XiaoMi-AI文件搜索系统
World File Search SystemMulti
MAPP FY25多年投影信息表
随着对气候和天气状况的基础设施脆弱性的认识而增长，并且随着气候变化的影响而表现出来。在美国，目前以异类的方式满足了信息需求，这取决于您的前瞻性时间表 - 通过个人研究人员的互动，定制的数据和信息提供方法，使用各种方法（例如，降级）以及针对各种各样的用户社区的生态系统，具有多样化的生态系统，具有各种各样的范围，并且具有多样性的范围，并需要一系列的范围，并提供了各种范围的范围。已经出现了丰富的用户科学家关系和各种方法的网络，但是需要在加强这些共同开发协作方面进行投资，以确保我们将最佳的气候建模，数据和理解付诸实践。
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。
多视图脑肿瘤分割（MVBTS）
图2。平面和Triplanar网络的想法。（a）将轴向平面网络从轴向图像进行训练的CA，CCSA和SCSA网络的分割结果组合在一起以产生结果。同样，我们可以创建冠状合奏和矢状 - 合奏。（b）Triplanar网络的概述，在该网络中，从轴向，冠状图像和矢状图像中训练的单个注意网络（例如，CA网络）产生的分段结果合并为生成结果。通过在三个正交平面训练的CCSA和SCSA注意网络中生成类似的分段结果。
一种线性可扩展的多伪影去除方法，用于改进基于上肢脑电图的运动想象解码 Mojisola Grace Asogbon 1,2 , Oluwa
图 1：使用国际 10-20 系统从 (a) 矢状面和 (b) 轴平面 (c) 头皮角度看到的 64 个电极配置表示。注意：A= 耳垂，C = 中央，Pg = 鼻咽，P = 顶叶，F = 额叶，Fp = 额极和 O = 枕叶。
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。
ma-lmm：长期视频理解的内存大型多模型
随着大型语言模型（LLM）的成功，将视觉模型融入了LLM，以建立视觉语言基础模型最近引起了人们的兴趣。但是，现有的基于LLM的大型多模式模型（例如，视频播放，视频聊天）只能摄入有限数量的框架以进行简短的视频理解。在这项研究中，我们主要专注于设计一个有效有效的模型，以进行长期视频理解。我们建议以在线方式处理视频并将过去的视频信息存储在存储库中，而不是像大多数现有作品一样尝试同时进行更多框架。这使我们的模型可以参考历史视频内容以进行长期分析，而不会超过LLM的上下文长度约束或GPU内存限制。我们的内存库可以以现成的方式被缝制到当前的多模式LLMS中。我们在各种视频理解任务上进行了广泛的实验，例如长期介绍，视频问题答案和视频字幕，我们的模型可以在多个数据集中实现最新的性能。
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。
通过熵和引导多模式融合在不利天气条件下增强对象检测
摘要。通过互补感应方式整合各种表示形式对于自主驾驶中的强大场景解释至关重要。近年来，融合视觉和范围数据的深度学习体系结构具有先进的2D和3D对象检测。但是，这些方式在不利的天气或照明条件下通常会降解，从而导致性能下降。虽然已经开发了域适应性甲基元素来弥合源域和目标域之间的缝隙，但由于源和目标域之间的固有差异，它们通常会缺乏。此差异可以在数据的不同分布和不同特征空间的不同分布中表现出来。本文介绍了一个全面的域自适应对象检测框架。通过深度转移学习开发，该框架旨在从标记的透明天气数据中稳健地概括到无标记的不良天气条件，从而增强了基于深度学习的对象检测模型的性能。创新的斑块熵融合模块（PEFM）是我们方法的核心，该方法动态整合了sens-sor数据，强调关键信息并最大程度地减少了背景干扰。这进一步补充了一种新型的加权决策模块（WDM），该模块（WDM）根据其在特定环境条件下的功效来调整不同传感器的贡献，从而优化了检测准确性。此外，我们在转移学习过程中集成了域对齐损失，以确保有效的域适应性通过将特征图差异定于清晰和不利天气数据集之间的差异。我们评估了不同数据集的模型，包括Exdark（单峰），CityScapes（单峰）和密集（Mul-timodal），在我们评估的时间点，它在所有数据集中排在所有数据集中。
实时多污染物检测系统 (RMDS)
将进行测试以确定哪些传感器可以快速、准确且一致地检测高浓度的目标成分。现场和实验室测试将包括使用不同类型的预处理工艺批量测试多个废水样品，以及使用第三方实验室测试验证结果等元素。除了传感技术外，该团队还将寻求将该技术与当前基础设施相结合。为实现这一目标，该团队将与 NESDI 传感器接口和仪器监控 (SIIM) 图形用户界面 (GUI) 项目团队合作。SIIM GUI 技术提供了与常见工业控制系统 (ICS) 接口的框架，并将为该项目将开发的传感系统提供遥测、GUI 和数据网络。
PT Multix 1PT Multix 1
UC3M领导一个欧洲项目，建立了6G网络，与Carlos III de Madrid大学（UC3M）与现实进行智能互动，这是一个欧洲科学项目，这是一个欧洲科学项目，其中17个研究中心和技术公司参与了该项目，旨在彻底改变未来的6G通信网络，从而改变他们的概念和运营。通过整合多感知感知的创新系统，多Ix旨在使网络能够智能观察环境并实时与环境进行交互。这项创新旨在改变相关部门，例如医疗设施和自动驾驶汽车行业。“我们希望通过这项技术的开发实现的目标是，网络不再是简单的通信供应商，并成为现实的积极观察者，能够与之互动，” UC3M Telematic工程系教授Antonio de la Oliva解释说。“为此，我们想使用多种工具，例如相机和通信网络，这些工具同时用作传感器。以这种方式，我们可以更广泛地了解周围发生的事情，并构想一个新的访问网络。 ”该项目的推广者解释说，这项新技术的众多应用之一是使网络能够认识到特定地区是否有更多的人集中在特定地区，如果一名老人在家中遭受下降或优化封面的分配，以动态地适应用户的需求。此时多IX正在工作的其他潜在用途包括在家中相关的工业自动化和健康过程。一方面，我们希望网络能够实时协调机器人运动，检测障碍并允许更有效的任务管理。”“另一方面，该项目正在努力监控健康，而无需在国内环境中接触。IE通过连接的家用设备，可以监测心率或呼吸等生命体征。实际上，该网络甚至可以检测到紧急情况，例如心脏病发作，并可能警告健康服务。透明另一方面，多数还因为对可持续性的关注而脱颖而出，这是6G技术的基本挑战。因此，为了最大程度地提高能源效率并降低资源消耗，该项目利用人工智能来实施低消费解决方案并适应未来网络的需求。