XiaoMi-AI文件搜索系统
World File Search SystemULE
计量、质量和 ISO 9000 - Fluke 计量校准
根据 Fluke 的经验，类似以下过程将会取得成功：• 收集 ISO 9000 信息。• 投入资源；确保 ISO 9000 注册是公司的首要任务。• 组建跨学科团队（运营、采购、工程、营销等）来争取注册。具体来说，就是组建一支训练有素的内部审计团队。• 制定详细的计划、时间表和预算。• 谨慎选择认证代理或注册商。您的注册商是否经过适当认可？它是否熟悉您的行业？它是否易于联系？最重要的是，您选择的注册商授予的注册是否为您的主要客户所接受？• 制定质量文件的层次结构；质量手册、质量程序、工作说明和质量记录。• 教育员工。努力让每位员工都获得授权并做出承诺。• 进行自我评估。您的内部审计团队应该像注册商一样进行全面评估。然后采取纠正措施。 • 完成预评估。邀请您的注册商进行最终审计的初步版本。再次采取纠正措施。 • 通过认证机构进行的现场审计。 • 通过定期监督审计。每个注册商对定期审计的频率和深度都有不同的政策。 • 现在开始！它总是会比你想象的要长。
重新思考多对比度MRI超分辨率：矩形...
最近，几种方法探索了多对比磁共振成像（MRI）超分辨率（SR）的潜力，并获得了优于单对比SR方法的结果。但是，现有方法仍然存在两个缺点：（1）它们只能解决固定的Inter Intermpling量表，例如2×，3×和4倍，它们需要培训并存储临床上每个UPSMPLAING SCALE的相应模型。（2）他们在采用方形窗口（例如8×8）变形金刚网络档案时缺乏直接交互，这导致长范围依赖性的建模不足。此外，参考图像和目标图像之间的关系尚未完全挖掘。为了解决这些问题，我们开发了一个新颖的网络，用于多对比度MRI任意规模的SR，被称为McASSR。具体来说，我们设计了矩形窗口交叉注意变压器，以在MR图像中建立长期依赖性，而无需增加计算复杂性并完全使用参考信息。此外，我们提出了参考吸引的隐式关注，作为提升的模式，通过隐式神经表示实现了任意规模的超分辨率，进一步融合了参考图像的补充信息。在公共和临床数据集上进行了广泛而全面的实验表明，我们的MCASSR比SOTA方法产生了卓越的性能，这表明其在临床实践中的巨大潜力。代码将在https：//github.com/guangyuankk/mcassr上找到。
DHGCN：动态HOP图形卷积网络...
最近的工作试图将图形卷积网络（GCN）扩展到指向分类和分割任务的云。这些作品倾向于在本地进行采样和小组点，并主要集中于通过GCN提取本地特征，同时忽略了点集之间的关系。在本文中，我们提出了Dy-Namic Hop图卷积网络（DHGCN），以详细学习Vox-opiend点部分之间的上下文关系，这些部分被视为图形节点。通过直觉，即上下文信息之间存在的角度在于成对的邻近关系，可以通过图形的跳跃距离来描绘，我们设计了一个新颖的零件级别的霍普距离距离距离距离距离距离重建任务，并设计出一种新颖的损失损失，以相应地训练训练。此外，我们提出了Hop图（HGA），该图将HOP距离作为产生注意力重量的输入，从而可以在聚集中有明显的贡献。最终，提出的DHGCN是一种与基于点的骨干网络兼容的插件模块。对不同骨干和任务的全面实验表明，我们的自我监管方法实现了状态的表现。我们的源代码可在以下网址提供：https：//github.com/jinec98/dhgcn。
BIFRNet：一种受大脑启发的特征恢复 DNN，用于部分遮挡图像识别
部分遮挡图像识别 (POIR) 问题长期以来一直是人工智能面临的挑战。处理 POIR 问题的常用策略是使用非遮挡特征进行分类。不幸的是，当图像被严重遮挡时，此策略将失去效果，因为可见部分只能提供有限的信息。神经科学领域的一些研究表明，特征恢复（填充遮挡信息并称为非模态补全）对于人脑识别部分遮挡图像至关重要。然而，特征恢复通常会被 CNN 忽略，这可能是 CNN 对 POIR 问题无效的原因。受此启发，我们提出了一种新颖的受大脑启发的特征恢复网络 (BIFRNet) 来解决 POIR 问题。它模拟腹侧视觉通路来提取图像特征，并模拟背侧视觉通路来区分遮挡和可见图像区域。此外，它还使用知识模块存储对象先验知识，并使用完成模块根据可见特征和先验知识恢复遮挡特征。在合成和真实世界遮挡图像数据集上进行的深入实验表明，BIFRNet 在解决 POIR 问题方面优于现有方法。特别是对于严重遮挡的图像，BIRFRNet 大大超越其他方法，接近人脑性能。此外，受大脑启发的设计使 BIFRNet 更具可解释性。
系统和过滤的识别 - dspace.zcu.cz
十七和十八世纪的发现使人们相信可以使用简单的数学规则来描述自然现象。然而，在本世纪，人们清楚地认识到，解决与新技术相关的问题，特别是在通信和管理方面，必然需要明确的模型和不确定性。解决了编码、滤波、预测、自动控制等重要工程问题。这些领域的新成果不仅促进了人类在地球上的活动，也促进了太空探索（例如卫星通信）。事实证明，基于直接从测量数据中查找数学模型（系统识别和过滤）概念的革命性建模技术讨论了物理驱动程序在数学模型创建中的作用的重要性（数学模型和模型）。
极性区域气候模型RACMO2.4
摘要。在本研究中预先提出了极地区域大气气候模型（称为RACMO2.4P1）的下一个版本。主更新包括嵌入Intecast的预测系统（IFS）周期47R1的物理参数包装包。这构成了降水，对流，湍流，气溶胶和表面方案的变化，并包括一种新的云方案，具有更多的预后变量和专用的湖泊模型。fur-hoverore，独立的IF辐射物理模块ECRAD被纳入RACMO，并引入了非冰期区域的多层雪模量。其他更新涉及引入分数陆地面膜，新的和更新的气候数据集（例如气溶胶构成和叶子面积指数），以及对冰川区域的几个参数化的修订。作为概念证明，我们向格陵兰，南极和北极地区的地区展示了第一个结果。通过将结果与观测结果和先前模型版本（RACMO2.33）的输出进行比较，我们表明该模型在表面质量平衡，表面体能平衡，温度，风速，风速，云含量和积雪深度方面很好地形成了。雪水头的对流强烈影响冰盖的局部表面质量平衡，特别是在高积累的地区，例如东南绿地和南极半岛。我们严格评估模型输出，并确定一些可以从进一步的模型开发中拟合的过程。
Robotsports团队描述纸
机器人控制托管在Aaeon 8251AI系统上。8251AI以极度紧凑的形式为边缘带来了高性能的AI功能。此外，该单元具有很小的质量，具有出色的IO设施，并且功耗低（15W，6核功率模式）。在8251AI上，我们正在运行Ubuntu 20.04 64位OS与自定义控制软件结合使用。驱动器和球形车轮的运动控制任务托管在三个双轴机器人运动控制器上[3]，这些运动控制器由Teensy 4.0微控制器协调[4]。与主PC接口是通过LAN ETHERNET总线进行的。一般I/O控制集中在客户委员会上，基于微控制器，其中包括（主）功率控制和安全电路的PLC功能。在演示和实验期间，与机器人的安全控制器连接了900 MHz RF Mod-ule，以提供远程杀戮开关功能。我们有一个电磁踢机制。自动螺线管用于致动杆。可以选择将踢球的两个“脚”之一。一只脚在地板上踢低，另一只脚踢出一杆。已经开发了一个新的充电电路来充电电容器堆栈。通过新颖的基于IGBT的开关进行排放，该开关可以进行脉冲调制以控制射击功率和 - 持续性。控制在通过LAN以太网接口到Aaeon 8251AI的微控制器上实现。
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。
改善社区土地模型（CLM）版本5.0
摘要。在土地表面模型中融合了全面的作物模型，可以研究农业土地使用和土地管理对陆地水，能源和生物地球化学周期的影响的影响。在气候和土地使用变化框架内，在区域和全球尺度上对生物地球物理和生物地球化学过程的模拟可能有助于改善。在这项研究中，评估了通用土地模型第5版（CLM5）的作物模块的性能，并使用现场特定的数据进行了数据，该数据侧重于模拟季节性和年间差异，对农作物生长，植物植物和收获周期以及农作物产量，以及水的产量以及水，能量和能量，以及能量，以及能量，以及能量，以及能量，以及能量，以及能量和能量。为了更好地代表农业地点，该模型是通过（1）在Lu等人之后实现冬小麦子例程来修饰的。（2017）在CLM5中； （2）针对甜菜，土豆和冬小麦实施植物特异性参数，从而将甜菜的两种农作物功能类型（CFT）添加到Clm5中主动管理的农作物清单中； （3）引入一个盖子编写子例程，该子例程允许在1年内在同一列上进行多种农作物类型。后一种修改允许在冬季进行裁剪的模拟，这是春季开始的现金作物种植，这是一种农业管理技术，具有悠久的历史，由于它可以减少侵蚀并改善土壤健康和碳的储存，并且在这项研究中评估。我们比较了模拟重新 -
引用：Jin，Wengong等。 “深度学习确定了治疗Covid-19的协同药物组合。”美国国家学院
迫切需要对Covid-19的有效治疗。然而，发现针对严重急性呼吸综合症2（SARS-COV-2）活性的单药疗法一直具有挑战性。组合疗法在抗病毒疗法中起着重要作用，因为它们的效率提高和毒性降低。最近的方法应用了深度学习，以确定具有广泛先前数据集的疾病的协同药物组合，但这些疾病不适用于具有有限组合数据的新疾病，例如COVID-19。鉴于药物协同作用通常是通过抑制离散的生物学靶标而发生的，我们在这里提出了一种神经网络结构，该神经网络结构共同学习药物 - 靶标相互作用和药物 - 药物协同作用。该模型由两个部分组成：药物 - 靶标相互作用模式和目标 - 疾病关联模块。此设计使该模型还可以利用药物 - 靶标相互作用数据和单药抗病毒活性数据，此外还可以使用可用的药物 - 药物组合数据集（本质上可能很小）。通过局限于其他生物学信息，我们的模型在协同预测准确性上的性能要比具有有限的药物组合训练数据的前提方法要好得多。我们通过经验验证了我们的模型预测，并发现了两种药物组合，Remdesivir和Reserpine以及Remde-Sivir和IQ-1，它们在体外表现出强大的抗病毒SARS-COV-2协同作用。我们的方法在这里应用于解决Covid-19的紧急威胁，可以很容易地扩展到其他疾病，而这些疾病的存在 - 化学 - 化学组合数据的缺乏。