XiaoMi-AI文件搜索系统
World File Search SystemUDA
富兰克林县联合大厅村 UDA 计划
Steve Sandy – 县行政助理 Carrie Spencer – 社区发展总监 Lisa Cooper – 规划总监 Mindy Goldsmith – 行政助理 II Sherrie Mitchell – 富兰克林县规划委员会主席、Snow Creek 区 Deborah Crawford – 富兰克林县规划委员会副主席、Union Hall 区 David Clements – 富兰克林县规划委员会成员、Rocky Mount 区 CW Doss, Jr. – 富兰克林县规划委员会成员、Blue Ridge 区 Cheryl Ege – 富兰克林县规划委员会成员、Gills Creek 区 Angie McGhee – 富兰克林县规划委员会成员、Boone 区 David Pendleton – 富兰克林县规划委员会成员、Blackwater 区 Ronnie Thompson – 富兰克林县监事会主席、Boone 区 Tim Tatum – 富兰克林县监事会副主席、Blue Ridge 区 Mike Carter – 富兰克林县监事会成员、Rocky Mount 区 Tommy Cundiff – 富兰克林县监事会成员、Union Hall 区 Leland Mitchell – 富兰克林县监事会，Snow Creek 区 Ronald Mitchell – 成员，富兰克林县监事会，Blackwater 区 Lorie Smith – 成员，富兰克林县监事会，Gills Creek 区
热电传感器耦合八木-宇田纳米天线用于红外检测
摘要：我们通过实验演示了热电传感器与纳米天线的耦合，这是检测红外能量的另一种选择。我们制造并测试了两种基于 Yagi-Uda 技术的纳米天线设计（单元件和阵列）变体和一个单独的纳米热电结阵列。纳米天线经过调整，可在中心波长 1550 nm（193.5 THz）光学 C 波段窗口处运行和响应，但它们在受到各种波长（650 nm 和 940 nm）激光激发时也表现出共振响应。纳米天线中的辐射感应电流与纳米热电传感器耦合，根据塞贝克效应产生了电位差。相对于参考纳米天线的均匀热测量，实验证实了所提出的纳米天线的检测特性；单元件检测到峰值百分比电压升高 28%，而阵列检测到中心波长处的峰值百分比电压升高 80%。与最先进的热电设计相比，这是首次根据基于塞贝克原理的平面设计实验报告如此高的峰值百分比电压。
设计用于检查隧道施工环境的自主无人机原型
摘要 - 本文解决了不典型的域适应性（UDA）中的两个重要挑战，重点是利用视觉培训预训练（VLP）模型的力量。首先，UDA主要依赖于ImageNet预训练的模型。但是，UDA中VLP模型的潜力在很大程度上尚未探索。VLP模型的丰富表示形式具有增强UDA任务的信号。为了解决这个问题，我们提出了一种称为跨模式知识蒸馏（CMKD）的新颖方法，利用VLP模型作为教师模型来指导目标领域的学习过程，从而导致了最新的表现。其次，当前的UDA范式涉及为每个任务培训单独的模型，从而导致大量存储开销和不切实际的模型部署，随着转移任务的增加。为了克服这一挑战，我们引入了剩余的稀疏训练（RST），利用了VLP广泛的预训练所带来的好处，该技术需要最小的调整（约0.1％〜0.5％）的VLP模型参数，以实现性能比较与罚款。结合了CMKD和RST，我们提出了一个综合解决方案，该解决方案有效地利用VLP模型来实现UDA任务，同时减少存储开销用于模型部署。此外，CMKD可以与其他方法一起用作基线，例如FixMatch，增强UDA的性能。我们提出的方法在标准基准测试上优于现有技术。我们的代码将在以下网址提供：https：//github.com/wenlve-zhou/vlp-uda。
在生成无监督的域适应中，持续预训练的有用是如何有用的？
最新的规模突破使强大的生成语言模型的出现以及通过将这些模型调整为各种任务的能力，可以通过将它们投入到提示或指令中。在这种景观中，无监督的域适应性（UDA）或利用从标记的源域到未标记的目标域的知识的问题已被遗留下来，最近仍在解决犯罪性犯罪分类的最新UDA方法。特别是，在生成环境中探索了两种流行的UDA方法，涉及持续的预训练（CPT）和学习域的不变表示形式。在这项工作中，我们评估了CPT对生成UDA的实用性。我们首先进行经验评估，以衡量CPT和强大方法之间促进域的权衡。我们进一步评估了CPT的质量扩展到不同体系结构，调整方法和数据制度的程度。然后，我们通过研究其在目标域上的分类性能在多大程度上使CPT的使用。最后，我们试图了解CPT改善未标记目标域上的分类性能的机制。我们的发现表明，该模型暗中学习了下游任务，同时预测掩盖的单词可以为该任务提供信息。我们的工作将UDA研究的主体与教学调整联系起来，从而朝着更广泛的现代语言模型迈出了第一步。我们的代码可在https://github.com/uppaal/ cpt-generative-uda上找到。
![arxiv：2310.14172v1 [eess.iv] 2023年10月22日](/simg/g:\will\search\icon\source\4\47f8e9f4396ab1ab6f233e20a38e3c49031effe7.webp)
arxiv：2310.14172v1 [eess.iv] 2023年10月22日
摘要。胎儿脑图像的自动组织分割是对产前神经发育的定量分析。但是，产生胎儿脑成像的体素水平注释是耗时且昂贵的。为了降低标签成本，我们提出了一个适应性的无监督域适应性（UDA）设置，该设置适应了高质量胎儿脑图的分割标签，以从另一个领域的未标记的胎儿脑MRI数据。为了解决任务，我们基于外观和结构同意，为ASC提供了一个新的UDA框架。我们通过约束基于频率的图像转换之前和之后的一致性来使分割模型适应不同域的外观，即交换脑MRI数据和地图集之间的外观。认为，即使在同一结构域中，不同妊娠年龄的胎儿脑形象也可能在解剖结构上有很大的变化。使该模型适应目标域中的结构变化，我们在不同的结构扰动下进一步增强了预测一致性。FETA 2021基准的广泛实验证明了与基于注册的，基于半监督的学习和现有基于UDA的方法相比，我们的ASC的有效性。
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
用于脑肿瘤分割的无监督黑盒模型域自适应
无监督域自适应 (UDA) 是一种新兴技术，它能够将从标记源域中学到的领域知识转移到未标记的目标域中，从而提供一种应对新域中标记困难的方法。大多数先前的工作都依赖于源域和目标域数据进行自适应。然而，由于担心患者数据中包含的敏感信息可能泄露，因此在跨中心协作中共享源域中的数据和标签以及训练的模型参数通常具有挑战性。为了解决这个问题，我们提出了一个实用的 UDA 框架，该框架具有仅在源域中训练的黑盒分割模型，而不依赖于源数据或可访问网络参数的白盒源模型。特别是，我们提出了一种知识蒸馏方案来逐步学习特定于目标的表示。此外，我们通过无监督熵最小化来规范目标域中标签的置信度，从而比没有熵最小化的 UDA 获得性能提升。我们在一些数据集和深度学习主干上对我们的框架进行了广泛的验证，证明了我们的框架在具有挑战性但又现实的临床环境中应用的潜力。
无监督域适应性的对比度适应网络
深度神经网络的最新进展成功地改善了各种学习问题[40，8，26，19，20]。但是，对于监督学习，大量的训练数据仍然是学习准确的深层模型的关键。尽管可能可用于一些预先规定的域，例如ImageNet [7]，但对于每个临时目标域或任务而言，手动标签通常很难或昂贵。缺少IN-ININAIN标记的数据阻碍了在许多实际问题中拟合模型的应用。在没有来自目标域的标记数据的情况下，已经出现了无监督的域适应（UDA）方法，以减轻数据分布的域移动[2，1，1，5，37，30，18，3，3，17]。它与无监督的学习有关，因为它仅需要从源域和目标域的零标签手动标签。在最近关于UDA的工作，这是Long等人提出的开创性工作。[22，25]旨在最大程度地减少深神经网络中源和目标域之间的差异，在此，在该网络中，域差异通过最大值
几何深度学习增强脑电图中不平衡域适应
1 简介 脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信，为康复和通信提供了巨大的潜力 [1]。尽管基于脑电图 (EEG) 的 BCI 具有如此强大的功能，但目前仍存在信噪比低、特异性不足和域偏移（例如，数据分布的变化）等问题。传统上，通过收集标记校准数据和训练领域特定模型来缓解域偏移 [1]。然而，这种方法资源密集且耗时。作为一种替代方案，无监督域自适应 (UDA) 从标记源域中学习一个模型，该模型可有效执行不同的（但相关的）未标记目标域 [1]。在 BCI 领域，UDA 主要解决会话间和主体间的迁移学习 (TL) 问题 [2]，旨在无需监督校准即可实现跨域（即会话和主体）的稳健泛化。在我们之前的工作中，我们开发了一个几何深度学习框架，称为 TSMNet [3]，用于对对称正定 (SPD) 流形执行统计对齐。TSMNet 在配备有仿射不变黎曼度量的 SPD 流形上联合学习卷积特征提取器和切线空间映射 (TSM)，该度量由于其对潜在源的线性混合具有固有的不变性，非常适合 EEG 数据 [4]。许多 UDA 框架（包括 TSMNet）对齐边际特征分布，隐式假设跨域的标签分布相同。然而，在实践中经常遇到标签偏移，标签偏移下的边际特征对齐会增加泛化误差 [5]。最近的方法将这种对齐问题定义为不平衡的多源和多目标 UDA 问题 [6]。本文介绍了 TSMNet 的扩展，增强了其同时解决特征和标签偏移的能力。为了维护 TSMNet
实例关系图指导的无源域自适应对象检测
无监督的域适应性（UDA）是解决域转移问题的有效方法。特别是UDA方法试图对齐源和目标代表，以改善对目标域的概括。，UDA方法在适应过程中可以访问源数据的假设下起作用。但是，在实际情况下，由于隐私法规，数据传输限制或专有数据关注，标记的源数据通常受到限制。源 - 自由域适应（SFDA）设置旨在通过对目标域进行源训练的模型来减轻这些问题，而无需访问源数据。在本文中，我们探讨了自适应对象检测任务的SFDA设置。为此，我们提出了一种新颖的培训策略，以使源训练的对象将对象降低到目标域而没有源数据。更重要的是，我们通过利用给定目标域输入的对象关系来设计一种新颖的对比损失，以增强目标表示形式。这些对象实例关系是使用实例关系图（IRG）网络建模的，然后将其用于指导对比度代表学习。此外，我们还利用学生教师将知识从源训练的模型提高到目标域。对多个OB-JECT检测基准数据集进行了广泛的实验表明，所提出的方法能够有效地适应源训练的对象检测器对目标域，超过了最先进的域自适应检测方法。代码和模型在https://viudomain.github.io/irg-sfda-web/中提供。