XiaoMi-AI文件搜索系统
World File Search SystemMorph
无线驱动的热和磁反应软式双向材料，具有可编程形状的形状
无线驱动和远程控制的活跃软材料已引起了大量的研究注意，因为与传统的智能材料相比，它们在各种各样的领域中具有潜在的潜在应用，其性能有所改善。[1-5]这些合成伴侣对环境刺激的反应并表现出模仿或与自然界观察到的行为或现象相匹配的能力。[6-8]在这些智能材料中，机械刺激响应材料从环境输入中收获能量，例如光线，[9-11]热量，[12,13]溶剂，[14,15]和物理领域和[16-18]，并将其转换为机械能量，无需通过机械形状，无需通过板上的功率来源。这些无线材料可以完成各种功能，例如运动[19-21]以及物体操纵和运输[22-24]作为执行器和传感器。在迄今为止报道的大量活跃智能材料中，由于它们的独特特征和独特的优点，液晶弹性体（LCE）和磁反应弹性体（MRE）最近与其他人脱颖而出。lces表现出大量的菌株（高达400％）和高度工作，以响应多种环境刺激，例如温度[25-27]光，[11,28]和电场。[17,18,29] LCES内部元素的预定对齐（由导演n描述）启用了已在软执行器和生物启发的设备中使用的复杂的3D可逆形状。这些局部菌株共同起作用，以实现指定的形状 - 修复行为，这通常是平面外弯曲的。[6,11,30]外部刺激会根据LCES的当地董事场诱导收缩和拉伸菌株的对齐中的订单参数。另一方面，MRE由柔软的弹性体（SE）矩阵组成，其嵌入式硬磁性微或纳米果（MMPS或MNP）组成。外部磁场在嵌入的MMP或MNP上产生局部力和扭矩。分离的扭矩会导致身体变形和MRE材料的净旋转，而颗粒所经历的力会融合到净力，从而置换MRE或变形。[31]磁性致动具有远距离，健壮和快速致动的优势，并且瞬间的能力
形态控制的 J 聚集体中室温光致发光量子产率的增强
已知由形成 J 聚集体的有机染料组成的超分子组装体表现出窄带光致发光，半峰全宽约为 ≈ 9 nm (260 cm − 1 )。然而，这些高色纯度发射体的应用受到菁 J 聚集体相当低的光致发光量子产率的阻碍，即使在溶液中形成也是如此。本文证明了菁 J 聚集体在室温下在水和烷基胺的混合溶液中可以达到高一个数量级的光致发光量子产率（从 5% 增加到 60%）。通过时间分辨的光致发光研究，显示了由于非辐射过程的抑制导致激子寿命的增加。小角度中子散射研究表明了这种高发射性 J 聚集体的形成必要条件：存在用于 J 聚集体组装的尖锐水/胺界面以及纳米级水和胺域共存以分别限制 J 聚集体尺寸和溶解单体。
聚焦 LRP：用于人脸变形攻击检测的可解释 AI
近年来，检测变形人脸图像的任务变得非常重要，以确保基于人脸图像的自动验证系统（例如自动边境控制门）的安全性。基于深度神经网络 (DNN) 的检测方法已被证明非常适合此目的。然而，它们在决策过程中并不透明，而且不清楚它们如何区分真实人脸图像和变形人脸图像。这对于旨在协助人类操作员的系统尤其重要，因为人类操作员应该能够理解其中的推理。在本文中，我们解决了这个问题，并提出了聚焦分层相关性传播 (FLRP)。该框架在精确的像素级别向人类检查员解释深度神经网络使用哪些图像区域来区分真实人脸图像和变形人脸图像。此外，我们提出了另一个框架来客观地分析我们方法的质量，并将 FLRP 与其他 DNN 可解释性方法进行比较。该评估框架基于移除检测到的伪影并分析这些变化对 DNN 决策的影响。特别是，如果 DNN 的决策不确定甚至不正确，与其他方法相比，FLRP 在突出显示可见伪影方面表现得更好。
发展性计算障碍患者的大脑结构持续存在差异：纵向形态测量研究
发展性计算障碍 (DD) 是一种学习障碍，会影响数字算术技能的习得。患者在数字处理方面表现出持续的缺陷，这与大脑激活和结构异常有关。据报道，发展性计算障碍患者的顶叶皮层（包括顶内沟 (IPS)）以及额叶和枕颞皮层灰质减少。此外，计算障碍患者的白质存在差异，例如下纵束 (ILF) 和上纵束 (SLF)。然而，这些结构差异的纵向发展尚不清楚。因此，我们的目标是研究患有和不患有发展性计算障碍的儿童的灰质和白质的发展轨迹。在这项纵向研究中，我们以 4 年为间隔两次收集了 13 名患有发展性计算障碍的儿童（8.2-10.4 岁）和 10 名正常发育 (TD) 儿童（8.0-10.4 岁）的神经心理学测量值和 T1 加权结构图像。使用基于体素的形态测量法对纵向数据进行体素级灰质和白质体积估计。本研究首次揭示了 DD 儿童在发育过程中灰质和白质体积持续减少。双侧下顶叶包括 IPS、缘上回、左楔前叶、楔叶、右枕上回、双侧颞下回和颞中回以及岛叶均发现灰质减少。双侧 ILF 和 SLF、下额枕束 (IFOF)、皮质脊髓束和右丘脑前部放射 (ATR) 的白质体积减少。在行为上，DD 儿童在基线和随访中在各种数字任务中的表现明显较差，证实了数字处理方面的持续缺陷。本研究结果与文献一致，文献表明 DD 儿童在数字网络中的灰质和白质体积减少。我们的研究进一步阐明了大脑发育的轨迹，揭示了这些已知的颞叶和额顶叶长联系纤维和相邻区域的结构差异
使用深度多尺度上下文聚合网络的残余噪声检测变形脸部攻击
随着人脸识别系统 (FRS) 的部署，人们开始担心这些系统容易受到各种攻击，包括变形攻击。变形人脸攻击涉及两张不同的人脸图像，以便通过变形过程获得一个与两个贡献数据主体足够相似的最终攻击图像。可以通过视觉（由人类专家）和商业 FRS 成功验证所获得的变形图像与两个主体的相似性。除非此类攻击能够被检测到并减轻，否则人脸变形攻击会对电子护照签发流程和边境管制等应用构成严重的安全风险。在这项工作中，我们提出了一种新方法，使用新设计的去噪框架来可靠地检测变形人脸攻击。为此，我们设计并引入了一种新的深度多尺度上下文聚合网络 (MS-CAN) 来获取去噪图像，然后将其用于确定图像是否变形。在三个不同的变形人脸图像数据集上进行了广泛的实验。还使用 ISO-IEC 30107-3 评估指标对所提出方法的变形攻击检测 (MAD) 性能进行了基准测试，并与 14 种不同的最新技术进行了比较。根据获得的定量结果，所提出的方法在所有三个数据集以及跨数据集实验中都表现出最佳性能。
MSQSM：基于形态的自我监督的深度学习，用于定量敏感性映射
定量敏感性映射（QSM）已广泛应用于神经变性和铁沉积的临床诊断，而QSM重建中仍然存在偶极反转问题。最近，提出了深度学习方法来解决这个问题。但是，这些方法中的大多数是需要成对输入阶段和地面真相对的监督方法。在不使用地面实际情况的情况下训练所有分辨率的模型仍然是一个挑战，而仅使用一个分辨率数据。为了解决这个问题，我们提出了一种基于形态的自我监督QSM深度学习方法。它由形态学QSM构建器组成，可以使QSM对采样分辨率的依赖性以及有效减少伪像并有效节省训练时间的形态学损失。所提出的方法可以在人类数据和动物数据上重建任意分辨率QSM，而不管该分辨率是更高还是低于训练集，这表现优于先前最佳的无监督方法。此外，对于先前无监督学习方法中使用的周期梯度损失，形态损失还将训练时间减少了22％。实验结果和临床验证表明，该提出的方法测量具有任意分辨率的精确QSM。，它在无监督的深度学习方法和竞争性绩效中取得了最新的结果，相对于最佳的传统方法。
使用GMT和R
摘要：在本文中，我们描述了两种相关的制图数据处理和可视化的脚本方法，这些方法提供了具有不同算法复杂性的日本的2D和3D映射。第一个算法利用通用映射工具集（GMT），该算法被称为基于高级控制台的空间数据处理程序。GMT的模块结合了脚本的功能与地球信息学的各个方面，这对于大型地理空间数据集，多格式数据处理以及2D和3D模式中的映射特别有效。第二算法介绍了R编程语言用于制图可视化和空间分析。此r方法利用“ tmap”，“栅格”，“地图”和“ mapdata”的软件包来建模日本群岛的形态计量元素，例如坡度，山坡，山坡和高程。R的通用图形软件包“ GGPLOT2”用于映射日本的县。这两种脚本方法证明了编程语言与使用脚本进行数据处理确定的制图之间建立的对应关系。，由于它们的数据处理高自动化，因此他们的表现优于几种著名和最先进的GIS方法，用于映射。制图在很大程度上反映了数据科学的最新进展，脚本语言的快速发展以及数据处理方法的转移。这扩展到从传统GI到编程语言的转变。作为对这些新挑战的回应，我们在本文中证明了在映射中使用脚本的优点，这些优点包括可重复性和脚本在类似作品中的可观适用性。
动态组织中的形态学模式
胚胎发生会整合形态发生 - 协调的细胞运动 - 具有形态学模式和细胞差异。虽然在很大程度上进行了独立研究，但形态发生和模式通常在早期胚胎中同时展开。然而，由于大多数模式形成模型都假设静态组织，细胞运动的影响仍不清楚。我们通过在动态组织中开发一个数学框架来解决这一差距，从而重新设计了细胞参考框架中的对流反应扩散模型，这是信号解释和命运决策最自然的。该框架（i）阐明了形态发生如何介导形态的传输和分隔：多细胞吸引力增强了细胞 - 细胞扩散转运，而驱虫剂则充当障碍，影响细胞命运诱导和分支。（ii）它正式化了动态组织中的细胞 - 细胞信号传导范围，解除形态发生运动并识别哪些细胞可以传达。（iii）它提供了两个非二维数字（通常与p的数字不同），以评估形态上的何时何地与构图相关。（iv）它阐明了细胞密度动力学在图案中的生成作用。我们将此框架应用于经典的图案模型，形态发生基序和鸟类胃胃数据。广义，我们的工作提供了一种定量的观点，可以使自然和合成胚胎中的动态组织合理化。
胎儿心率信号数据集用于训练形态分析方法并根据专家共识进行评估
摘要 - 胎儿心率（FHR）是预防分娩过程中胎儿缺氧的筛查信号。专家分析此信号时，他们必须定位基线并确定减速和加速度。这些步骤可能是自动化的，并通过数据处理分析更加客观，但是需要培训和评估数据集。在这里，我们描述了155个FHR记录的数据集，其中参考基线，加速度和减速已由专家共识注释。66 FHR记录和共享的专家分析已包含在培训数据集中，并且评估数据集中还包括了90个其他具有非共享专家分析的FHR记录。希望评估其自动分析方法的研究人员应提交其结果，以与专家共识进行比较。数据集还包含文献中11种重新编码的自动分析方法产生的结果。所有数据均可在http：//utsb.univ-catholille.fr/fhr-review中获得。
husmorph：一个简单的机器学习应用程序，用于自动形态学地标Henning H. Kristiansen 1,2，*，Moa Metz 1，Lorena Silva-Garay 1，free
husmorph：一个简单的机器学习应用程序，用于自动形态学地标Henning H. Kristiansen 1,2，*，Moa Metz 1，Lorena Silva-Garay 1，Fredrik Jutfelt 1,3，＃，＃，Robine H.J.Leeuwis 1，＃1挪威科技大学生物学系，Høgskoleringen5，7034，Trondheim，挪威。 2挪威科学技术大学计算机技术与信息学系，挪威特隆德海姆，Høgskoleringen5，7034。 3哥德堡大学生物与环境科学系，瑞典哥德纳堡7B，41390，瑞典。 *通讯作者：计算机技术和信息学系生物学系。 电子邮件：skihenning@gmail.com。 ＃F.J.和R.H.J.L. 是共同的作者，并为这项工作做出了同样的贡献。 电子邮件地址：lorena.silvagaray@gmail.com（L.S.G. ） ），rhjleeuwis@gmail.com（R.H.J.L. ），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G. 0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要Leeuwis 1，＃1挪威科技大学生物学系，Høgskoleringen5，7034，Trondheim，挪威。2挪威科学技术大学计算机技术与信息学系，挪威特隆德海姆，Høgskoleringen5，7034。 3哥德堡大学生物与环境科学系，瑞典哥德纳堡7B，41390，瑞典。 *通讯作者：计算机技术和信息学系生物学系。 电子邮件：skihenning@gmail.com。 ＃F.J.和R.H.J.L. 是共同的作者，并为这项工作做出了同样的贡献。 电子邮件地址：lorena.silvagaray@gmail.com（L.S.G. ） ），rhjleeuwis@gmail.com（R.H.J.L. ），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G. 0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要2挪威科学技术大学计算机技术与信息学系，挪威特隆德海姆，Høgskoleringen5，7034。3哥德堡大学生物与环境科学系，瑞典哥德纳堡7B，41390，瑞典。*通讯作者：计算机技术和信息学系生物学系。电子邮件：skihenning@gmail.com。＃F.J.和R.H.J.L. 是共同的作者，并为这项工作做出了同样的贡献。 电子邮件地址：lorena.silvagaray@gmail.com（L.S.G. ） ），rhjleeuwis@gmail.com（R.H.J.L. ），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G. 0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要＃F.J.和R.H.J.L.是共同的作者，并为这项工作做出了同样的贡献。电子邮件地址：lorena.silvagaray@gmail.com（L.S.G.），rhjleeuwis@gmail.com（R.H.J.L.），fredrik.jutfelt@bioenv.gu.se（F.J.）作者的数字：M.M 0009-0002-4397-3948 L.S.G.0000-0002-9332-6311 R.H.J.L. 0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要0000-0002-9332-6311 R.H.J.L.0000-0002-6687-4304 F.J. 0000-0001-9838-3991摘要