XiaoMi-AI文件搜索系统
World File Search SystemSemantic
我们准备好在自动驾驶中进行实时激光雷达语义细分吗？
摘要 - 在自动移动和机器人系统的感知框架内，对Lidars通常生成的3D点云的语义分析是许多应用程序的关键，例如对象检测和识别以及场景重建。场景语义分割可以通过将3D空间数据与专门的深神经网络直接整合在一起来实现。尽管这种类型的数据提供了有关周围环境的丰富几何信息，但它也提出了许多挑战：其非结构化和稀疏性质，不可预测的规模以及苛刻的计算要求。这些特征阻碍了实时半分析，尤其是在资源受限的硬件 - 构造方面，构成了许多机器人应用的主要计算组件。因此，在本文中，我们研究了各种3D语义分割方法，并分析了其对嵌入式NVIDIA JETSON平台的资源约束推断的性能和能力。我们通过标准化的培训方案和数据增强进行了公平的比较，为两个大型室外数据集提供了基准的结果：Semantickitti和Nuscenes。
化学元素的通用语义嵌入用于增强材料推理和发现的化学元素
图2。使用BERT衍生特征与（a）预测和（b）材料属性分类的模型性能比较模型性能。SMA，Ti合金和HEA的10倍MAE图与广泛的平行测试中所选特征数量（1-8）的函数相同。蓝线使用传统的经验特征（例如电负性，原子半径）表示模型性能，而红线表示BERT衍生的材料特征。检查的特性包括相变温度（MP，AP），转化焓（ΔH），屈服强度（σs），终极拉伸强度（σb），Vickers硬度（VH）和伸长率（EL）。Classification tasks include binary classification of Solid Solution (SS) vs. Non-Solid Solution (NSS), ternary classification of phase forms (Face-Centered Cubic (FCC), Body-Centered Cubic (BCC), and FCC-BCC mixed), and quaternary classification of SMA phases (B19'-B2, B19'-B19-B2, B19'-R-B2, B19-B2, and R-B2）。bert衍生的特征始终在几乎所有属性和特征数量上产生较低的预测误差，从而突出了它们捕获合金组成和属性之间内在关系的卓越能力。阴影区域代表跨平行测试的标准偏差。
提高语义细分的效率...
提取和分析详细的视觉信息。传统的人工神经网络（ANN）在这一领域取得了长足的进步，但是尖峰神经网络（SNN）的能源效率和以生物为基础的基于时间的处理而引起了人们的关注。然而，由于限制，诸如量化误差和次优膜电位分布之类的局限性，现有的基于SNN的语义分割方法面临着高精度的挑战。这项研究介绍了一种基于尖峰 - 深板的新型尖峰方法，并结合了正则膜电位损失（RMP-loss）来应对这些挑战。建立在DeepLabv3体系结构的基础上，提出的模型通过优化SNN中的膜电位分布来利用RMP-loss来提高分割精度。通过优化膜电位的存储，其中仅在最后一个时间步骤存储值，该模型可显着减少内存使用和处理时间。这种增强不仅提高了计算效率，而且还提高了语义分割的准确性，从而可以对网络行为进行更准确的时间分析。提出的模型还显示出更好的稳健性，以防止噪声，在不同级别的高斯噪声下保持其精度，这在实际情况下很常见。所提出的方法在标准数据集上展示了竞争性能，展示了其用于节能图像处理应用的潜力
在听故事中使用词语上下文语义进行 MEG 编码
大脑编码是将刺激映射到大脑活动的过程。关于功能性磁共振成像 (fMRI) 的语言大脑编码，有大量与句法和语义表征相关的文献。脑磁图 (MEG) 具有比 fMRI 更高的时间分辨率，使我们能够更精确地观察语言特征处理的时间。与 MEG 解码不同，使用自然刺激的 MEG 编码研究很少。现有的关于故事聆听的研究侧重于音素和简单的基于单词的特征，而忽略了上下文、句法和语义方面等更抽象的特征。受先前 fMRI 研究的启发，我们使用基本的句法和语义特征，以不同的上下文长度和方向（过去与将来）对 8 名听故事的受试者的数据集进行 MEG 大脑编码研究。我们发现 BERT 表示可以显著预测 MEG，但不能预测其他句法特征或词向量（例如 GloVe），这使我们能够在听觉和语言区域随时间以分布式方式对 MEG 进行编码。特别是，过去的背景对于获得显著的结果至关重要。索引术语：大脑编码、人机交互、MEG、句法、语义、上下文长度
在语义知识图中与Oncodashkb中的高级生物医学数据整合，用于在卵巢癌中找到个性化的可行药物
背景：与基因组规模的患者分析数据相结合的生物医学知识越来越多，为个性化肿瘤学提供了前所未有的机会。但是，大量知识和数据需要可扩展的方法来提供可行的信息以支持临床医生决策[1]。目的：开发整合有关患者的所有相关临床和基因组数据的软件和方法，并能够发现最佳的个性化治疗选择，以及支持文献知识和数据。方法：我们利用语义知识图（SKG），这是一种以对象和关系形式代表医学数据的数据库，链接了几个癌症数据库中先前未连接的信息。为了构建此SKG（Oncodashkb），我们使用BioCypher库[2]。然后，我们整合了来自高级浆液卵巢癌患者的临床数据，包括有关Decider项目（https://deciderproject.eu）收集的基因组变化的信息。然后可以查询SKG，以收集将患者特异性改变与可操作药物联系起来的证据路径。结果：我们的方法提供了完全自动化，系统的和可重复的数据集成工作流程，以及使用现有专家制造的本体论来提供互操作性和语义描述。综合数据由分子肿瘤板的专家评估，并允许以视觉上可访问的格式探索相关的临床和基因组患者数据，旨在易于解释临床医生。重要的是，我们希望该系统揭示从多种融合证据到多摩尼克患者数据的强大案例以及对最新临床和实验知识的广泛且自动化的综述。结论：使用图形数据库作为有价值的工具出现的决策支持系统，通过揭示各种患者数据和以易于理解的格式显示的治疗选项之间的新连接。
基于环氧链的链酸（PLA）
语义细分是计算机视觉中的核心任务，它允许AI模型交互和了解其周围环境。与人类在潜意识中的场景相似，这种能力对于场景的场景至关重要。但是，许多语义学习模型面临的挑战是缺乏数据。现有的视频数据集仅限于不代表现实示例的简短，低分辨率视频。因此，我们的关键贡献之一是徒步旅行数据集的自定义语义细分版本，其中包含来自不同城市之旅的长达一个小时，高分辨率的真实世界数据。此外，我们评估了在我们自己的自定义数据集中开放的开放式语义模型的性能，并讨论未来的含义。关键字
van Wijngaarden 语法的内在语义
在正式检查程序的（预期）含义时，通常会有很多麻烦，并且会增加复杂性，因为程序的形式语义通常与程序本身以及生成编写程序的编程语言的形式语法无关。相反，van Wijngaarden 语法具有内在语义，即它们的规则包含或表达由它们生成的终端字符串的（预期）含义。这种内在性允许在句法变化和上下文相关条件下保留含义。为了更好地展示 van Wijngaarden 语法语义的内在性，我将它们与属性语法进行了对比，后者是需要对编程语言进行语义分析时（例如在编译中）经常选择的选择。
具身语义和语言的大脑特征
根据具身理论（包括具身、嵌入、扩展、演绎、情境和扎根认知方法），语言表征与我们与周围世界的互动有着内在联系，这反映在语言处理和学习过程中的特定大脑特征中。从具身理论与非模态理论的原始竞争开始，这篇共识论文讨论了一系列精心挑选的问题，旨在确定运动和感知过程何时以及如何参与语言过程，而不是是否参与。我们的研究领域非常广泛，从具身语义的神经生理特征（例如事件相关电位和场以及神经振荡）到语义处理和语义启动对具体和抽象词的影响，到第一和第二语言学习，最后，使用虚拟现实来检查具身语义。我们的共同目标是更好地理解运动和感知过程在语言理解和学习所代表的语言表征中的作用。我们达成共识，基于该领域开展的开创性研究，未来的发展方向是通过承认具体和情境语言和语义过程的多模态性、多维性、灵活性和特质来提高研究结果的外部有效性。
校正：基于带注释的像素和点云的弱监督语义分割
在此处给出了完整的确认部分：致谢：这项工作得到了中国国家自然科学基金会（No.62227801和No.UME20B2062，No.62376024）的支持，以及中国国家关键研究与发展计划（20222ZD0117900）。
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。