XiaoMi-AI文件搜索系统
World File Search SystemVL
通过生存和病毒载量数据揭示虹鳟对传染性胰腺坏死病毒的抗性遗传学
传染性胰腺坏死病毒 (IPNV) 是虹鳟养殖业动物福利和经济的主要威胁之一。先前的研究已表明，对 IPNV 的抗性存在显著的遗传变异。这项研究的主要目的是调查虹鳟鱼苗对 IPNV 的抗性遗传结构。为了实现这一目标，610 条虹鳟鱼苗（来自 5 个公鱼和 5 个母鱼的全因子交配）接受了来自商业养殖场养殖的大西洋鲑鱼的 IPNV 分离株 (IPNV-AS) 的浴池攻击。使用三种不同的表型评估对 IPNV 的抗性；在 40 天的攻击测试期间记录在鱼上的二元存活率 (BS)、总存活天数 (TDS) 和病毒载量 (VL)。所有鱼都使用 57K Affymetrix SNP 阵列进行基因分型。IPNV-AS 分离株导致总死亡率为 62.1%。生存性状（BS h 2 = 0.21 ± 0.06，TDS h 2 = 0.25 ± 0.07）和 VL 性状（h 2 = 0.23 ± 0.08）的遗传力估计值为中等，表明在虹鳟鱼选择性育种计划中可能选择提高对 IPNV 的抗性。两个生存性状（BS 和 TDS）之间的统一估计遗传相关性表明这两个性状可被视为同一性状。相反，在 VL 和两个生存性状之间发现中等正向负遗传相关性（- 0.61 ± 0.22 至 - 0.70 ± 0.19）。许多 QTL 跨越染色体范围的 Bonferroni 校正阈值的性状的 GWAS 表明所研究性状的多基因性质。发现 10 个可能识别的基因中，大多数与免疫或病毒致病机制有关，这可能是导致 IPNV-AS 存活率显著遗传变异的原因。QTL 验证分析表明，检测到的 QTL 的三种基因型在死亡率和 VL 方面没有显著差异。VL 性状在死鱼苗中表现出较大的变异，并且与两种存活表型具有一致的模式，但死鱼苗和活鱼苗中 IPNV VL 阳性样本的比例没有显著差异
采用生物基 Δ 进行 3D 打印的化学循环性...
数字光处理 (DLP) 是一种基于大桶光聚合的 3D 打印技术，可制造通常由化学交联聚合物制成的部件。快速增长的 DLP 市场对聚合物原材料的需求不断增加，同时人们对环境的关注也日益增加。因此，使用闭环可回收墨水进行循环 DLP 打印对于可持续发展至关重要。低温烷基取代的 𝜹 -戊内酯 (VL) 是一种工业上可获得的生物可再生原料，用于开发可回收聚合物。在这项工作中，通过 VL 的开环酯交换聚合合成的丙烯酸酯官能化聚（𝜹 -戊内酯）（PVLA）被用作平台光前体，以提高 DLP 打印中的化学循环性。一小部分光固化反应性稀释剂 (RD) 将不可打印的 PVLA 转变为 DLP 可打印墨水。各种光固化单体可用作 RD，以调节印刷结构的特性，用于牺牲模具、软致动器、传感器等应用。无论印刷聚合物是热塑性还是热固性，PVLA 的固有可解聚性都得到很好的保留。通过印刷结构的直接本体热解，原始质量 VL 单体的回收率为 93%。这项工作提出了可解聚光前体的利用，并强调了生物可再生 VL 作为循环 DLP 打印的多功能材料平台的可行性。
促进学生 - 教室中的自我调节
䚉） 7kh duhd zlwk wkh juhdwhvw vl] frqwuro dqg vhoi frqwuro，w dovr sod \ v uroh lq ehlqj deoh wr sulrulwl] $'+'phglfdwlrqglgq¶wfdxvh wkh gliihuhkfhv。 gliihuhuhqfhv dv wkrvh zkr kdg qhyhu xvhg phglfdwlrq䚉7KHVH VL] shrsoh zlwk dqg zlwkrxw $' +' +rzhyhu wkdw grhv qrw qrw phdq wkdw wkh wkh v \ pswrpv jr dzd \ div>
朝着更好的视力启发的视觉语言模型
视觉语言（VL）模型最近取得了未经证实的成功，其中连接模块是弥合模式差距的关键。尽管如此，在大多数存在方法中，富裕的视觉线索尚未充分利用。在视觉侧，大多数现有方法仅使用视觉塔的最后一个功能，而无需使用低级功能。在语言方面，大多数现有的方法仅引入浅视力互动。在本文中，我们提出了一个视觉启发的视觉语言连接模块，称为VIVL，该模块有效利用了VL模型的视觉提示。为了利用视觉塔中的较低级别信息，引入了特征金字塔提取器（FPE），以结合不同中间层的特征，该特征将视觉提示与可忽略不计的参数和计算在头顶上。为了实现VL相互作用，我们提出了深视觉条件的提示（DVCP），可以有效地进行视觉和语言特征的深层互动。我们的VIVL超过了以前的最新方法，当时是18.1苹果酒在从头开始训练可可字幕任务，这极大地提高了数据效率。当用作插件模块时，VIVL始终提高各种骨干和VL框架的性能，在多个基准测试中提供新的最新结果，例如Nocaps和VQAV2。
评估COVID-19疫苗素养：初步在线调查
摘要covid-19的Infodepoot可以通过科学证据，清晰，一致的沟通以及需要信息的人以及提供信息的人的健康素养来反击。进行了一项快速的在线调查，以评估一般人群中的疫苗素养（VL）技能以及对COVID-19疫苗候选疫苗的看法，以及对当前疫苗国家的行为和信念。观察到的VL水平与以前的观察结果一致（在面对面和纸笔中给予可比较的自我报告的工具 - 平均功能分数为= 2.92，而交互式关键评分为= 3.27，最多为4。对未来共同疫苗的看法以及对疫苗接种的信念，主要是积极的，并且与功能和互动临界VL量表有显着相关性。尽管存在局限性，但研究证实，通过网络调查是一种合适的方法，可以在传染病暴发期间评估和跟踪态度，并评估有关疫苗接种的健康素养技能，这对于适应医疗交流策略是有用的，以更好地了解免疫的价值。
fTSPL：通过 fMRI 文本协同提示学习增强大脑分析
摘要：利用功能性磁共振成像（fMRI）构建功能连接是基于深度学习的脑分析的一个成熟范例。近年来，得益于大规模多模态预训练数据带来的显著有效性和泛化能力，视觉-语言（VL）模型在众多医疗任务中取得了优异的表现。然而，将预训练的 VL 模型应用于脑分析面临着两个重大挑战：（1）缺乏配对的 fMRI-文本数据；（2）从多模态数据构建功能连接。为了应对这些挑战，我们提出了一种 fMRI-文本协同提示学习（fTSPL）流程，该流程首次利用预训练的 VL 模型来增强脑分析。在 fTSPL 中，我们首先提出一种激活驱动的脑区文本生成 (ABTG) 方案，该方案可以自动生成描述每个 fMRI 的实例级文本，然后利用 VL 模型学习多模态 fMRI 和文本表示。我们还通过建立 fMRI 文本表示和脑区嵌入之间的相关性，提出了一种提示增强的多模态功能连接构建 (PMFCC) 方案。该方案作为即插即用的初步方案，可以连接到各种图神经网络 (GNN) 进行大脑分析。在 ABIDE 和 HCP 数据集上的实验表明，我们的流程在脑分类和预测任务上的表现优于最先进的方法。代码可在 https://github.com/CUHK-AIM-Group/fTSPL 获得。
BAA 呼叫 N00014-23-S-C001 - 海军研究办公室
2B，Ch。5.整体科技工作将在技术就绪水平 (TRL) 1 – 5 阶段进行。主题 1 标题：受人类启发的智能体视觉-语言交互计算模型背景：人类智能的一个独特特征是复杂的语言及其与视觉（和其他感官）的交互。这些交互实现了有效和高效的沟通和协作，并扩大了智能体仅凭视觉或语言就能学习的概念和任务的范围和复杂性。近年来，计算机视觉和自然语言处理都取得了重大进展，但主要沿着不同的路径，特别是在视觉对象识别和大型语言模型（例如BERT、GPT-3）以及图像/视频字幕、从文本生成图像（例如DALL-E、Imagen）和视觉语言模型（例如Flamingo）方面；然而，这些进步并没有导致学习复杂的概念和任务，以及代理执行任务或回答复杂查询所需的深度语义推理。为了将代理的智能提升到更高的水平，ONR 需要研究人类视觉语言 (VL) 交互的复杂性，并为代理开发用于 VL 交互的原则性计算模型。此外，某些基本问题可以通过 VL 交互最有效地解决。示例包括将 AI 代理扎根于我们的物理世界；使用 VL 对话理解情景场景；因为语言充满了模糊的空间和时间参考，视觉可以有效地解决这些问题。另一个基本问题是少样本学习，一个经常被引用的例子是代理学习“椅子”，其中一些椅子图像加上椅子的简短描述比向代理展示数千张椅子图像或描述椅子的方法更有效。
UTS 应用科学学士（言语病理学）- OPUS
VXSSOLHG LQ FRIIHH ODXJKWHU ELVFXLWV DQG ORYH 2YHU WKH ODVW VL[ \HDUV \RX KDYH DOO OLYHG
'What''和'在人脑中的位置
在[3]中）。相比之下，后顶叶病变不会影响视觉歧视性能；而是导致视觉空间性能严重缺陷（有关审查，请参见131）。生理证据也支持这种区别，因为沿沿着颞皮质途径的区域（或Ar-asc的模块）的神经元（区域VL，VL，V2，V4和TEO和TEO下方区域TEO和TE）与观察识别相关（即“什么”），例如颜色和形状，而沿枕皮层皮质途径（或区域模块）的神经元（区域VL，V2，V2，V3，中间时间区域（MT），内侧上级颞上区域（MST），MST中间区域（MST），以及在较高的颞下和spat sulcal spatial spatial spatial spatial spatial/spatial spatial spatial ime spatial ime spatiant i.'where'），例如运动和速度的方向，以及跟踪眼动运动（有关评论，请参见[1,81）。最近的Connection- IST模型表明，将这些“什么”和“ Where”功能隔离为单独的解剖途径可能存在计算优势[9,101。
