XiaoMi-AI文件搜索系统
World File Search SystemMulti
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。
JRDB-Social：一个多方面的机器人数据集，用于理解社会群体内人类互动的上下文和动态
了解人类的社会行为对于综合愿景和机器人技术至关重要。微观的观察（例如，分裂行动）不足，需要采取一种全面的方法来考虑个人行为，组内动态和社会群体层次，以彻底理解。要解决数据集限制，本文引入了JRDB-Social，JRDB的扩展[2]。旨在填补跨室内和室外社会环境的人类理解的空白，JRDB-Social提供了三个层次的注释：个体属性，组内侵入和社会群体环境。该数据集旨在增强我们对机器人应用的人类社会动态的理解。利用最近的尖端多模式大型语言模型，我们评估了我们的基准，以表达其破译社会人类行为的能力。
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。
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]
m3t：使用多平面和多板变压器
在这项研究中，我们提出了使用多平面和多层跨前（M3T）网络的三维医学图像分类器，以在3D MRI图像中对阿尔茨海默氏病（AD）进行分类。提出的网络协同委托3D CNN，2D CNN和变压器用于准确的AD分类。3D CNN用于执行本机3D表示学习，而2D CNN用于利用大型2D数据库和2D代表学习的预训练权重。使用具有感应性偏置的CNN网络有效地提取局部大脑中与AD相关的异常的信息信息。跨前网络还用于获得CNN后多平面（轴向，冠状和矢状）和多切片图像之间的注意力关系。也可以使用不感应偏置的变压器学习分布在大脑中较大区域的差异。在此期间，我们使用了来自阿尔茨海默氏病神经影像学计划（ADNI）的训练数据集，该计划总共包含4,786 3D T1加权MRI图像。对于有效数据，我们使用了来自三个不同机构的数据集：澳大利亚成像，生物标志物和生活方式旗舰研究（AIBL）（AIBL），开放访问Imaging研究（OASIS）的开放访问系列（OASIS）以及来自培训数据集中的一些ADNI数据。我们提出的M3T基于曲线（AUC）下的区域（AUC）和AD分类的分类精度，与常规的3D分类网络相结合。这项研究表示，所构成的网络M3T在多机构验证数据库中实现了最高的性能，并证明了该方法有效地将CNN和Transformer用于3D医学图像的可行性。
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。
一种简单而有效的可扩展多视图张量聚类
基于锚点的大规模多视图聚类因其在处理海量数据集方面的有效性而引起了广泛关注。然而，当前的方法主要通过探索锚点图或投影矩阵之间的全局相关性来寻找用于聚类的共识嵌入特征。在本文中，我们提出了一种简单而有效的可扩展多视图张量聚类（S 2 MVTC）方法，我们的重点是学习视图内和跨视图的嵌入特征的相关性。具体而言，我们首先通过将不同视图的嵌入特征堆叠到张量中并旋转它来构造嵌入特征张量。此外，我们构建了一种新颖的张量低频近似（TLFA）算子，它将图相似性结合到嵌入特征学习中，有效地实现不同视图内嵌入特征的平滑表示。此外，对嵌入特征应用共识约束以确保视图间语义一致性。在六个大规模多视图数据集上的实验结果表明，S 2 MVTC 在聚类性能和 CPU 执行时间方面明显优于最先进的算法，尤其是在处理海量数据时。S 2 MVTC 的代码已公开发布在 https://github.com/longzhen520/S2MVTC。
量子点条形码与微流体和信号处理的融合，用于多路复用高通量传染病诊断
通过纳米和微技术（量子点和微流体）的融合，我们创建了一个能够对人类血清样本中的传染性病原体进行多重、高通量分析的诊断系统。作为概念验证，我们展示了能够检测全球最流行的血液传播传染病（即乙型肝炎、丙型肝炎和 HIV）血清生物标志物的能力，样本量少（<100 µ L），速度快（<1 小时），灵敏度比目前可用的 FDA 批准方法高 50 倍。我们进一步展示了同时检测血清中多种生物标志物的精确度，交叉反应性最小。该设备可以进一步发展成为便携式手持式即时诊断系统，这将代表发达国家和发展中国家在检测、监测、治疗和预防传染病传播方面的重大进步。
重新思考多重对比 MRI 超级扩散模型...
最近，扩散模型 (DM) 已应用于磁共振成像 (MRI) 超分辨率 (SR) 重建，并表现出令人印象深刻的性能，尤其是在细节重建方面。然而，当前基于 DM 的 SR 重建方法仍然面临以下问题：（1）它们需要大量迭代来重建最终图像，效率低下且消耗大量计算资源。（2）这些方法重建的结果通常与真实的高分辨率图像不一致，导致重建的 MRI 图像出现明显失真。为了解决上述问题，我们提出了一种用于多对比 MRI SR 的有效扩散模型，称为 DiffMSR。具体而言，我们在高度紧凑的低维潜在空间中应用 DM 来生成具有高频细节信息的先验知识。高度紧凑的潜在空间确保 DM 只需要几次简单的迭代即可产生准确的先验知识。此外，我们设计了 Prior-Guide Large Window Transformer (PLWformer) 作为 DM 的解码器，它可以扩展感受野，同时充分利用 DM 产生的先验知识，以确保重建的 MR 图像保持不失真。在公共和临床数据集上进行的大量实验表明，我们的 DiffMSR 1 优于最先进的方法。