础设施的发展做出贡献，这对我们的微电子材料研究至关重要。
解码心灵：跨模态感知和想象的神经差异和语义表征
本研究对与感知和想象概念相关的神经信号进行了分析，旨在提高有言语障碍人士的沟通能力。该研究利用通过 124 通道 ANT Neuro eego Mylab EEG 系统（ANT Neuro BV，亨格洛，荷兰）获取的公开可用的脑电图 (EEG) 数据。该数据集包括来自 12 名参与者的 11,554 次试验。所提出的卷积神经网络 (CNN) 模型在将 EEG 数据分类为来自感知或想象的语音任务条件方面优于其他模型，测试准确率达到 77.89%。传统的机器学习模型，包括随机森林 (RF)、支持向量分类器 (SVC) 和 XGBoost，都表现出过度拟合的趋势，导致准确率较低。至于语义解码，不幸的是，不同的模型在机会层面上执行。索引词：语音解码、EEG、BCI、语义解码
有效的双边跨模式群集匹配无监督的可见红外人Reid
无监督的可见红外人员重新识别（USL-VI-REID）旨在匹配来自不同方式的同一身份的行人图像，而无需注释。现有作品主要集中于通过对齐未标记的样本的实例级特征来减轻模式差距。但是，跨模式簇之间的关系尚未得到很好的探索。为此，我们提出了一个新型的双边群集匹配的学习框架，以通过匹配的跨模式簇来弥补模态差距。特定的是，我们通过优化两部分图中的最大匹配问题来设计多到多的双边跨模式群匹配（MBCCM）算法。然后，匹配的成对簇在模型训练过程中利用共享的可见和红外伪标签。在这样的监督信号下，提出了一种特异性和模态性和情态的（MSMA）对比度学习框架 - 提议在集群级别上共同对齐特征。平均值，提出了交叉模式一致性约束（CC），以明确减少较大的模态差异。对公共SYSU-MM01和REGDB数据集进行了广泛的实验，证明了该方法的有效性，平均超过8.76％的地图超过了最先进的方法。
分子对齐的多模式结构和语言
药物发现通常由多个步骤组成，包括识别疾病病因的靶蛋白键，证明与该靶标相互作用可以防止症状或治愈该疾病，发现与之相互作用的小分子或生物学治疗方法，并通过所需的复杂特性的景观来优化候选分子。药物发现相关的任务通常涉及预测和产生，同时考虑了可能相互作用的多个实体，这对典型的AI模型构成了挑战。为此，我们提出了哺乳动物-M骨 - 一个木质的杂物和an an脚 - 我们采用了一种方法来创建一种多种多样的生物学数据集（包括20亿个样本）（包括蛋白质），包括蛋白质（包括蛋白质），包括蛋白质（包括蛋白质），包括小型分解物，以及小型分子和Genes和Genes and Genes and Genes and Genes and Genes and Genes and Genes and Genes and Genes and Genes。我们引入了一个及时的语法，该语法支持广泛的分类，回归和生成任务。它允许将不同的方式和实体类型组合为输入和/或输出。我们的模型处理令牌和标量的组合，并可以生成小分子和蛋白质，性质预测以及转录组实验室测试预测。我们在典型的药物发现管道中对11个不同步骤的11个不同步骤进行了评估，该任务在9个任务中达到了新的SOTA，并且是