XiaoMi-AI文件搜索系统
World File Search Systemac
巡航起源 - 执法互动计划
巡航起源配备了一个传感器套件，该套件由相机，雷达和雷达（Radars and LiDars）组成，在原点的外部可见。类似于螺栓，外部传感器阵列使Cruise Origin可以收集有关其环境的信息并为系统的驾驶决策提供信息。原点是一台计算机，该计算机包括系统的“大脑”。计算机及其冗余备份，旅行时乘客将看不到或无法访问。自主技术是通过迅速综合传感器套件收集的信息来通过感知（了解环境），预测和计划（评估给定环境的车辆可能的安全路径或轨迹）和控制措施（驱动器操作）来告知行为的工作。有关巡航起源系统如何工作的更多信息，并被设计为安全驱动程序，请在此处和我们的引擎盖介绍中提供的GM安全报告中提供。3,4
气候变化的机器学习
1月25日 - 气候变化的介绍和背景。关于能源效率和回归技术的讲座。分配的论文1。2月1日 - 讨论论文1。关于极端天气/灾难响应和计算机视觉/卷积神经网络的讲座。分配的论文2。分配了HW 1。2月8日 - 讨论论文2。关于全球气候变化和遥感/分割的讲座。分配的论文3。2月15日 - 讨论论文3。关于气候科学模型和无监督和生成模型的讲座。分配的论文4。HW 1应得。分配了HW 2。2月22日 - 讨论论文4。关于食品/农业和时间序列模型的讲座。分配的论文5。2月29日 - 讨论论文5。关于沟通/心理学和自然语言处理的讲座。分配的论文6。HW 2应得。分配了HW 3。3月7日 - 讨论论文6。职业日，项目信息和考试准备。3月14日 - 考试I.关于气候融资和推荐系统和遗传算法的讲座。分配的论文7。HW 3应得（星期五午夜）。分配了项目HW。春假3月28日 - 讨论论文7。关于运输和增强学习的讲座。分配的论文8。4月4日 - 讨论论文8。关于电网/可再生能源和图形神经网络的讲座。
VIT-COMER：具有卷积多尺度特征相互作用的视觉变压器，用于密集预测
尽管Vision Transformer（VIT）在计算机视觉方面取得了显着的成功，但由于缺乏内部绘制互动和特征量表的多样性有限，它在密集的预测任务中表现不佳。大多数现有的研究致力于设计视觉特定的变压器来解决上述问题，从而涉及额外的培训前成本。因此，我们提出了一种普通的，无培训的且具有特征增强的vit背骨，并具有指定性的特征性动作，称为Vit-Comer，可促进CNN和Transformer之间的双向相互作用。与现状相比，VIT-COMER具有以下优点：（1）我们将空间金字塔多触发性场卷积特征注入VIT体系结构，从而有效地减轻了VIT中局部信息相互作用和单场表述的有限问题。（2）我们提出了一个简单有效的CNN转换器双向交互模块，该模块在跨层次特征上执行多尺度融合，这对Han-dling密集的预测任务有益。（3）我们评估了在各种密集的预测任务，不同框架和多个高级预训练中VIT-COMER的能力。值得注意的是，我们的VIT-COMER-L在没有额外训练数据的情况下可可Val2017上的AP达到64.3％，而ADE20K Val上的MIOU为62.1％，这两种方法都与最先进的方法相当。我们希望VIT-COMER可以作为密集预测任务的新骨干，以促进未来的研究。该代码将在https：//github.com/traffic-x/vit-comer上发布。
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
从文本到图像综合的前景 - 背景分割的无监督共同生成
文本对图像（T2I）合成是一项艰巨的任务，该任务是对文本和图像域及其关系进行建模。最近作品实现的图像质量的实质性改进为Nuberon应用程序铺平了道路，例如语言辅助图像编辑，计算机辅助设计，基于文本的图像检索和培训数据增强。在这项工作中，我们提出了一个简单的问题：与逼真的图像一起，我们是否可以以一种不受影响的方式获得任何有用的副产品（例如前景 /背景或多类分割掩码，检测标签，检测标签），这也将使其他计算机视觉任务任务和应用受益？试图回答这个问题，我们探索了从给定文本中的逼真的图像及其相应的前景 /背景分割掩码。为了实现这一目标，我们与GAN一起实验了共进行分割的概念。具体而言，提出了一种名为“共裂”启发的GAN（COS-GAN）的新型GAN结构，该结构同时从不同的噪声矢量中同时生成两个或多个图像，并利用图像特征之间的空间关注机制来生成逼真的分段掩码，以生成生成的Im-Im-Im-Im-Im-Im-Im-Im-Im-Im-Im-Agens。这种架构的优点是两倍：1）生成的分割掩码可用于专注于前景和背景，以改善生成的图像的质量，2）分段蒙版可以用作其他任务的训练目标，例如访问本地化和分割。在CUB，Oxford-102和可可数据集上进行的广泛实验表明，Cos-Gan能够改善视觉质量，并为发电图像提供可靠的前景 /背景掩码。
细菌假设蛋白可能具有功能性
基因组分析是许多微生物学研究人员日常工作的一部分。这些分析经常揭示以不确定功能编码蛋白质的基因，对于许多细菌物种，这些未知基因构成了其基因组编码序列的显着比例。由于这些基因没有定义的功能，因此在分析中通常会忽略它们。实验确定基因的功能可能具有挑战性；但是，生物信息学工具的持续进步，尤其是在蛋白质结构分析中，使得逐渐更容易地将功能分配给假设序列。利用各种互补工具和自动化管道来注释假设序列，最终可以增强我们对微生物功能的理解，并为新的实验室实验提供方向。
