XiaoMi-AI文件搜索系统
World File Search SystemResNet
基于深残留网络（RESNETS）2631
从磁共振图像（MRI）中自动分割脑肿瘤是计算机视觉中具有挑战性的任务之一。许多建议研究在图像分割中使用深神经网络（DNN），因为它们在脑肿瘤图像的自动分割方面具有高性能。由于梯度扩散问题和复杂性，通常需要大量时间和额外的计算能力来训练更深的神经网络。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。 重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。 为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。 模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。 结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。 此外，它的平均计算时间（3倍）比其他DNN技术快。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。此外，它的平均计算时间（3倍）比其他DNN技术快。
微生物学和微生物组研究的人工智能1
图1。深度学习技术的分类学。图改编自参考[70]。MLP: Multi-Layer Perceptron; CNN: Convolutional Neural Network; ResNet: Residual Neural Net- work; GCN: Graph Convolutional Network; GAT: Graph Attention Network; RNN: Recurrent Neural Network; LSTM: Long Short-Term Memory; GRU: Gated Recurrent Unit; SAT: Structure- Aware Transformer; GAN: Generative Adversarial Network; AE: Auto-Encoder; SAE：稀疏自动编码器； DAE：DENOISISIS AUTOCODER; CAE：CASSITIVE AUTOCONEDER; VAE：VIRIATIANIT AUTOCONECODER; SOM：自组织映射； RBM：限制性Boltzmann Machine; DBN; DBN; DBN：深信信念网络：DRL：DRL：DRL：深度强化：深度强化学习。
XIJIE HUANG
·提议的随机差异量化（SDQ）[ICML 2022]，一种有效的和有效的混合精确定量量化技术优于·提出了有效的变异感知视觉变压器（VIT）量化框架[TMLR]。这是分析和定位VIT量化变化的第一项工作。我们对VIT的变化的解决方案导致在不同的VIT模型（DEIT，SWIN，SRET）跨Imagenet-1k数据集上的最新精度。·通过核心选择[TMLR]提出一个新的角度，以提高量化感知训练的效果。我们的方法可以在ImageNet-1k数据集上获得4位RESNET-18的68.39％，仅10％子集。
能源白皮书.docx
- 家庭能源评级系统 (HERS) 是衡量家庭能源效率的行业标准。它也是全国公认的检查和计算家庭能源性能的系统。 - 为了计算家庭的 HERS 指数分数，经过认证的 RESNET HERS 评级员会对您的家庭进行能源评级，并将数据与“参考住宅”进行比较 - 参考住宅是与实际住宅大小和形状相同的设计模型住宅，因此您的分数始终与您居住的房屋的大小、形状和类型有关。 - 经过认证的家庭能源评级员使用能源评级指数来评估家庭的能源效率，为其分配相对性能分数。数字越低，家庭的能源效率越高。 - 能源评级指数 - ERI
能量明星单户住宅国家评估域清单，版本3.1 / 3.2 / 3.3（修订版14）< / div>
评估者已验证2，3 N/A 41。高性能绝缘和燃烧性1.1绝缘符合国家评估者设计审查清单2.1中的规格。预岩+50-1.2所有隔热材料都可以达到I级安装。按ANSI / RESNET / ICC 301。< / div>脚注5。5，6前摇滚+50-1.3 Fenestration符合国家评估者设计评论清单2.1和2.2中的规格。 -2。完全对准的空气屏障7-在下面的每个隔热位置，提供了完全对齐的完整空气屏障，如下所示：天花板：在气候区域1-3中天花板绝缘的内部或外部水平表面；在气候区域4-8中天花板绝缘的内部水平表面上。此外，在所有气候区域中天花板绝缘的外部垂直表面上（例如，使用挡风玻璃延伸至每个海湾中的绝缘材料的整个隔热高度，或每个海湾中的桌面挡板，并带有防止在附近托架中进行风洗的拱腹通风口）。8，9 2.1掉落的天花板 /拱腹在无条件的阁楼以下和所有其他天花板之下。≤50平方米ft。壁：在所有气候区域的墙壁绝缘的外部垂直表面；同样在气候区域4-8中壁绝缘的内部垂直表面。9，10 2.2墙后面的阵雨，浴缸，楼梯和壁炉。≤50平方米ft。2.3阁楼膝盖墙和天窗轴墙。 11≤50平方米 ft。2.4墙壁与门廊屋顶或车库相邻。 ≤50平方米 ft。2.5双壁和所有其他外墙。 ≤50平方米 ≤50平方米ft。2.3阁楼膝盖墙和天窗轴墙。11≤50平方米ft。2.4墙壁与门廊屋顶或车库相邻。≤50平方米ft。2.5双壁和所有其他外墙。≤50平方米≤50平方米ft。-地板：在所有气候区域的地板隔热层的外部垂直表面，如果无条件的空间，也在内部水平表面，包括支撑，以确保对齐。脚注中的替代方案13和14。12、13、14 2.6地板上方的车库上方，地下室上方或爬行空间上方的地板以及悬臂的地板。ft。2.72.7其他无条件空间的所有其他楼层（例如，外墙或门廊屋顶的边缘 /带托梁）。 ≤50平方米 ft。3。 减少热桥 - 不是强制性的热桥接策略。 但是，必须根据ANSI / RESNET / ICC 301进行准确评估以下细节。< / div> 15ft。2.72.7其他无条件空间的所有其他楼层（例如，外墙或门廊屋顶的边缘 /带托梁）。≤50平方米ft。3。减少热桥 - 不是强制性的热桥接策略。但是，必须根据ANSI / RESNET / ICC 301进行准确评估以下细节。< / div>15
用视觉变压器缩放离线Q学习
已显示出频率的方法，例如保守Q学习（CQL），对具有重置骨架的训练通才代理人有利。最近的视觉和自然语言处理研究表明，与具有强烈诱导性偏见（例如卷积神经网络和经常性神经网络）相比，基于变压器的模型比例更为有利。在本文中，我们研究了视觉变压器（VIT）的训练单游戏代理的CQL的骨干。在这项工作中，我们通过引入时空注意层来增强基于图像的RL的视觉变压器（VIT）。我们进一步研究了各种嵌入序列凝集方法对VIT性能的影响。总的来说，我们修改的VIT优于单场Atari设置中的标准VIT。
AI模型调制，带有逻辑重新分布-Zihan Wang
大型型号通常适用于满足模型所有者和用户的各种要求。但是，维护多个专门版本的模型效率低下。 在响应中，我们提出了AIM，这是一种新型的模型调制范式，使单个模型能够表现出各种行为能够满足特定的最终需求。 AIM启用两个关键调制模式：实用程序和焦点调制。 前者为模型所有者提供了对输出质量的模型控制，以提供不同的实用程序级别，后者为用户提供了精确的控制，以移动模型的集中输入功能。 AIM介绍了以培训数据不合时宜的方式和无重新训练方式运行的逻辑再分配策略。 我们建立了正式的基础，以确保AIM的监管能力，以通过关节概率分布来订购的统计特性。 我们的评估证实了AIM对AI模型调制的实用性和多功能性，任务涵盖了IMEGE分类，语义细分和文本生成，以及包括Resnet，Segformer和Llama在内的普遍体系结构。但是，维护多个专门版本的模型效率低下。在响应中，我们提出了AIM，这是一种新型的模型调制范式，使单个模型能够表现出各种行为能够满足特定的最终需求。AIM启用两个关键调制模式：实用程序和焦点调制。前者为模型所有者提供了对输出质量的模型控制，以提供不同的实用程序级别，后者为用户提供了精确的控制，以移动模型的集中输入功能。AIM介绍了以培训数据不合时宜的方式和无重新训练方式运行的逻辑再分配策略。我们建立了正式的基础，以确保AIM的监管能力，以通过关节概率分布来订购的统计特性。我们的评估证实了AIM对AI模型调制的实用性和多功能性，任务涵盖了IMEGE分类，语义细分和文本生成，以及包括Resnet，Segformer和Llama在内的普遍体系结构。
引用Daranagama Das和Takeuchi W（2025）智能手机应用于在油棕中检测和可视化基础茎腐病阶段。正面。 r
农产品，使其成为满足各种需求的首选。此外，棕榈油发挥了至关重要的经济作用，对生产国，尤其是马来西亚和印度尼西亚的国内生产总值（GDP）做出了重大贡献（Jazuli等，2022）。为了确保一致的生产并支持其经济重要性，油棕行业的可持续性至关重要（Siddiqui等，2021）。油棕种植园面临各种植物疾病和害虫的显着威胁，由真菌Ganoderma Boninense引起的基础茎腐病（BSR）是最关键的挑战，尤其是在马来西亚和印度尼西亚（Baharim等人，2024年，2024年； Liaghat等人； Liaghat等人，2014年）。BSR显着降低了产量，通常会降低50％至80％，并且可能在成熟的油棕架上导致高达80％的死亡率到其25年寿命的中点（Murphy等，2021）。年轻的棕榈通常在显示症状的6 - 24个月内屈服，而成熟的棕榈也可以额外生存2 - 3年（Siddiqui等，2021）。病原体感染了树干的木质部，破坏了水和营养分布。这会导致症状，例如黄色和坏死叶，未打开的长矛，冠层尺寸减小以及特征性的裙子状冠状形状（Baharim等，2024）。然而，这些叶面症状通常出现在感染的晚期阶段，使得早期发现很难（Baharim等，2024）。最大程度地减少BSR的影响仍然是产生油棕国家的主要挑战，尤其是马来西亚和印度尼西亚（Baharim等，2024）。，例如，Maeda-Gutiérrez等。早期发现BSR感染可以及时治疗感染的油棕，从而防止了对树的进一步损害（Husin等，2020）。BSR检测可以大致分为三种方法：手动，基于实验室和远程技术（Husin等，2020）。传统的手动方法涉及劳动密集的视觉检查，这些视觉检查通常对大型种植园而言通常不具体（Husin等，2020）。相比之下，实验室程序，例如Ganoderma选择培养基（GSM），聚合酶链反应（PCR）和与多克隆抗体（ELISA-PABS）的酶连接的免疫吸附测定是时间耗时，昂贵，并且缺乏精确。此外，这些方法通常只有在疾病已经明显升级时才产生结果（Bharudin等，2022； Tee等，2021）。遥感技术包括基于基的方法，例如陆层激光扫描（Husin等，2020）和电子鼻系统（Abdullah等，2012），以及基于UAV的成像（Ahmadi等，2023; Baharim等，2023）和Satellite Platferal（2021）和2021的空中方法。然而，这些方法通常面临诸如高运营成本，有限的空间解决方案以及在广泛采用方面的困难之类的挑战。这强调了对早期检测BSR的更快，更具成本效益的方法的关键需求（Bharudin等，2022）。深度学习的进步在各种计算机视觉任务中取得了巨大的成功，尤其是在图像分类中（Barman等，2024）。同样，Ahad等人。卷积神经网络（CNN）已成为视觉识别的主要结构（Barman等，2024）。（2020）评估了五个CNN模型，包括Alexnet（Krizhevsky等，2012），Googlenet（Szegedy等，2015），Inception v3（Szegedy等，2016），2016年），Resnet 18和Resnet 18，and Resnet 50（He He et and for Goognet coogne for Anee for Sneas and and and and and and nine nine nine nine nine nine nine nine nine nine nine类型， 99.72％。（2023）证明了CNN对水稻疾病分类的潜力，其中一个集合框架（DEX）
尼泊尔图像字幕和语音生成的深度学习方法
摘要 - 这篇文章介绍了一种新颖的图像到语音生成方法，旨在使用深度学习技术将图像转换为文本字幕以及尼泊尔语言的口头描述。通过利用计算机视觉和自然语言处理，该系统分析图像，外观功能，生成人类可读字幕并产生可理解的语音输出。实验利用了图像字幕生成的最先进的变压器架构，并由Resnet和ExcilityNet作为特征提取器补充。BLEU评分用作生成字幕的评估度量。BLEU-1，BLEU-2，BLEU-3和BLEU-4 N-gram所获得的BLEU得分分别为0.4852、0.2952、0.181和0.113。预估计的Hifigan（Vocoder）和Tacotorn2用于文本进行语音合成。所提出的方法有助于尼泊尔语言AI应用的未置换域，旨在提高对尼泊尔语人群的可访问性和技术包容性。