XiaoMi-AI文件搜索系统
World File Search SystemSize
学习典型形状空间以进行类别级 6D 物体姿势和尺寸估计
我们提出了一种类别级 6D 物体姿势和大小估计的新方法。为了解决类内形状变化，我们学习了规范形状空间 (CASS)，它是特定物体类别的大量实例的统一表示。具体而言，CASS 被建模为具有规范化姿势的规范 3D 形状的深度生成模型的潜在空间。我们训练变分自动编码器 (VAE) 以从 RGBD 图像在规范空间中生成 3D 点云。VAE 以跨类别的方式进行训练，利用公开可用的大型 3D 形状存储库。由于 3D 点云是以规范化姿势（具有实际大小）生成的，因此 VAE 的编码器学习视图分解的 RGBD 嵌入。它将任意视图中的 RGBD 图像映射到与姿势无关的 3D 形状表示。然后，通过将物体姿势与使用单独的深度神经网络提取的输入 RGBD 的姿势相关特征进行对比来估计物体姿势。我们将 CASS 的学习和姿势和尺寸估计集成到端到端可训练网络中，实现了最先进的性能。
用于医学图像超分辨率的多模态多头卷积注意
超分辨率医学图像可帮助医生提供更准确的诊断。在许多情况下，计算机断层扫描 (CT) 或磁共振成像 (MRI) 技术在一次检查期间会捕获多个扫描 (模式)，这些扫描 (模式) 可以联合使用 (以多模态方式) 来进一步提高超分辨率结果的质量。为此，我们提出了一种新颖的多模态多头卷积注意模块来超分辨率 CT 和 MRI 扫描。我们的注意模块使用卷积运算对多个连接的输入张量执行联合空间通道注意，其中核 (感受野) 大小控制空间注意的减少率，卷积滤波器的数量控制通道注意的减少率。我们引入了多个注意头，每个头具有不同的感受野大小，对应于空间注意的特定减少率。我们将多模态多头卷积注意力 (MMHCA) 集成到两个深度神经架构中以实现超分辨率，并对三个数据集进行了实验。我们的实证结果表明，我们的注意力模块优于超分辨率中使用的最先进的注意力机制。此外，我们进行了一项消融研究，以评估注意力模块中涉及的组件的影响，例如输入的数量或头部的数量。我们的代码可在 https://github.com/lilygeorgescu/MHCA 免费获取。
应用机器学习算法预测非正规经济的规模
近来，使用机器学习模型和技术预测经济变量的情况越来越多，其动机是它们比线性模型具有更好的性能。尽管线性模型具有相当大的解释能力的优势，但近年来，人们加大了努力，使机器学习模型更具解释性。本文进行了测试，以确定基于机器学习算法的模型在预测非正规经济规模方面是否比线性模型具有更好的性能。本文还探讨了机器学习模型检测到的最重要的这种规模的决定因素是否与文献中基于传统线性模型检测到的因素相同。为此，从 2004 年到 2014 年，收集并处理了 122 个国家的观测数据。接下来，使用 11 个模型（四个线性模型和七个基于机器学习算法的模型）来预测这些国家非正规经济的规模。使用 Shapley 值计算了预测变量在确定机器学习算法产生的结果中的相对重要性。结果表明：(i)基于机器学习算法的模型比线性模型具有更好的预测性能；(ii)通过 Shapley 值检测到的主要决定因素与文献中使用传统线性模型检测到的主要决定因素一致。
ONTAP可以处理的最大kerberos代币大小（maxtokensize）是多少？
'NetApp不提供有关本出版物中提供的任何信息或建议的准确性，可靠性或可靠性的陈述或保证，或者涉及通过使用信息或遵守此处提供的任何建议而获得的任何结果。本文档中的信息按原样分发，此信息的使用或此处的任何建议或技术的实施是客户的责任，并且取决于客户评估和集成到客户操作环境中的能力。本文档和本文包含的信息可以仅与本文档中讨论的NetApp产品有关。
了解南非中型企业人工智能采用率低的原因
有传闻表明，南非中小企业（SME）虽然可以使用人工智能（AI）工具作为其企业资源规划软件的一部分，但并没有采用这些工具。这被视为一个问题，因为中小企业部门是经济增长的基础，而该部门采用人工智能可以增强其在全球舞台上的竞争力。因此，本研究的目的是了解这种缺乏采用的情况。这项定性研究遵循解释哲学和归纳方法。从各个行业部门中选出了七家中型公司，并对每家公司的高管进行了采访。研究结果表明，尽管参与者通常清楚地了解采用人工智能的好处并能阐明用例，但仍存在阻碍采用的抑制因素。这些抑制因素中最重要的是担心失去对关键业务流程的控制权，而将其交给基于机器的算法，以及认为 IT 成熟度不足，无法采用和管理这些人工智能工具。这些发现的价值在于，它们提供了对人工智能采用障碍的理解，并强调了南非依赖非正式网络来指导采用决策的特点。
引用本文：Gerbrich Ferdinands (2021) 人工智能辅助系统评价：选择研究比较小样本量的贝叶斯与频率 SEM，多元行为研究，56:1，153-154，DOI：10.1080/00273171.2020.1853501
Smid 等人（2020 年）进行了一项系统评价，以表征贝叶斯和频率估计在小样本量 SEM 中的表现。在手动筛选 5050 项研究后，仅选定 27 项来回答他们的研究问题。进行系统评价需要付出巨大的筛选努力。这种筛选工作使证据综合成为一项极具挑战性的任务。开源 AI 辅助筛选工具可以潜在地减少工作量：系统评价的主动学习（ASReview；van de Schoot 等人，2020 年）。在 ASReview 中，研究人员与主动学习模型交互筛选摘要。根据研究人员的决策（相关与不相关），该模型会迭代更新其对剩余摘要的相关性预测。通过优先考虑最有可能相关的文章（即基于确定性的主动学习），ASReview 最大限度地减少了研究人员需要筛选的文章数量，同时仍能识别出大多数相关文章。手动筛选和自动优先排序出版物的过程会产生一组相关出版物。作为一个例子，ASReview 被应用于 Smid 等人（2020 年）确定的 5050 篇研究的全部集合。理想的表现被定义为最大限度地识别 Smid 等人最初确定的 27 篇相关文章，同时最大限度地减少研究人员需要筛选的文章数量。相关性预测由主动学习模型进行，该模型使用朴素贝叶斯或逻辑回归作为分类器。对于第一个预测，ASReview 需要一些示例文章。对每个分类器应用了 27 次 ASReview，使用每篇相关文章作为示例文章一次，并与一篇随机的不相关文章配对。如图 1 所示，贝叶斯和逻辑回归模型都发现超过 80%
使用微型月球和……开发混凝土混合物
阿拉巴马州亨茨维尔 美国宇航局宣布，预计在 2025 年将人类送往小行星，在 2030 年代送往火星，这就需要在太空中准备供人类居住的栖息地。由于将建筑材料运送到太空的成本很高，因此需要利用现场材料来开发混凝土混合物。在本研究中，将尝试使用普通波特兰水泥和灰泥作为水泥基质。此外，由于火星和月球风化层可用性高，因此将用作骨料。对利用的骨料进行筛选并分成不同的尺寸，以找到混凝土性能的最佳骨料尺寸。研究结果证明，由于填料顺序得到改善，较小的风化层颗粒往往会产生强度更高的混凝土混合物。这项研究的结果表明，利用当地空间材料开发太空栖息地，生产经济型混凝土混合物向前迈出了一步。 关键词：纳米颗粒、波特兰水泥、火山灰掺合料、月球风化层、火星风化层
基本物理和中型干货
有些人在考虑基本物理学和中型干货世界时会有某种心态。1的心态是，中型的东西比物理学描述的东西“不那么真实” - 基本粒子，量子场等。2有很多哲学家和一些科学家，他们坚信这种观点，并且他们的研究是由对其进行验证的愿望所驱动的。还有其他人对还原主义有完全不同的态度：他们将其视为善良和美丽的敌人，也是停止的力量。反还原主义者的担忧似乎确实是充满动力的。例如，如果您的妻子只不过是在某个状态下的一些量子场，那么为什么要保证她永恒而永恒的爱？更普遍地，树木，马还是我们自己的孩子的存在仅仅是生物学或宗教诱使我们相信的方便小说？物理学表明这些东西不是完全真实的，那么我们应该如何生活？
使用分层变压器前序和早期基于映射的基因组大小估计
现在几乎可以测量植物的所有部分，但是评估植物基因组的大小仍然具有挑战性。尽管可以在显微镜下测量染色体大小（Albini，1994），但通常未知单细胞中所有DNA分子的合并长度。在第一个拟南芥基因组序列释放近25年后，对于最重要的模型之一而言，这甚至是正确的。最初，诸如Reassociation Kinetics之类的生化方法（Leutwiler等人，1984），Feulgen光度法（Bennett＆Smith，1991），定量凝胶印迹杂交（Francis等人。，1990年），Southern印迹（Fransz等人，2002）和流式细胞仪（Arumuganathan＆Earle，1991; Bennett＆Leitch，2011）。不幸的是，这些实验方法依赖参考基因组（Bennett等人。，2003）。下一代测序技术的兴起（Metzker，2010年）启用了基于K-MER配置文件或唯一K-Mers计数的新方法（Li＆Waterman，2003;Marçais＆Kingsford，2011年）。水母（Marçais＆Kingsford，2011年），Kmergenie（Chikhi＆Medvedev，2014年），