XiaoMi-AI文件搜索系统
World File Search Systemdeep
自动检测，识别和计数深...
太平洋中的深海纹状会具有强大的商业，文化和娱乐价值，尤其是鲷鱼（Lutjanidae），这些价值（Lutjanidae）构成了大部分捕捞量。然而，由于数据的稀缺，管理这些遗迹是具有挑战性的。立体声诱饵的远程水下视频站（BRUV）可以提供有关鱼类股票的有价值的定量信息，但是手动处理大量视频是耗时的，有时甚至是不现实的。为了解决这个问题，我们使用了基于区域的卷积神经网络（更快的R-CNN），这是一种深度学习体系结构来自动检测，识别和计算BRUV中的深水鲷鱼。视频是在新喀里多尼亚（南皮林）收集的，深度为47至552 m。使用在6,364张图像中观察到的11个深水鲷鱼物种中的12,100个注释的数据集，我们为具有舒适注释的6种物种获得了良好的模型性能（F-Measures> 0.7，最高0.87）。视频中最大丰度的自动和手动估计之间的相关性很高（0.72 - 0.9），但较快的R-CNN显示出低估的偏见。一种半自动协议，我们的模型在处理BRUV镜头时支持手动观察者，改善了性能，与手动计数的相关性为0.96，对于某些关键物种，则具有0.96的相关性和完美的匹配（r = 1）。此模型已经可以帮助手动观察者半自动地处理BRUVS录像，并且当更多培训数据可用以降低假否定率时，肯定会改善。这项研究进一步表明，在海洋科学中使用人工智能是进步的，但对未来有必要。
从3D行人网络到车轮网络：使用智能手机点云的对比度深学习
本文提出了一种基于深度学习的可容纳性评估方法，构成了街头规模的智能手机点云和城市规模的3D行人网络（3DPN）。3DPN已被研究和映射以进行轮廓和智能城市应用。然而，由于省略的行人路径，未发现的楼梯和过度简化的高架人行道，文献中3DPN的城市水平尺度对于评估轮椅的可及性（即车轮）不完整；如果映射量表处于为轮椅使用者设计的微观级别，则可以更好地表示这些功能。在本文中，我们使用智能手机点云加强了城市规模的3DPN，这是一种有希望的数据源，用于补充细微的细节和由于厘米级别的准确性，鲜艳的色彩，高密度和人群源性质而导致的细颗粒细节和温度变化。三步方法重建行人路径，楼梯和坡度细节，并丰富城市规模的3DPN进行轮廓评估。PEDESTRIAN路径的实验结果表现出准确的3DPN中心线位置（miou = 88。81％），楼梯检测（miou = 86。39％）和轮子性评估（MAE = 0。09）。本文贡献了一种适合，准确和人群采购的轮子评估方法，该方法将无处不在的智能手机和3DPN架起高密度和丘陵的城市区域的3DPN。
对物种识别的深度学习与捕食者 - 捕集的推断之间的权衡
深度学习用于在几个科学领域的重要应用中使用的计算机视觉问题。在生态学中，对深度学习的兴趣日益增加，以对大量图像（例如动物物种鉴定）进行重复分析。 但是，生态学家的社会性涉及深入学习的广泛采用有挑战性的问题。 首先，有一个编程障碍，因为大多数算法都是用python编写的，而大多数生态学家则精通R。 第二，深度学习在生态学中的最新应用集中在计算方面和简单任务上，而无需解决潜在的生态问题或进行统计数据分析以回答这些问题。 在这里，我们展示了可重复的R工作流程，该工作流程使用Predator-Prey关系作为案例研究整合了深度学习和统计模型。 我们说明了在用相机陷阱收集的图像上识别动物物种的深度学习，并使用多物种占用模型来量化空间同时存在。 尽管平均模型分类性能，但无论我们分析了地面真相数据集还是分类数据集，生态推断都是相似的。 此结果要求在分配的时间和资源之间进行进一步的工作，分配给具有深度学习的模型以及我们通过生物多样性监测正确解决关键生态问题的能力。 我们希望我们可重复的工作流对生态学家和应用统计学家有用。在生态学中，对深度学习的兴趣日益增加，以对大量图像（例如动物物种鉴定）进行重复分析。但是，生态学家的社会性涉及深入学习的广泛采用有挑战性的问题。首先，有一个编程障碍，因为大多数算法都是用python编写的，而大多数生态学家则精通R。第二，深度学习在生态学中的最新应用集中在计算方面和简单任务上，而无需解决潜在的生态问题或进行统计数据分析以回答这些问题。在这里，我们展示了可重复的R工作流程，该工作流程使用Predator-Prey关系作为案例研究整合了深度学习和统计模型。我们说明了在用相机陷阱收集的图像上识别动物物种的深度学习，并使用多物种占用模型来量化空间同时存在。尽管平均模型分类性能，但无论我们分析了地面真相数据集还是分类数据集，生态推断都是相似的。此结果要求在分配的时间和资源之间进行进一步的工作，分配给具有深度学习的模型以及我们通过生物多样性监测正确解决关键生态问题的能力。我们希望我们可重复的工作流对生态学家和应用统计学家有用。
使用合成调节基因组学对深度学习模型的迭代改进
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本版本的版权持有人，该版本发布于2025年2月6日。 https://doi.org/10.1101/2025.02.04.636130 doi：Biorxiv Preprint
deepr.pdf-深r编程
1简介3 1.1你好，世界！。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 1.2设置开发环境。。。。。。。。。。。。。。4 1.2.1安装r。。。。。。。。。。。。。。。。。。。。。。。。。4 1.2.2交互式模式。。。。。。。。。。。。。。。。。。。。。。4 1.2.3批处理模式：使用R脚本（**）。。。。。。。。。。。5 1.2.4编织：自动报告生成（**）。。。。。。。。。5 1.2.5半相互作用模式（jupyter笔记本，将代码发送到关联的R控制台等）。。。。。。。。。。。。。。。。6 1.3原子量瞥见。。。。。。。。。。。。。。。。。。。。。8 1.4获得帮助。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 1.5练习。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10
SEEDS Capital 任命 20 名新合伙人，为新加坡深度科技初创企业带来至少 3 亿新元的投资
22Health Ventures 22Health Ventures 是一家总部位于新加坡的早期风险投资公司，旗下有一支为创新型健康科技企业家提供资金的风险基金，以及一个支持新加坡健康科技创新生态系统的增值服务平台，以帮助初创企业提高全球竞争力。 Antares Ventures Antares Ventures 是一家总部位于新加坡的基金，投资于 A 轮左右的深度科技初创企业。我们专注于能源转型和脱碳、农业和食品、城市和交通以及健康领域，使初创企业能够扩大规模并在亚洲增长市场产生影响。 East Ventures East Ventures 是东南亚一家开创性的、领先的跨行业风险投资公司。East Ventures 成立于 2009 年，现已转变为一个提供多阶段投资的整体平台，为东南亚 300 多家科技公司提供从种子期到成长期的投资。
用平滑的贝尔曼方程式在最终奖励下初始化深Q学习
本文考虑了仅在达到某些最终状态（或此类实例的组成）时才能获得积极奖励的RL实例，例如迷宫探索出口时有大量积极的奖励。尽管这种设置显然受到限制，但本文指出，培训与一项政策相关的深层网络，然后仅通过平滑贝尔曼方程并添加对初始状态的积极限制，可以通过随机性或好奇心来完成，而在此设置中，即在0-loss假设下，就可以在0板的假设中表现出积极的阳性Q值，以至于是在0板的假设中（以下一个效果），因此它是在0-loss假设中的出现（以下是一个效果），因此它是在0板的假设中（以下是一个效果），因此一定是一个效果，因此，这是一个效果，因此，这是一个效果，以至于一定要么在0层状态下（以下情况下），因此，一定是一个效果。被锁定。从这种初始化中，可以使用包含通往良好出口的路径的重播缓冲区来完善经典的深Q学习。未来的作品应考虑此框架的实际实验。
经基因证实，这是两种截然不同的古老蛇类——阿斯特里克斯 (Natrix astreptophora) 和毛拉蛇 (N. maura) 的杂交品种
利用两个线粒体 DNA 片段和六个核基因，我们确认了在西班牙西南部安达卢西亚（韦尔瓦市）捕获的一条形态中间的蛇，是雌性 Natrix astreptophora 和雄性 N. maura 的 F1 杂交种。这两个亲本物种在 2150 万年前分化，这就是它们的杂交能力惊人的原因。由于 N. astreptophora 的稀有性和西班牙西南部 N. maura 的数量丰富，使得 N. astreptophora 雌性很难找到同种雄性，因此促成了种间交配。面对之前发表的 N. astreptophora 和 N. maura 之间古老基因流动的基因组特征，我们的发现提出了一个问题：偶尔的杂交是否仍有助于这两个深度分化的古老类群之间持续交换遗传信息。
使用深度学习将 ECoG 信号解码为 3D 手势翻译
摘要。目的。运动脑机接口 (BCI) 是一种很有前途的技术，可以使运动障碍者与周围环境互动。BCI 可能会弥补手臂和手部功能的丧失，这是四肢瘫痪患者的首要任务。设计实时准确的 BCI 对于使此类设备在现实环境中有用、安全且易于患者使用至关重要。基于皮层脑电图 (ECoG) 的 BCI 是记录设备的侵入性和记录信号的良好空间和时间分辨率之间的良好折衷。然而，用于预测连续手部运动的大多数 ECoG 信号解码器都是线性模型。这些模型的表示能力有限，可能无法捕捉 ECoG 信号特征与连续手部运动之间的关系。深度学习 (DL) 模型在许多问题中都是最先进的，可以成为更好地捕捉这种关系的解决方案。方法。在本研究中，我们测试了几种基于 DL 的架构，以使用从 ECoG 信号中提取的时频特征来预测想象的 3D 连续手部平移。分析中使用的数据集是长期临床试验 (ClinicalTrials.gov 标识符：NCT02550522) 的一部分，是在对四肢瘫痪受试者的闭环实验中获得的。所提出的架构包括多层感知器 (MLP)、卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)。使用余弦相似度离线比较了基于 DL 和多线性模型的准确性。主要结果。我们的结果表明，基于 CNN 的架构优于当前最先进的多线性模型。最佳架构利用 CNN 来利用相邻电极之间的空间相关性，并通过使用 LSTM 来受益于所需手部轨迹的顺序特性。总体而言，与多线性模型相比，DL 将平均余弦相似度提高了 60%，左手和右手分别从 0.189 提高到 0.302 和从 0.157 提高到 0.249。意义。这项研究表明，基于 DL 的模型可以提高 BCI 系统在四肢瘫痪受试者的 3D 手部翻译预测中的准确性。
将动态MRI的深度学习膀胱分割的损失函数结合起来
摘要 - 植物遗传疾病主要影响妇女，并成为一个公共卫生问题，尽管他们的病理生理学仍然知之甚少。作为主要的器官经历了针对病理学的运动和变形，动态MRI是现在的放射科医生的金标准。器官边界，器官形状的受试者间变异性和病理畸形使得段难以执行。为了开发一个朝着病理分级的成像软件，器官边界的MRI分割的准确性是一个关键标准。自动方法尚未足够准确，无法替代强制性的手动分割步骤。已经开发了使用完全卷积神经网络（FCN）的自动分割方法，但通常用于训练的损耗功能通常不足以适合器官边界检测。我们提出了一个专门用于器官边界检测的损失函数，以增强训练，从而提高结果准确性。使用基线U-NET体系结构[1]对Dynamic 2D MRI的膀胱分割进行了评估该方法。结果表明，与广泛使用的骰子损失相比，我们的边界损失函数以及骰子损失的使用优于现有方法，并提高了分割精度。索引项 - 图像分割，完全卷积的网络，混合损失，距离损失，动态MRI，骨盆