XiaoMi-AI文件搜索系统
World File Search Systembinary
heblid：增强有效的二进制本地图像描述符
在许多计算机视觉应用程序中，本地图像特征的抽象有效匹配是一项基本任务。然而，由于其硬件和有限的能源供应的简单性，因此在计算有限的电视（例如手机或无人机）中，在计算有限的DECES（例如移动电话或无人机）中，实时性能受到损害。在本文中，我们介绍了一个有效的学习二进制图像描述符。它改善了我们以前的价值描述符，Belid，使其更有效地进行匹配和更准确。为此，我们将使用Adaboost进行了改进的弱体培训计划，从而产生更好的本地描述。此外，我们通过迫使所有弱学习者在强大的学习者组合中具有相同的权重，并在不平衡的数据集中训练它，以解决在匹配和检索任务中产生的不对称性。在我们的实验中，与Orb相比，在本文中，其精确度接近SIFT，计算效率更好，Orb是文献中最快的算法。
基于余弦相似度的量子二元分类器 - IRIS
控制门 RY (0 . 49 π ) 所需的辅助量子位，q 5 是用于对数据进行幅度编码的 1 量子位寄存器，q 6 是编码标签的量子位。在 IBM 量子处理器 ibmq 16 melbourne 上运行该算法可提供 1024 次采样来对量子位 q 0 进行采样。获得的 P (1) 估计为 ˆ P = 490 / 1024 ≃ 0 . 48，则分配给 x = (0 . 884 , 0 . 468) 的标签为 y = − 1，正如预期的那样。尽管在此测试中分类正确，但与模拟器 ibm qasm simulator 的结果进行比较表明，所考虑的量子机过于嘈杂，无法通过算法 1 进行良好的分类。模拟器的输出统计数据提供 ˆ P = 273 / 1024 ≃ 0 . 27 。此结果与未分类数据向量 x 接近训练向量之间的中间点的事实一致。使用相同的训练点和新的未标记实例 x = (0 . 951 , 0 . 309)（其正确分类为 y = 1）重复实验，量子机失败。事实上 ibmq 16 melbourne 返回相对频率 ˆ P = 338 / 1024 ≃ 0 . 38 ，因此它将 x 归类为 y = − 1 。在同一个测试中，模拟器 ibm qasm simulator 返回 ˆ P = 244 / 1024 ≃ 0 . 24 正确分类。观察到的分类准确性不足取决于所考虑的量子处理器的低量子体积 1（QV = 8）。未来工作的内容可能是在更大、更可靠的硬件上进行测试（例如，具有 27 个量子比特和 QV=128 的 IBM 量子机器 ibmq montreal）。所提出的量子分类器的指数加速归因于在对数时间内有效准备量子态以及在恒定时间内执行分类本身（这取决于所需的准确性）。事实上，选择 QRAM 是出于对总体时间复杂度的明确估计，但允许使用其他有效的初始化来运行此量子分类器。
二元响应隶属度分析的可识别等级谱方法
隶属等级 (GoM) 模型是用于多变量分类数据的流行个体级混合模型。GoM 允许每个主体在多个极端潜在概况中拥有混合成员身份。因此，与限制每个主体属于单个概况的潜在类别模型相比，GoM 模型具有更丰富的建模能力。GoM 的灵活性是以更具挑战性的可识别性和估计问题为代价的。在这项工作中，我们提出了一种基于奇异值分解 (SVD) 的谱方法来进行具有多元二元响应的 GoM 分析。我们的方法取决于以下观察：在 GoM 模型下，数据矩阵的期望具有低秩分解。对于可识别性，我们为期望可识别性概念开发了充分和几乎必要的条件。对于估计，我们仅提取观测数据矩阵的几个前导奇异向量，并利用这些向量的单纯形几何来估计混合成员分数和其他参数。我们还在双渐近状态下建立了估计量的一致性，其中受试者数量和项目数量都增长到无穷大。我们的谱方法比贝叶斯或基于可能性的方法具有巨大的计算优势，并且可以扩展到大规模和高维数据。广泛的模拟研究表明我们的方法具有卓越的效率和准确性。我们还通过将我们的方法应用于人格测试数据集来说明我们的方法。
现在安全！#926 - 06-06-23 - Windows 平台二进制表
本周我们回来回答我们首先提出的一系列热门问题，包括：惠普有什么新闻？微软为 Windows 11 做了什么，承诺会破坏各种网络连接？OWASP 的新十大担忧是什么？苹果是否帮助 NSA 攻击克里姆林宫？这次事件带来了什么至关重要的启示？谷歌创造了什么新的黑客竞赛？哪些误导性的新美国立法有望在实施之前夭折？TOR 正在采取什么措施来保护自己免受 DoS 攻击？教育机构在网络安全方面投入了多少？乌克兰的民用摄像机会出现什么问题？我们是否正在见证网络雇佣兵的崛起？什么是“Windows 平台二进制表”，我们为什么要关心它，以及如何关闭它？
现在安全！#926 - 06-06-23 - Windows 平台二进制表
本周我们回来回答我们首先提出的一系列热门问题，包括：惠普有什么新闻？微软为 Windows 11 做了什么，承诺会破坏各种网络连接？OWASP 的新十大担忧是什么？苹果是否帮助 NSA 攻击克里姆林宫？这次事件带来了什么至关重要的启示？谷歌创造了什么新的黑客竞赛？哪些误导性的新美国立法有望在实施之前夭折？TOR 正在采取什么措施来保护自己免受 DoS 攻击？教育机构在网络安全方面投入了多少？乌克兰的民用摄像机会出现什么问题？我们是否正在见证网络雇佣兵的崛起？什么是“Windows 平台二进制表”，我们为什么要关心它，以及如何关闭它？
用于二元模式分类的量子神经网络的负对称性
尽管量子神经网络 (QNN) 近期在解决简单的机器学习任务方面表现出良好的效果，但 QNN 在二元模式分类中的行为仍未得到充分探索。在这项工作中，我们发现 QNN 在二元模式分类中有一个致命弱点。为了说明这一点，我们通过展示和分析嵌入在具有完全纠缠的 QNN 系列中的一种新对称形式（我们称之为负对称），从理论上洞察了 QNN 的属性。由于负对称性，QNN 无法区分量子二进制信号及其负对应信号。我们使用 Google 的量子计算框架，通过实证评估了 QNN 在二元模式分类任务中的负对称性。理论和实验结果均表明，负对称性是 QNN 的基本属性，而经典模型并不具备这种属性。我们的研究结果还表明，负对称性在实际量子应用中是一把双刃剑。
类似CMOL的Memristor-CMOS神经形态芯片核心，展示了随机二进制STDP
摘要 - 纳米级候选人的出现提出了能够构建CMOL（CMOS/纳米线/分子）类型的超密集内存内计算电路架构的希望。在CMOL中，将在纳米线的交点上制造纳米级备忘录。CMOL概念可以通过在CMO上制造较低密度的神经元并与纳米线和纳米级 - 墨西哥纤维织物放置在顶部的纳米线和纳米级 - 梅斯托织物，从而在神经形态硬件中利用CMOL概念。但是，技术问题阻碍了目前可靠的可靠商业单片CMOS-MEMRISTOR技术的这种开发。一方面，每个备忘录都需要串联的MOS选择器晶体管，以确保大型阵列的形式和编程操作。这会导致复合Mos-Memristor突触（称为1T1R），这些突触不再是纳米线穿越时的突触。另一方面，回忆录尚未构成高度可靠，稳定的模拟记忆，用于逐步学习的大规模模拟重量突触。在这里，我们演示了一种伪 - 旋转整体芯片核心，该芯片绕过上面提到的两个技术问题：（a）利用一种类似CMOL的几何芯片布局技术来提高1T1R的限制，以及（b）利用二进制重量跨度的依赖性依赖性（s sTD），该规则（b）更大的二进制重量跨度的依赖性（b）使用的备忘录。实验结果是针对具有64个输入神经元，64个输出神经元和4096 1T1R突触的尖峰神经网络（SNN）CMOL核心提供的，该突触在顶部为200nm大小的TI/HFOX/TIN MEMRISTOR的130nm CMO制造。cmol-core使用查询驱动的事件读取，这允许内存可变性不敏感的计算。实验系统级别的演示是针对普通模板匹配任务的，以及正则化的随机二进制STDP特征提取学习，可在硬件中获得完美的识别，以进行4个字母的识别实验。
高粱高粱醇溶蛋白基因定点诱变的双元载体构建
高粱 (Sorghum bicolor (L.) Moench) 是世界主要的农业生产谷物作物之一，在干旱地区具有特殊重要性。然而，与其他谷物不同，高粱的营养价值较低，这是由于其种子储存蛋白 (kafirins) 对蛋白酶消化具有抗性等原因造成的。提高高粱营养价值的有效方法之一是获得部分或完全抑制 kafirins 合成或改变 kafirins 氨基酸组成的突变体。利用基因组编辑可以通过在 α- 和 γ-kafirin 基因的核苷酸序列中引入突变来解决此问题。在本研究中，选择了基因组靶基序 (23 bp 序列) 以将突变引入高粱的 α- 和 γ-KAFIRIN 基因。使用在线工具 CRISPROR 和 CHOPCHOP 进行 gRNA 的设计。为 α-KAFIRIN (k1C5) 和 γ-KAFIRIN (gKAF1) 基因选择了两个最合适的靶标。在 BsaI (Eco31I) 位点将相应序列插入通用载体 pSH121。通过 DNA 测序验证克隆过程。使用 SfiI 限制位点将所得构建体亚克隆到兼容的二元载体 B479p7oUZm-LH 中。通过使用 MluI 和 SfiI 切割位点的限制分析确认二元载体的正确组装。通过电穿孔将创建的四个载体 (1C - 4C) 转移到农杆菌菌株 AGL0 中。目前，该载体系列用于使用未成熟胚外植体对高粱进行稳定转化。
使用 MRI 图像对脑肿瘤进行二分类和多分类
医学图像处理利用各种类型的扫描，例如 CT（计算机断层扫描）、超声波、PET（正电子发射断层扫描）、MRI（磁共振成像）、光谱等。其中，MRI 最广泛用于诊断，因为它既灵敏又强大，而且是非侵入性的（Badža 等人，2020 年；Khan 等人，2020 年）。MRI 扫描提供详细信息，因为它们使用有效的无线电波和磁场来创建内部器官的图片，从而有效地检测器官的囊肿、肿瘤、肿胀或出血。对这些扫描的分析和分类可以识别任何不规则生长。及早发现异常组织生长是医学图像处理的主要问题之一。准确估计异常组织生长有助于更好的预后和术后
Janus：NASA 向近地双小行星发射 SmallSat 任务
Janus 是一次由两艘航天器组成的 SmallSat 任务，旨在飞越两对不同的双星近地小行星，即 (175706) 1996 FG3 和 (35107) 1991 VH。两艘相同的 Janus 航天器计划于 2022 年 8 月 1 日开始的发射期间作为 NASA Psyche 任务的辅助有效载荷，由 SpaceX Falcon Heavy 运载火箭发射。Janus 由科罗拉多大学博尔德分校的首席研究员 Dan Scheeres 博士领导，由洛克希德马丁公司管理、建造和运营。这些行星 SmallSat 与大型任务有许多相似的深空挑战：Janus 必须执行深空机动以实现每秒数百米的 ΔV 才能到达目的地，关闭高达 2.4 AU 范围内的电信链路，在太阳合相期间自主管理长达数月的电信中断，在 1.62 AU 的最大太阳范围内运行，并在行星际空间中存活大约四年，然后才会遇到目标小行星。在相遇期间，航天器将返回小行星的高分辨率可见光和红外图像。在将 Janus 送上发射台的过程中，实施团队成功管理了积极的任务时间表，尽管受到 COVID-19 相关供应链影响和工作环境的影响，同时仍保持了 SIMPLEx-2 成本上限的目标。Janus 是可实现且负担得起的 SmallSat 科学任务的探路者，并展示了经验丰富的深空任务工程团队、SmallSat 商业组件行业和具有前瞻性的 NASA D 类科学任务模型之间的宝贵伙伴关系。