XiaoMi-AI文件搜索系统
World File Search Systemconstruction
Repsol 在美国完成了 Frye Solar 的建设，其最大的太阳能发电厂 - 位于德克萨斯州克雷斯的 Frye Solar 是世界上最大的
Repsol 是一家全球性多能源公司，致力于到 2050 年实现净零排放。该公司业务遍及整个能源价值链，拥有 25,000 名员工，产品销往 90 多个国家，服务客户达 2400 万。Repsol 是西班牙能源零售市场的主要参与者，客户超过 200 万，全球可再生能源组合已超过 2,800 兆瓦，在西班牙、美国、智利、意大利和葡萄牙拥有 60 吉瓦的风能和光伏设施项目。
知道您的邻居：通过空间视觉语言推理改善单视的重建
从单个视图中恢复3D场景几何形状是计算机视觉中的基本问题。虽然经典的深度估计方法仅推断出2.5D场景表示为图像平面，但最新的基于辐射范围的aperach是重建完整的3D代表。然而，这些方法仍然在被占地的区域困难，因为没有视觉观察的几何形状需要（i）周围的语义知识，以及（ii）关于空间上下文的推理。我们提出了Kyn，这是一种单视场景重建的新方法，其原因是语义和空间上下文来预测每个点的密度。我们引入了一个视觉模块模块，以使用细粒度的语义信息丰富点特征。我们通过语言引导的空间注意机制在整个场景中汇总了点表示，以产生意识到3D语义环境的每点密度预测。我们表明，与预测每个3D点的密度相比，Kyn改善了3D形状的恢复。我们在Kitti-360上实现了最新的场景和对象重建结果，并且与先前的工作相比，零弹性概括的改进。项目页面：https：//ruili3.github.io/kyn。
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。
引用：Hall, L. & Clapton, W. (2021)。机器编程：性别、种族、性取向、人工智能以及边界可信度和欺骗的构建。《互联网政策评论》，10 (4)。https://doi.org/10.14763/2021.4.1601
摘要：人们越来越认识到人工智能 (AI) 的政治、社会、经济和战略影响的重要性。这引发了有关人工智能编程、使用和监管的重要伦理问题。本文认为，人工智能的编程和应用本质上都是 (顺) 性别化、性化和种族化的。毕竟，人工智能是由人类编程的，因此，谁来训练人工智能、教它学习以及这样做的伦理问题对于避免 (顺) 性别化和种族主义刻板印象的重现至关重要。本文的实证重点是欧盟资助的 iBorderCtrl 项目，该项目旨在通过实施多种基于人工智能的技术（包括面部识别和欺骗检测）来管理安全风险并提高第三国国民的过境速度。本文汇集了 1) 风险与安全 2) 人工智能与道德/移民/庇护以及 3) 种族、性别、（不）安全与人工智能等领域的文献，探讨了谎言检测对常规过境和难民保护的影响，概念重点关注性别、性取向和种族的交叉点。我们在此认为，iBorderCtrl 等人工智能边境技术存在重大风险，不仅会进一步边缘化和歧视 LGBT 人士、有色人种和寻求庇护者，还会强化现有的非入境做法和政策。
创造建筑工程物流服务价值
摘要 由于物流参与方众多、运输需求频繁、对社区影响重大且变化性高，因此在建筑行业中发挥着至关重要的作用。然而，参与方对物流的重要性以及物流如何创造价值的认识不足。本文旨在加深对建筑业物流服务价值共同创造过程的理解。在方法上，本研究采用涉及第三方物流 (TPL) 提供商、主承包商和分包商的访谈。服务蓝图用于可视化建筑物流设置 (CLS) 中的物流服务。研究发现，在像建筑这样的松散耦合系统中，价值共同创造是由信任和承诺驱动的，从而留出了必要的学习时间。服务蓝图有助于可视化服务设计与不同服务模块价值之间的联系。然而，风险包括供应链下游参与者参与延迟以及服务模块之间可能缺乏协调，尤其是在有多个 TPL 提供商的情况下。物流服务文献的一个贡献是模块化使设计服务内容变得更容易；但参与方的数量可能会增加，因此模块化简化了服务内容，但并未简化服务价值创造或价值共创过程。
表演者：一种新型的PPG至ECG重建变压器，用于心血管疾病检测的数字生物标志物
心电图（ECG）是一种捕获心脏活动的电测量，是诊断心血管疾病（CVD）的金标准。但是，由于ECG需要使用用户参与，因此不可避免地进行心脏监测。相比之下，光电学（PPG）提供了易于收集的数据，但其精度有限限制了其临床用法。为了确定这两个信号的优势，最近的研究不适合将PPG信号重新构成到ECG的各种深度学习技术；但是，缺乏文本信息以及降低噪声生物医学信号的能力最终会限制模型的影响。在这项研究中，我们提出了一种基于变压器的新型体系结构，可从PPG重建ECG，并将PPG和重建的ECG与CVD检测的多种方式相结合。此方法是第一次在生物医学波形重构上进行了变压器序列到序列转换，并结合了PPG和ECG的优势。我们还创建了基于斑块的注意（SPA），这是一种效率方法，用于编码/解码生物医学波形。通过获取各种序列长度并捕获交叉点连接，SPA最大程度地提高了本地特征和全局上下文反复的信号操作。所提出的体系结构在BIDMC数据库上生成了0.29 RMSE的状态性能，以重新构建PPG到ECG，超过了先前的研究。我们还在模拟III数据集上评估了该模型，在CVD检测中达到了95.9％的精度，并在PPG-BP数据集中评估了该模型，在相关的CVD糖尿病检测中达到了75.9％的精度，表明其一般能力。作为一种概念证明，一种名为Pearl（原型）的耳环可穿戴式可穿戴，旨在扩大护理点（POC）医疗保健系统。
PointNeuron：通过点云的几何和拓扑学习进行 3D 神经元重建
从 3D 显微镜图像重建数字神经元是研究大脑连接组学和神经元形态的重要技术。现有的重建框架使用基于卷积的分割网络在应用追踪算法之前将神经元从噪声背景中分割出来。追踪结果对原始图像质量和分割精度很敏感。在本文中，我们提出了一种新的 3D 神经元重建框架。我们的关键思想是利用点云的几何表示能力来更好地探索神经元的内在结构信息。我们提出的框架采用一个图卷积网络来预测神经骨架点，采用另一个图卷积网络来产生这些点的连通性。我们最终通过解释预测的点坐标、半径和连接来生成目标 SWC 文件。在 BigNeuron 项目的 Janelia-Fly 数据集上进行评估，我们表明我们的框架实现了具有竞争力的神经元重建性能。我们对点云的几何和拓扑学习可以进一步有益于 3D 医学图像分析，例如心脏表面重建。我们的代码可在 https://github.com/RunkaiZhao/PointNeuron 上找到。
Y. Celik，A。Stankovskiy，G。van den eynde -28/05/2024 Aleph2耗竭代码的高级特征应用于核设施的放射性保护
下一代加速器概念取决于光束分布的精确形状，要求同样精确的诊断方法，能够在6维相位空间内重建光束分布。然而，使用常规诊断技术在6维束分布中的复杂特征的表征需要数百次测量，使用许多小时的宝石时间。需要新颖的诊断技术，以大大减少重建详细的高维束特征所需的测量数量，作为精确光束塑造的反馈。在这项研究中，我们提出了一种使用6维光束分布和可区分束动力学模拟的生成机器学习模型来分析实验测量的方法。我们在模拟和实验中证明了使用分析技术，常规的光束操作和诊断可用于重建详细的6维相位空间分布，使用少于20个梁测量值，而没有事先培训或数据收集。这些开发实现了详细的高维相空间信息，作为在线反馈，以精确控制高级加速器应用中的光束分布，可用于提高我们对复杂加速器光束动力学的理解。