XiaoMi-AI文件搜索系统
World File Search SystemSemantic
![ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版） https://doi.org/10.17559/TV-20240123001285 原创科学论文 基于多媒体数据分析和人工智能的智能体育教学跟踪系统 徐嘉辉*，齐大陆，刘爽 摘要：近年来，体育环境已经意识到身体和心理特征的重要性。体育工作人员、运动员和教练员已经表明，新的理论和治疗方法可用于增强心理。个人社会生活中的基本需求是城市公共体育。本文在均等化公共服务的基础上，提供了均等化公共体育的城市设施。国家一致的规则可以提供城市公共体育产品和服务，这些产品和服务对公民来说是基本的，考虑到他们的生计和娱乐需求。本文提出利用语义多层次结构方程模型（SMSEM）来评估城市公共体育服务的运动心理需求，目的是紧密围绕群众的体育需求，提高政府城市公共体育服务供给的质量和效率，推动城市体育休闲城市建设，让更多人享受城市公共体育，保障人民群众的基本体育权利。积极心理学的成长具有广泛的理论和应用领域，丰富了新的体育心理学理论和应用。心理监测与体育锻炼的关系最密切的是竞技体育领域。心理指导正朝着系统化、专业化的方向发展。在未来的应用中，从体育心理学中获得的成果更具适用性。关键词：人工智能；多媒体数据分析；语义；运动心理；城市公共体育1引言运动员的运动表现由心理、身体和社会因素来评价[1]。教练员认为，通过提高运动员的心理能力可以提高运动员的运动成绩[2]。心理干预对游泳、足球、垒球、滑冰、高尔夫和网球等多项运动的运动员表现有积极影响 [3]。高水平表现研究比较了不同的运动员，报告了成功运动员的理想心理特征，包括：焦虑的自我调节、高度集中、高度自信、焦虑控制、积极的运动关注和决心以及参与度 [4]。研究表明，运动员具有获得成功的敏锐心理能力 [5]。心理因素的相似性，多维结构和运动员表现的提高与心理技能和心理韧性密切相关[6]，即“自然或既定的心理优势”。一般来说，体育运动的多项要求都要求运动员比对手表现得更好。要比对手更加稳定、一致和有控制力[7]。这些运动员除了发展心理韧性外，还采用了心理技能来保持这种心理韧性[8]。运动员可以学习特定技能如何改善心理稳定性的发展和维持[9]。体育心理学家已经启动了与体育运动有关的心理能力的心理测量特性，这些特性已经确定并测量了运动员的心理状态，以方便进一步咨询[10]。此外，问卷还测量了特定领域的因素，例如焦虑和PSIS（运动心理技能清单）团队因素、ACSI-28（运动应对技能量表-28）、APSI（运动心理技能清单）应对技能以及在绩效策略测试中的表现改进[11]。对运动员的心理支持主要包括以下几个方面：](/simg/5/5ce585af5254d19f2677b947d93cac6fcb629134.png)
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版） https://doi.org/10.17559/TV-20240123001285 原创科学论文 基于多媒体数据分析和人工智能的智能体育教学跟踪系统 徐嘉辉*，齐大陆，刘爽 摘要：近年来，体育环境已经意识到身体和心理特征的重要性。体育工作人员、运动员和教练员已经表明，新的理论和治疗方法可用于增强心理。个人社会生活中的基本需求是城市公共体育。本文在均等化公共服务的基础上，提供了均等化公共体育的城市设施。国家一致的规则可以提供城市公共体育产品和服务，这些产品和服务对公民来说是基本的，考虑到他们的生计和娱乐需求。本文提出利用语义多层次结构方程模型（SMSEM）来评估城市公共体育服务的运动心理需求，目的是紧密围绕群众的体育需求，提高政府城市公共体育服务供给的质量和效率，推动城市体育休闲城市建设，让更多人享受城市公共体育，保障人民群众的基本体育权利。积极心理学的成长具有广泛的理论和应用领域，丰富了新的体育心理学理论和应用。心理监测与体育锻炼的关系最密切的是竞技体育领域。心理指导正朝着系统化、专业化的方向发展。在未来的应用中，从体育心理学中获得的成果更具适用性。关键词：人工智能；多媒体数据分析；语义；运动心理；城市公共体育1引言运动员的运动表现由心理、身体和社会因素来评价[1]。教练员认为，通过提高运动员的心理能力可以提高运动员的运动成绩[2]。心理干预对游泳、足球、垒球、滑冰、高尔夫和网球等多项运动的运动员表现有积极影响 [3]。高水平表现研究比较了不同的运动员，报告了成功运动员的理想心理特征，包括：焦虑的自我调节、高度集中、高度自信、焦虑控制、积极的运动关注和决心以及参与度 [4]。研究表明，运动员具有获得成功的敏锐心理能力 [5]。心理因素的相似性，多维结构和运动员表现的提高与心理技能和心理韧性密切相关[6]，即“自然或既定的心理优势”。一般来说，体育运动的多项要求都要求运动员比对手表现得更好。要比对手更加稳定、一致和有控制力[7]。这些运动员除了发展心理韧性外，还采用了心理技能来保持这种心理韧性[8]。运动员可以学习特定技能如何改善心理稳定性的发展和维持[9]。体育心理学家已经启动了与体育运动有关的心理能力的心理测量特性，这些特性已经确定并测量了运动员的心理状态，以方便进一步咨询[10]。此外，问卷还测量了特定领域的因素，例如焦虑和PSIS（运动心理技能清单）团队因素、ACSI-28（运动应对技能量表-28）、APSI（运动心理技能清单）应对技能以及在绩效策略测试中的表现改进[11]。对运动员的心理支持主要包括以下几个方面：
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版） https://doi.org/10.17559/TV-20240123001285 原创科学论文 基于多媒体数据分析和人工智能的智能体育教学跟踪系统 徐嘉辉*，齐大陆，刘爽 摘要：近年来，体育环境已经意识到身体和心理特征的重要性。体育工作人员、运动员和教练员已经表明，新的理论和治疗方法可用于增强心理。个人社会生活中的基本需求是城市公共体育。本文在均等化公共服务的基础上，提供了均等化公共体育的城市设施。国家一致的规则可以提供城市公共体育产品和服务，这些产品和服务对公民来说是基本的，考虑到他们的生计和娱乐需求。本文提出利用语义多层次结构方程模型（SMSEM）来评估城市公共体育服务的运动心理需求，目的是紧密围绕群众的体育需求，提高政府城市公共体育服务供给的质量和效率，推动城市体育休闲城市建设，让更多人享受城市公共体育，保障人民群众的基本体育权利。积极心理学的成长具有广泛的理论和应用领域，丰富了新的体育心理学理论和应用。心理监测与体育锻炼的关系最密切的是竞技体育领域。心理指导正朝着系统化、专业化的方向发展。在未来的应用中，从体育心理学中获得的成果更具适用性。关键词：人工智能；多媒体数据分析；语义；运动心理；城市公共体育1引言运动员的运动表现由心理、身体和社会因素来评价[1]。教练员认为，通过提高运动员的心理能力可以提高运动员的运动成绩[2]。心理干预对游泳、足球、垒球、滑冰、高尔夫和网球等多项运动的运动员表现有积极影响 [3]。高水平表现研究比较了不同的运动员，报告了成功运动员的理想心理特征，包括：焦虑的自我调节、高度集中、高度自信、焦虑控制、积极的运动关注和决心以及参与度 [4]。研究表明，运动员具有获得成功的敏锐心理能力 [5]。心理因素的相似性，多维结构和运动员表现的提高与心理技能和心理韧性密切相关[6]，即“自然或既定的心理优势”。一般来说，体育运动的多项要求都要求运动员比对手表现得更好。要比对手更加稳定、一致和有控制力[7]。这些运动员除了发展心理韧性外，还采用了心理技能来保持这种心理韧性[8]。运动员可以学习特定技能如何改善心理稳定性的发展和维持[9]。体育心理学家已经启动了与体育运动有关的心理能力的心理测量特性，这些特性已经确定并测量了运动员的心理状态，以方便进一步咨询[10]。此外，问卷还测量了特定领域的因素，例如焦虑和PSIS（运动心理技能清单）团队因素、ACSI-28（运动应对技能量表-28）、APSI（运动心理技能清单）应对技能以及在绩效策略测试中的表现改进[11]。对运动员的心理支持主要包括以下几个方面：
s $^{3} $ M-net：语义细分的联合学习和自动驾驶的立体声匹配
摘要 - 语义分割和立体声匹配是用于自动驾驶的3D环境感知系统的两个基本组成部分。然而，传统方法通常独立解决这两个问题，并采用每个任务的单独模型。这种方法在现实情况下构成了实际限制，尤其是当计算资源稀缺或实时绩效是必须的。因此，在本文中，我们介绍了S 3 M-NET，这是一个新型的联合学习框架，旨在同时执行语义分割和立体声匹配。特别是S 3 M-NET共享从这两个任务之间从RGB图像中提取的功能，从而提高了整体场景理解能力。使用特征融合适应（FFA）模块实现此功能共享程序，该模块有效地将共享特征转换为语义空间，然后将它们与编码的差异功能融合在一起。整个联合学习框架是通过最大程度地减少新颖的语义一致性引导（SCG）损失来训练的，该损失强调了这两个任务的结构一致性。与其他最先进的单个任务网络相比，在VKITTI2和KITTI数据集上进行的广泛实验结果揭示了我们提出的联合学习框架的有效性及其优越的性能。我们的项目网页可在mias.group/s3m-net上访问。
铁路语义分段的多上下文点云数据集和机器学习
摘要：铁路场景的理解对于各种应用程序至关重要，包括自主火车，数字缠绕和基础设施变更监控。但是，后者的开发受到现有算法缺乏注释的数据集和局限性的限制。为了应对这一挑战，我们提出了铁路3D，这是铁路环境中语义细分的第一个综合数据集，并进行了比较分析。Rail3D涵盖了来自匈牙利，法国和比利时的三种不同的铁路环境，捕获了各种各样的铁路资产和条件。有超过2.88亿个注释点，Rail3D超过了大小和多样性的现有数据集，从而可以训练可概括的机器学习模型。我们进行了一个通用的分类，该分类使用了九个通用类（地面，植被，铁路，电线，信号，围栏，安装和建筑物），并评估了三种最先进模型的性能：KPCONV（内核点卷积），LightGBM和随机森林。最佳性能模型，一种经过的kPCONV，在联合（MIOU）上达到了平均值为86％。基于LightGBM的方法获得了71％的MIOU，但表现优于随机森林。这项研究将通过为3D语义细分提供全面的数据集和基准，从而使基础设施专家和铁路研究人员受益。数据和代码可公开用于法国和匈牙利，并根据用户反馈进行连续更新。
sens：可持续供应链分析和基准测试的语义综合综合模型
摘要。供应链（SC）集成建模是对整个SC网络的成员和流程的可见性和主动监控所必需的。最近的工作已经建立了结合核心关系和结构的SC模型。但是，此类模型仍然相当孤立，从而阻止了SC的整体视图。我们确定缺乏端到端（E2E）SC数据，该数据能够对SC进行集成分析。一家公司的现有日志或数据不足以验证E2E SC模型。我们提出Sens，这是一种标准化的集成语义模型，可提供SCOR E2E SC结构和流的整体视图。此词汇用于生成合成的SC数据，以补偿通过Sens-Gen的总体基准数据的稀缺性。评估表明，通过SENS实现的显着改善的模拟和分析功能，促进了抓地力，控制并最终增强SC行为，并在破坏性场景中提高了弹性。
mlsea：可发现的机器学习的语义层
摘要。随着机器学习（ML）场的迅速发展，ML管道的数量，复杂性和组件不断增长。在线平台（例如OpenML，Kaggle）旨在收集和传播ML实验。但是，可用知识的分散，每个平台代表ML过程的不同组成部分或相互区域的组件，但以不同的方式。为了解决这个问题，我们利用语义Web技术来建模和集成ML数据集，实验，软件和科学作品纳入MLSEA，这是一种资源：（i）MLSO，一种模拟ML数据集，管道和实现的本体论； （ii）MLST，分类法，其中包含ML知识的收集为受控词汇； （iii）MLSEA-kg，一个RDF图，其中包含来自不同来源的ML数据集，管道，实现和科学作品。MLSEA为改善ML管道的搜索，解释性和可重复性铺平了道路。
co-OCC：耦合显式特征融合与体积渲染多模式3D语义占用预测的正规化 - 补充材料
图1（a）说明了对外部参数不准确引起的对齐图像和点云的挑战。很难实现直接的几何对齐。要解决因未对准而导致的错误的积累，我们提出了GSFusion。此方法搜索附近的功能，以确保几何和语义对齐，从而使每个LiDAR Voxel功能能够与融合过程中的K相邻升起的像素特征进行交互。这扩大了感知字段，从而使图像和点特征更全面，更强大。此外，图。1（b）突出显示了激光点云的稀疏性对与摄像机相互作用的影响。为了解决这个问题，渲染过程可确保LIDAR功能，相机功能或LIDAR相机功能的密集表示，如图1（c）。这确保了足够的体素相互作用并提高整体性能。
事故预测的语义视频分析
摘要 - 飞行员和骑自行车的人是最脆弱的，但也是最不可预测的交通参与者。由于他们在高度自由度和方向突然变化的城市环境中移动的能力，他们的运动仍然具有挑战性。我们提出了一个驾驶员援助系统，以应对其中一些挑战。我们的系统由一个由各种自动编码器和长期短期内存网络制成的世界模型组成。世界模型从脆弱的流量参与者的角度获取视力和动作数据，并在提前一秒钟内生成其环境的视觉预测（图像）。我们系统的第二部分是一个基于变压器的描述系统，该系统采取了预测的感知，在这里，作为一个展示，如果汽车和易受伤害的交通参与者之间的碰撞似乎即将到来，则将其抽象为文本警告。我们的描述系统有助于将驾驶员的危险情况与上下文相关，并可以扩展到其他驾驶员援助系统，例如盲点检测。我们在使用CARLA的模拟中生成的数据集上评估了我们的系统。索引术语 - 自主驾驶，机器学习，视频描述，世界模型
seg-slam：动态室内RGB-D视觉大满贯整合几何和基于Yolov5的语义信息
摘要：同时定位和映射（SLAM）对于移动机器人技术至关重要。大多数vi-sual SLAM系统都假定环境是静态的。但是，在现实生活中，有许多动态对象，会影响这些系统的准确性和鲁棒性。为了改善视觉大满贯系统的表现，这项研究提出了基于定向的快速和旋转简短（ORB）-Slam3框架的动态视觉大满贯（SEG-SLAM）系统，您只能看一次（YOLO）V5深学习方法。首先，基于ORB-SLAM3框架，Yolov5深学习方法用于构建用于目标检测和语义分割的融合模块。此模块可以有效地识别并提取明显和潜在动态对象的先验信息。第二，使用先前的信息，深度信息和表现几何方法为不同的动态对象开发了差异化的动态特征拒绝策略。因此，提高了SEG-SLAM系统的定位和映射准确性。最后，拒绝结果与深度信息融合在一起，并使用点云库构建了无动态对象的静态密集映射。使用公共TUM数据集和现实世界情景评估SEG-SLAM系统。所提出的方法比当前动态视觉大满贯算法更准确，更健壮。
哪种感觉主导多感官语义理解？大脑解码研究
摘要 从大脑活动中解码语义意义已引起越来越多的关注。神经语言学家发现语义感知对多感官刺激是开放的，因为词义可以通过听觉和视觉输入传递。先前从神经影像数据中解码语义意义的工作主要利用跨模态刺激（即文本-音频对、文本-图片对）触发的大脑激活模式。他们的目标是开发一个更复杂的计算模型来探究语言理解行为中的哪些信息在人脑中得到体现。而大脑接收这些信息如何影响解码性能却被低估了。本研究将词语理解的多感官整合分别分离到书面文本、口头文本和图像感知中，探索大脑表征中单感官信息的解码效率和可靠性。研究结果表明，就单感觉而言，当语义以图片表示时，解码最为成功，但当同类词具有相关含义时，这种效果就会消失。这些结果揭示了大脑解码方法中的模态依赖性和多感觉增强。
语义和几何蛋白
抽象蛋白质工程是合成生物学的关键方面，涉及现有蛋白质序列中氨基酸的修改12，以实现新颖或增强的功能13和物理性能。准确预测蛋白质变异效应需要彻底了解蛋白质序列，结构和功能。深度学习方法在指导蛋白质修饰方面具有出色的性能，可改善16个功能。然而，现有方法主要依赖于蛋白质序列，蛋白质序列在有效地编码氨基酸局部环境的几何方面时面临17个挑战，而18通常在捕获与蛋白质折叠稳定性，内部分子19相互作用和生物功能有关的关键细节方面经常缺乏。此外，在预测蛋白质热稳定性方面的20种方法中缺乏基本评估，尽管它是一种关键的物理特性，在实践中经常研究21种。为了应对这些挑战，本文介绍了一个新颖的22个预训练框架，该框架整合了蛋白质初级23和第三纪结构的顺序和几何编码器。该框架通过24模拟野生型蛋白上的自然选择来指导突变方向，并根据其25个效果来评估变异效应以执行特定功能。我们使用三个基准26评估提出的方法，其中包括300多个深突变扫描测定法。Pytorch 32实现可在https://github.com/tyang816/protssn上获得。33与其他零击28学习方法相比，预测结果在广泛的实验中展示了27个出色的表现，同时又在可训练的参数方面保持最低成本。这项29项研究不仅提出了一个有效的框架，以实现更准确，更全面的30个预测，以促进有效的蛋白质工程，而且还增强了Silico评估中的31系统，以使未来的深度学习模型更好地与经验要求保持一致。