XiaoMi-AI文件搜索系统
World File Search SystemMulti
多语言主义博士后研究员 - uit ...
语言，大脑和学习中心（C-LABL）将在我们对多种语言如何在思维/大脑中相互作用，开发创新的纵向方法来研究多语言主义并培训下一代学者和研究领导者中的逐步改变。通过跨语言理论，神经科学和语言获取/处理培养合作研究，我们将重点关注多语言的效果 - 对于所涉及的语言，对他们的大脑，以及多种语言的学习和教学。c-labl分为三个研究领域（语言，大脑和学习），这些领域将通过关注语言距离的横切研究主题联系在一起。因此，C-labl的核心工作将研究多语言思维/大脑中多个语法的相互作用，主要关注语言距离（语言之间的相似性/差异）对发展，跨语言影响，神经认知的适应性的重要性，这是多语言经验的结果，以及其他语言学习。
多靶点药物是治疗阿尔茨海默病的潜在药物。一种新的 5-取代基家族
摘要 多靶点药物是治疗阿尔茨海默病的一种有前途的方法。本文描述了一类新的 5-取代吲唑衍生物，它们具有多靶点特性，包括胆碱酯酶和 BACE1 抑制。因此，对一类新的 5-取代吲唑进行了合成和评估。药理学评价包括对 AChE/BuChE 和 BACE1 酶的体外抑制试验。此外，还对 BuChE 进行了相应的竞争研究。此外，还根据 ORAC 测定计算了抗氧化特性。此外，还研究了它们对 Raw 264.7 细胞的抗炎特性和对人神经母细胞瘤 SH-SY5Y 细胞的神经保护作用。药理学测试结果表明，这些 5-取代吲唑衍生物 1 – 4 和 6 中的一些可以同时作为 AChE/BuChE 和 BACE1 抑制剂。此外，一些吲唑衍生物表现出抗炎（3、6）和神经保护（1-4和6）作用，具有抗氧化作用，可对抗A b 诱导的人类神经母细胞瘤SH-SY5Y细胞死亡。
dmr：视觉增强学习中的框架和事件融合的分解多模式表示
我们使用两种互补视觉方式探索视觉增强学习（RL）：基于框架的RGB凸轮和基于事件的动态视觉传感器（DVS）。iSTING多模式视觉RL方法在有效提取与任务相关的信息时经常遇到挑战。为了解决这个问题，我们提出了用于视觉RL的分解多模式表示（DMR）框架。它将输入分为三个不同的组成部分：与任务相关的效果（共同功能），RGB特异性噪声和DVS特异性噪声。共同创作表示与RL任务相关的两种模式中的完整信息；这两个噪声组件都受到数据重构损失以避免信息泄漏的约束，与共同创作形成对比，以最大程度地差异。广泛的经验表明，通过明确分开不同信息的类型，我们的方法可实现与最先进的方法相比，实质性改善的政策绩效。
通过共享缺少模态的多模态学习...
缺失模态问题对于多模态模型来说至关重要，但并非易事。当前旨在处理多模态任务中缺失模态问题的方法要么仅在评估期间处理缺失模态，要么训练单独的模型来处理特定的缺失模态设置。此外，这些模型是为特定任务设计的，例如，分类模型不易适应分割任务，反之亦然。在本文中，我们提出了共享特定特征建模 (ShaSpec) 方法，该方法比解决上述问题的竞争方法简单得多，也更有效。ShaSpec 旨在通过学习共享和特定特征来更好地表示输入数据，从而在训练和评估期间利用所有可用的输入模态。这是通过一种依赖于基于分布对齐和域分类的辅助任务以及残差特征融合程序的策略实现的。此外，ShaSpec 的设计简单性使其易于适应多种任务，例如分类和分割。在医学图像分割和计算机视觉分类方面进行了实验，结果表明 ShaSpec 的表现远胜于竞争方法。例如，在 BraTS2018 上，ShaSpec 将增强肿瘤的 SOTA 提高了 3% 以上，将肿瘤核心的 SOTA 提高了 5%，将整个肿瘤的 SOTA 提高了 3%。1
Wafer-Scale Gold Nanomesh通过纳米转移印刷朝着具有成本效益的多重传感平台
检测化学和生物物质，以涉及各种应用方案，例如可穿戴电子设备，智能点（POC）诊断，环境监测等。[1,2]要适当地满足这些新兴要求，理想的生化传感器应具有诸如高灵敏度，长期鲁棒性，快速响应，实时监测能力，出色的选择性，低单位成本，检测下限，较大的动态范围，低功耗等等等特性[3]但是，人类仍然需要进行陡峭的攀登之旅才能实现这些目标。值得注意的是，2019年冠状病毒病的全球大流行（Covid-19）表明，我们的技术储备在满足这种紧急，庞大和多功能的要求方面并没有充分准备，并引起了对生化感测技术的极大关注。迄今为止，包括化学主义的几种主要技术路线，[4,5] plasonic，[6,7]电化学，[8,9]声传感器，[10,11]等。已经开发出来，每个传感器中的每一个都在某些上述方面具有针对各种实际应用方案的特定优点。纳米制造技术的快速开发用于不同材料和各种结构，由于其小特征和主动结构特性，例如高地表到数量，独特的物理特性，独特的物理特性等，戏剧性地增强了这些传感设备的性能。[12–14]
MADTP：多模式对准引导的动态令牌修剪，以加速视力 - 语言变压器
视觉 - 语言变压器（VLT）最近显示出巨大的成功，但同时伴随着大量的计算成本，其中主要原因可以归因于大量的视觉和语言令牌。存在用于压缩VLTS的令牌修剪研究主要遵循基于单模式的方案，但忽略了对齐不同模态来指导令牌修剪过程的关键作用，从而导致重要的代币在另一个模态分支中错误地修剪一个模态。同时，现有的VLT修剪作品也缺乏基于不同输入样本动态压缩每一层的灵活性。为此，我们提出了一个名为M Ultodal的新颖框架，用于加速变化VLT的木质制成d ynamic t ynamic t oken p Runing（MADTP）。具体来说，我们首先引入了精心设计的多模式对齐指导（MAG）模块，该模块可以使相同语义概念的特征与不同的模式相结合，以确保修剪的代币对所有模式都不太重要。我们进一步设计了一种新型的dy-namic令牌修剪（DTP）模块，该模块可以根据不同的输入实例自适应地调节每个层中的令牌压缩比。对各种基准测试的广泛实验表明，MADTP可以显着确定多种模型的计算复杂性，同时保留竞争性能。值得注意的是，当将MADTP应用于NLVR2数据集中的BLIP模型时，可以将GFLOPS降低80％，而性能降低少于4％。该代码可在https://github.com/double125/madtp上找到。
仿生学中的多感觉整合：相关性和前景
摘要 综述目的 本综述旨在强调与仿生肢体和体感反馈恢复相关的多感觉整合过程日益增长的重要性。 最新发现 通过神经刺激恢复准现实感觉已被证明可为肢体截肢者带来功能和运动益处。近期，与人工触觉相关的认知过程似乎在假肢的完全整合和接受中发挥着至关重要的作用。 摘要 仿生肢体中实现的人工感觉反馈增强了截肢者对假肢的认知整合。多感觉体验是可以测量的，必须在设计新型体感神经假体时予以考虑，其目标是为假肢使用者提供逼真的感觉体验。正确整合这些感觉信号将保证更高水平的认知益处，从而实现更好的假肢并减少感知到的肢体扭曲。
量子多模型拟合 - CVF 开放获取
几何模型拟合是一个具有挑战性但又十分基础的计算机视觉问题。最近，量子优化已被证明可以增强单模型情况的稳健拟合，同时多模型拟合的问题仍未得到解决。为了应对这一挑战，本文表明后一种情况可以从量子硬件中显著受益，并提出了第一种多模型拟合 (MMF) 的量子方法。我们将 MMF 表述为一个问题，现代绝热量子计算机可以对其进行有效采样，而无需放宽目标函数。我们还提出了一种迭代和分解版本的方法，该方法支持真实世界大小的问题。实验评估在各种数据集上都显示出有希望的结果。源代码可在以下位置获得：https://github.com/FarinaMatteo/qmmf 。
标题转移学习基于小儿EEGS多个渠道的癫痫发作检测
摘要 - 癫痫是一种常见的神经系统疾病，其特征是在全球范围内影响多达7,000万人的癫痫发作。在生命的头十年中，每150名儿童中大约有一个被诊断出患有癫痫病。脑电图是诊断癫痫发作和其他脑部疾病的重要工具。但是，脑电图的专家视觉分析很耗时。除了减少专家注释时间外，自动癫痫发作检测方法是帮助专家分析脑电图的强大工具。对小儿脑电图中癫痫发作的自动检测的研究已被提出。深度学习算法通常用于小儿癫痫发作检测方法；但是，它们在计算上很昂贵，并且需要很长时间才能开发。可以使用转移学习来解决此问题。在这项研究中，我们在小儿EEG的多个通道上开发了一种基于转移学习的癫痫发作检测方法。公开可用的CHB-MIT EEG数据集用于构建我们的方法。数据集分为训练（n = 14），验证（n = 4）和测试（n = 6）。从10 s EEG信号产生的具有5 s重叠的频谱图用作三个预训练的传输学习模型（RESNET50，VGG16和InceptionV3）的输入。我们小心翼翼地将孩子分成培训或测试集中，以确保测试集是独立的。基于脑电图测试集，该方法具有85.41％的精度，85.94％的召回率和85.49％的精度。此方法有可能协助研究人员和临床医生对小儿脑电图中癫痫发作的自动分析。
mulde：多尺度对数密度密度通过视频异常检测的DeNoSINGING估算
我们提出了一种新颖的视频异常检测方法：我们将从视频中提取的特征向量视为具有固定分布的随机变量的重新释放，并用神经网络对此分布进行建模。这使我们能够通过阈值估计估计测试视频的可能性并检测视频异常。我们使用DE-NONISE分数匹配的修改来训练视频异常检测器，该方法将训练数据注射噪声以促进建模其分布。为了消除液体高参数的选择，我们对噪声噪声级别的噪声特征的分布进行了建模，并引入了常规化器，该定期用器倾向于将模型与不同级别的噪声保持一致。在测试时，我们将多个噪声尺度的异常指示与高斯混合模型相结合。运行我们的视频异常检测器会引起最小的延迟，因为推理需要仅提取特征并通过浅神经网络和高斯混合模型将其前向传播。我们在五个流行的视频异常检测台上的典范表明了以对象为中心和以框架为中心的设置中的最先进的性能。