XiaoMi-AI文件搜索系统
World File Search SystemSemantic
语义记忆：方法，模型和当前挑战的评论
抽象的成人语义记忆传统上被概念化为一个相对静态的记忆系统，该系统由有关世界，概念和符号的知识组成。在过去的几十年中，大量工作挑战了这种语义记忆的静态观点，而是提出了一个更加流畅和灵活的系统，该系统对环境中的上下文，任务需求以及感知和感觉运动信息敏感。本文（1）在网络（基于自由关联），特征（基于财产生成规范）和分布语义（基于自然语言的公司）模型（基于自然语言）模型的网络（基于自由关联）的范围内回顾了传统和现代的计算模型，（2）讨论了这些模型对知识代表的重要辩论（当地的vs. vs. vs. erroriant vs. erroriant vs.）的贡献（学习）和（3）评估现代计算模型（神经网络，基于检索和主题模型）如何重新审查语义记忆的传统“静态”概念化，并在语义建模中解决语义模型中的重要挑战，例如解决时间，上下文和注意力的影响，以及将接地和组成纳入语义表现形式。该评论还确定了有关数据的可怕和可用性的新挑战，语义模型对其他语言的概括以及社会互动和协作在语言学习和发展中的作用。总结部分提倡将语义记忆的代表性叙述与基于过程的认知行为的说明以及在语义任务中的人类基线的明确比较，以充分评估其心理合理性作为人类语义记忆的模型。
使用 4D 雷达张量进行自动标记和语义分割
雷达在恶劣天气下的稳健性和提供动态信息的能力使其成为高级驾驶辅助系统 (ADAS) 中摄像头和激光雷达的宝贵补充 [1]。尽管用于 RGB 图像和激光雷达点云 (PC) 的语义分割深度学习方法已经很成熟，但它们在雷达中的应用仍未得到充分探索，尤其是包含额外海拔信息的 4D 雷达数据 [2] [3] [4] [5]。本文通过提出一种直接在距离-方位角-海拔-多普勒 (RAED) 张量上执行语义分割的方法来解决这一研究空白。此外，还引入了一种新颖的自动标记流程来在 RaDelft 数据集中生成逐点多类标签，从而实现使用雷达数据的联合检测和分类。
基于改进的Segformer的水下图像的语义分割
水下图像细分对于诸如水下探索，海洋环境监测和资源开发等任务至关重要。尽管如此，鉴于水下环境的复杂性和可变性，改善模型准确性仍然是水下图像分割任务中的关键挑战。为了解决这些问题，本研究提出了基于标准Segformer模型的水下图像的高性能语义分割方法。首先，Segformer中的混合变压器主链被Swin Transformer替换，以增强特征提取并促进对全局上下文信息的有效获取。接下来，在骨干的下采样阶段和解码器中引入了有效的多尺度注意（EMA）机制，以更好地捕获多尺度特征，从而进一步提高了细分精度。此外，将特征金字塔网络（FPN）结构合并到解码器中，以在多个分辨率下组合特征图，从而使模型可以有效地集成上下文信息，从而在复杂的水下环境中增强了鲁棒性。对SUIM水下图像数据集进行测试表明，拟议的模型在多个指标上达到了高性能：联合（MIOU）的平均相交（MIOU）为77.00％，平均召回（MRECALL）为85.04％，平均精度（Mprecision）为89.03％，为89.03％，F1Score（MF1Score（Mf1score）为86.63％）。与标准Segformer相比，MIOU的提高3.73％，MRECALL为1.98％，Mprecision的3.38％和MF1Score的2.44％的提高，参数增加了989万。结果表明，所提出的方法通过最小的其他计算实现了出色的分割精度，从而显示了水下图像分割中的高性能。
鹦鹉：具有语义变量的基于LLM的应用程序的有效服务
本文介绍了Parrot，这是一种LLM服务系统，侧重于基于LLM的应用程序的端到端体验。Parrot提出了语义变量，这是将应用程序级知识暴露于公共LLM服务的统一的抽象。语义变量注释请求提示符中的输入/输出变量，并在连接多个LLM请求时创建数据管道，从而提供了一种编程LLM应用程序的NATU-ralal方法。将语义变量暴露于公共LLM服务允许其执行惯例数据流分析，以发现多个LLM请求之间的相关性。这种相关性为基于LLM的应用程序的端到端性能打开了一个全新的优化空间。广泛的评估表明，鹦鹉可以为流行的LLM应用程序的流行和实际用例实现高度改进。
使用残留U- ...
摘要 - 图像分割被认为是从图像中提取有用信息的本质任务之一。鉴于脑肿瘤及其对医疗资源的消耗，此处说明了MRI的深度学习方法分割患者MRI的脑肿瘤。脑肿瘤分割技术对于检测和治疗MRI脑肿瘤至关重要。此外，它可以帮助医生定位和测量肿瘤，并制定治疗和康复计划。基于剩余的U-NET ++编码器架构的架构被设计为主要网络，它是一种在Resu-Net和U-Net ++之间杂交的体系结构。针对最新且众所周知的全球基准挑战，提出的剩余U-NET ++适用于MRI脑图像：Brats 2017，Brats 2019和Brats2021。根据脑肿瘤MRI图像评估所提出的方法。具有骰子相似性系数（DSC）的BRAST 2021数据集的结果为90.3％，灵敏度为96％，特异性为99％，Hausdorff距离（HD）为9.9。使用Brast 2019数据集，DSC为89.2％，灵敏度为96％，特异性为99％，HD为10.2。使用Brast 2017数据集，DSC为87.6％，灵敏度为94％，特异性为99％，HD为11.2。此外，残留的U-NET ++的表现优于标准的脑肿瘤分割方法。实验结果表明，所提出的方法是有希望的，可以比标准U-NET提供更好的分割。细分改进可以帮助放射科医生提高其放射科医生分割的准确性，并节省3％的时间。
用原始特征重新思考知识蒸馏
用于半分割的大多数现有知识蒸馏方法着重于从原始特征中提取各种复杂知识。但是，这种知识通常是手动设计的，并且像传统功能工程一样依赖于先前的知识。在本文中，我们旨在提出一种使用RAW功能的简单有效的功能蒸馏方法。为此，我们重新审视了功能蒸馏中的开创性工作，Fitnets可以将平方误差（MSE）损失（MSE）损失最小化。我们的实验表明，在某些情况下，这种幼稚的方法可以产生良好的结果，甚至超过了一些精心设计的方法。但是，它需要仔细调整蒸馏损失的重量。通过将fitnets的损失函数分解为差异项和角度差项，我们发现角度差异项的重量受教师特征和学生特征的幅度的影响。我们通过实验表明，角度差异项在特征蒸馏中起着至关重要的作用，而不同模型产生的特征的大小可能会有很大变化。因此，很难确定各种模型的适合减肥体重。为了避免角度蒸馏术语的重量受到特征的影响，我们提出了角度蒸馏，并探索沿不同效率尺寸的蒸馏角度信息，以进行语义分割。广泛的例子表明，我们的简单方法对超级参数表现出极大的效果，并实现了语义细分的最先进的蒸馏性能。
比较物理和虚拟机器人deixis
自主驾驶系统取决于他们感知和抑制导航环境的能力。神经网络是这种感知系统的基础，训练这些网络需要大量的不同培训数据，其中包括各种驾驶场景，无论是地形，对象类别和不利的照明/天气条件。但是，大多数公开可用的交通数据集都在清洁天气和照明条件下遭受了损失。数据增强通常被用作改善基于培训机器学习的感知系统的培训数据多样性的策略。然而，标准增强技术（例如翻译和翻转）有助于神经网络概括简单的空间转换，并且需要更多细微的技术来准确地在新颖的测试场景中抗击语义变化。我们提出了一种新的数据增强方法，称为“语义域自适应”，该方法依赖于属性条件的生成模型的使用。我们表明，这样的数据增加通过分析其在基于感知的任务中的性能，例如分类和检测在一天中的不同时间（i）在不同天气条件下（ii）捕获的流量对象的不同数据集，并在不同的天气条件下（ii）在不同的天气条件下，以及使用传统的增强方法培训的模型来提高深层网络的泛化能力。我们进一步表明，基于GAN的增强分类模型比基于非GAN的增强模型对参数对抗性攻击更为强大。
利用语义相似性解释人工智能对疾病进展的预测
摘要 神经退行性疾病的复杂性促使人们开发人工智能方法来预测损伤和疾病进展的风险。然而，尽管这些方法取得了成功，但它们大多是黑箱性质，阻碍了它们在疾病管理中的应用。可解释的人工智能有望通过对模型及其预测进行解释来弥合这一差距，从而促进用户的理解和信任。在生物医学领域，鉴于其复杂性，可解释的人工智能方法可以从将模型与领域知识的表示（本体）联系起来中受益匪浅。本体提供了更多可解释的特征，因为它们在语义上丰富且情境化，因此最终用户可以更好地理解；它们还对现有知识进行建模，从而支持探究给定的人工智能模型结果如何与现有科学知识相吻合。我们提出了一种可解释性方法，利用丰富的生物医学本体全景来构建基于语义相似性的解释，将患者数据和人工智能预测情境化。这些解释反映了人类的基本解释机制——相似性——同时解决了数据复杂性、异质性和规模的挑战。
张量脑：感知、记忆和语义解码的统一理论
我们提出了一个关于代理感知和记忆的统一计算理论。在我们的模型中，感知和记忆都是通过符号索引层和亚符号表示层之间振荡交互的不同操作模式实现的。这两层形成一个双层张量网络 (BTN)。索引层对概念、谓词和情景实例的索引进行编码。表示层广播信息并反映认知大脑状态；它是作者所称的“心理画布”或“全局工作空间”的模型。作为感知输入和索引层之间的桥梁，表示层通过其亚符号嵌入实现索引的基础，这些嵌入被实现为连接两个层的连接权重。大脑是一个采样引擎：只有激活的索引才会传达给大脑的其余部分。虽然记忆似乎与过去有关，但其主要目的是支持代理的现在和未来。最近的情景记忆为代理提供了此时此地的感觉。远程情景记忆检索相关的过去经验，以提供有关可能的未来情景的信息。这有助于代理做出决策。基于预期未来事件的“未来”情景记忆指导计划和行动。语义记忆检索当前感知未提供的特定信息，并为未来的观察定义先验。我们的方法解释了情景记忆和语义记忆之间的巨大相似性：语义记忆模拟未来实例的情景记忆。我们分析情景记忆和语义
PotholeGuard：一种基于点云语义分割的坑洼检测方法
摘要 — 坑洼检测对于道路安全和维护至关重要，传统上依赖于 2D 图像分割。然而，现有的 3D 语义坑洼分割研究往往忽略点云稀疏性，导致局部特征捕获和分割精度不理想。我们的研究提出了一种创新的基于点云的坑洼分割架构。我们的模型有效地识别隐藏特征并使用反馈机制来增强局部特征，改善特征呈现。我们引入了一个局部关系学习模块来理解局部形状关系，增强了结构洞察力。此外，我们提出了一种轻量级自适应结构，用于使用 K 最近邻算法细化局部点特征，解决点云密度差异和域选择问题。共享 MLP 池化被集成以学习深度聚合特征，促进语义数据探索和分割指导。在三个公共数据集上进行的大量实验证实了 PotholeGuard 优于最先进方法的性能。我们的方法为稳健而准确的 3D 坑洼分割提供了一种有前途的解决方案，可应用于道路维护和安全。索引词——坑洼、点云、语义分割、计算机视觉