XiaoMi-AI文件搜索系统
World File Search SystemSense
rehsense：通过射频能量收获
已经提出了不同的基于Wi-Fi的无线应用程序，从日常活动识别到生命体征监测。尽管具有显着的感知精度，但高能量的吸引力和对定制硬件修改的需求阻碍了现有传感解决方案的广泛部署。在本文中，我们提出了基于射频（RF）能量收集的节能无线传感解决方案Rehsense。不是依靠渴望耗电的Wi-Fi接收器，而是利用RF能量收割机作为传感器，并利用从环境Wi-Fi信号收获的电压信号来同时进行上下文感测和能量收获。我们使用商业货架（COTS）RF Energy Harvester设计和实施Rehsense。对三个细粒无线传感任务的广泛评估（即，呼吸监测，人类活动识别和手势识别）表明，Rehsense可以通过传统的基于Wi-Fi-fi-fi-fi-fi-dive的溶液实现可比的感测精度，同时适应不同的感应环境，从而减少传感的功耗。7％，最多收获4。RF能量的5 MW电源。RF能量的5 MW电源。
Truesense*在线冷却
高级技术使一个单个测量平台可以测量所有三个核心分析物。创新的板载过滤可确保在最艰难的高悬浮固体和浊度水中的可靠性和最小维护，而无需使用麻烦的预滤波设备。设备旨在满足工业环境的性能需求，每月执行一次简单的维护程序。令人震惊的功能和独立的诊断使故障排除快速有效。与Truesense View的接口，Veolia的知识管理软件套件，可以使用本地PC和/或基于Web的模式在正确的时间和频率下量身定制的正确信息，该信息是为收件人量身定制的。
糖尿病成年人吸烟和健康结果的目的感
糖尿病的抽象背景健康并发症在财务和情感上给个人带来了重大压力。这些并发症的发作和严重程度主要是由患者的行为驱动的，这导致了影响行为的心理因素，从而影响了干预措施的关键目标。一个有希望的因素是目的感或一个人认为自己的生活方向的程度。方法当前的研究调查了目的意识是否可以预测糖尿病成年人同时且前瞻性的成年人中的自我评估健康，心血管疾病和吸烟状况。此外，它测试了这些关联是否存在于多个样本和文化中。使用12个数据集的横截面和8个纵向分析（总n = 7277）估计目的感与主观健康，吸烟状况和心血管疾病有关的程度在患有糖尿病的成年人中。协调的分析允许在培养物，时间段和测量工具之间进行更大的结果概括。数据集同时包括目的感和糖尿病状况的度量以及至少一种健康措施：自我评估的健康，当前的吸烟状况或心脏病状态。结果意识与越来越高的自我评价健康，吸烟状况以及心血管疾病的横断面和自我评估的健康有关。目的随着时间的流逝而与健康的变化无关。结论这些结果突出了关键个体差异，目的感与成年人糖尿病的行为和结果的关系。虽然需要进行更多的研究来确定这种关系的界限，但似乎将来可以将目的感视为干预的潜在目标。
deepSense-v2v：车辆到车辆多模式感应，定位和通信数据集
摘要 - 高数据速率和低延迟车辆到车辆（V2V）通信对于未来的智能运输系统至关重要，以实现协调，增强安全性和支持分布式计算和情报要求。但是，制定有效的沟通策略需要现实的测试场景和数据集。这在高频带中很重要，在高频带中，有更多的频谱可用但收获该带宽受到方向传输的需求和信号传播对阻塞的敏感性的挑战。这项工作介绍了第一个用于研究MMWave车辆到车辆通信的大规模多模式数据集。它提出了一个两辆车测试台，该床包括来自360º相机，四个雷达，四个60 GHz阶段阵列，一个3D激光雷达和两个精确的GPS的数据。数据集包含白天和黑夜驾驶的车辆，在城堡和农村环境中，速度为120公里，速度高达每小时100公里。从卡车到自行车的所有图像中都检测到超过一百万个物体。这项工作进一步包括详细的数据集统计信息，这些数据集统计数据证明了各种情况的覆盖范围，并突出了该数据集如何启用新颖的机器学习应用程序。
感知少，生成更多：用蒙版自动编码器进行超高效率3D传感的训练激光雷达感知
摘要 - 在这项工作中，我们提出了一种破坏性节俭的激光雷达感知数据流，该数据流产生而不是感知环境的一部分，这些部分是基于对环境的广泛培训，或者对整体预测准确性的影响有限的。因此，所提出的方法将传感能量与训练数据进行交易，以获取低功率机器人和自动导航，以便用传感器省将，从而在一次电池充电时延长了其寿命。我们提出的为此目的提出的生成预训练策略称为径向掩盖的自动编码（R-MAE），也可以在典型的激光雷达系统中很容易实施，通过选择性激活和控制在现场操作过程中随机生成的角区域的激光功率。我们的广泛评估表明，使用R-MAE进行预训练可以重点关注数据的径向段，从而比常规程序更有效地限制了空间关系和对象之间的距离。因此，所提出的方法不仅降低了传感能量，而且还提高了预测准确性。例如，我们对Waymo，Nuscenes和Kitti数据集进行了广泛的评估表明，该方法在跨数据集的检测任务的平均精度提高了5％，并且从Waymo和Nuscenes转移到Kitti的检测任务的平均精度提高了4％。在3D对象检测中，它在KITTI数据集中的中等难度水平下，在AP中最多可增强小对象检测。即使使用90％的径向掩蔽，它在Waymo数据集中所有对象类中的MAP/MAPH中都超过了基线模型。此外，我们的方法在Nuscenes数据集上分别获得了MAP和NDS的3.17％和2.31％的提高，这表明了其在单个和融合的LIDAR相机模态方面的有效性。代码可在https://github.com/sinatayebati/radial Mae上公开获取。索引项 - lidar预训练，掩盖自动编码器，超有效的3D传感，边缘自治。
针对新疗法的血小板抑制受体代理意识的统计学习模型-Centaur
一种代理意识（SOA）是对控制自己行动的控制的主观意识的经验。人类自然倾向于产生环境的预测模型并根据环境变化进行调整。SOA与预测模型的适应程度有关，例如，不足的适应性会导致低可预测性并降低环境中的SOA。因此，确定与SOA相关的预测模型的适应过程背后的机制对于理解SOA的生成过程至关重要。在当前研究的第一半部分中，我们构建了一个数学模型，其中SOA在环境的预测模型中代表了给定观察结果（感觉反馈）的可能性值，并且根据可能性值对预测模型进行更新。从我们的数学模型中，我们从理论上得出了一个可检验的假设，即根据贝叶斯规则或随机梯度更新了预测模型。在我们的研究的后半部分，我们重点介绍了该假设的实验检查。 在我们的实验中，反复要求人类受试者在计算机屏幕上观察一个移动的正方形，并在发出哔哔声之后按下按钮。 按钮按下导致屏幕上移动正方形的突然跳跃。 在操作执行（按钮 - 键）和随之而来的事件（正方形跳跃）之间体验各种随机时间间隔，导致受试者的SOA程度逐渐变化。在我们的研究的后半部分，我们重点介绍了该假设的实验检查。在我们的实验中，反复要求人类受试者在计算机屏幕上观察一个移动的正方形，并在发出哔哔声之后按下按钮。按钮按下导致屏幕上移动正方形的突然跳跃。在操作执行（按钮 - 键）和随之而来的事件（正方形跳跃）之间体验各种随机时间间隔，导致受试者的SOA程度逐渐变化。通过将上述理论假设与实验结果进行比较，我们得出的结论是，基于SOA的预测模型的更新（适应）规则与随机梯度下降更好地描述了基于SOA的预测模型。