XiaoMi-AI文件搜索系统
World File Search Systemdense
生成检索作为多向量密集检索
生成检索使用给定查询的序列到序列体系结构以端到端的方式生成相关文档的标识符。尚未完全理解生成检索和其他检索方法之间的关系，尤其是基于密集检索模型中匹配的方法之间的关系。先前的工作表明，使用原子标识符的生成检索等效于单载体密集的检索。因此，生成检索表现出类似于在使用层次语义标识符时，在树索引中类似于层次搜索的行为。但是，先前的工作仅关注检索阶段，而没有考虑生成检索的解码器内的深层相互作用。在本文中，我们通过证明生成检索和多向量密集检索共享相同的框架，以衡量与文档查询的相关性相同的框架。具体来说，我们研究了生成检索的注意力层和预测头，表明可以将生成检索理解为多向量密集检索的特殊情况。两种方法都将相关性计算为查询和文档向量的产品和对齐矩阵的总和。然后，我们探讨了生成检索如何应用此框架，采用不同的策略来计算文档令牌向量和对齐矩阵。我们已经进行了实验来验证我们的结论，并表明两个范式在其比对矩阵中表现出术语匹配的共同点。
计算出的小致密低密度脂蛋白...
结果：在10年的随访期内，有456名男性（3.9％）和121名妇女（1.9％）新开发的IHD。Multivariable Cox proportional hazard analyses after adjustment of age, sex, obesity, smoking habit, family history of IHD, estimated glomerular filtration rate, hypertension and diabetes mellitus at baseline showed that the hazard ratio (HR) (1.38 [95% confidence interval: 1.03-1.85]) for new onset of IHD in subjects with the 4 th quartile SDLDL-C（≥42mg/dL）的（Q4）显着高于1 st Quartile（Q1）（≤24mg/dl）的受试者，尽管具有TC，HDL-C，hdl-c，non-Hdl-c，ldl-c和tg的受试者中的受试者中的调整后的HRS与Q1的Q2-q4相比，与这些受试者fr fr q是Q1。具有限制的立方样条的调整后的HR随着计算得出的SDLDL-C水平较高，作为基线时的连续值增加。
ClearClip：分解密度的剪辑表示...
摘要。尽管大规模预处理的视觉模型（VLM）尤其是在各种开放式播放任务中的剪辑，但它们在语义细分中的应用仍然具有挑战性，从而产生了带有错误分段区域的嘈杂分段图。在本文中，我们仔细地重新调查了剪辑的架构，并将残留连接确定为降低质量质量的噪声的主要来源。通过对剩余连接中统计特性的比较分析和不同训练的模型的注意力输出，我们发现剪辑的图像文本对比训练范式强调了全局特征，以牺牲局部歧视，从而导致嘈杂的分割结果。在响应中，我们提出了一种新型方法，该方法是分解剪辑的表示形式以增强开放式语义语义分割的。我们对最后一层介绍了三个简单的修改：删除剩余连接，实现自我关注并丢弃馈送前进的网络。ClearClip始终生成更清晰，更准确的绘制图，并在多个基准测试中胜过现有的方法，从而确认了我们发现的重要性。
致密的单核苷酸多态性测试...
法医DNA分析的领域多年来经历了显着的进步，例如DNA指纹的出现，聚合酶链反应引入了提高敏感性的聚合酶链反应，将基于短tandem重复序列的遗传标记系统的转移以及国家DNA数据库的实施。现在，随着密集的单核苷酸多态性（SNP）测试的出现，取证领域有望为另一场革命。SNP测试具有显着增强法医病例的来源归因的潜力，尤其是涉及低量或低质量样品的源。与遗传谱系和亲属分析相结合时，它可以解决无数的活性病例以及冷病例和未识别的人类遗体的病例，这受到现有法医能力的局限性，而这些法医能力无法产生可与DNA产生可行的调查铅。法医遗传谱系与全基因组测序结合的领域可以使亲戚与少数及以后的亲属联系在一起。通过利用志愿者的数据库来定位附近和遥远的亲戚，遗传家谱可以有效地缩小与犯罪现场证据相关的候选人，或帮助确定人类遗体的身份。随着DNA测序成本的降低和提高检测的敏感性，法医遗传遗传学正在扩大其能力，从而从广泛的生物学证据中产生研究。收到：2024年3月12日
将残差、密集和初始块集成到 nnUNet 中
摘要 —nnUNet 是一个完全自动化且可通用的框架，它可以自动配置应用于分割任务的完整训练管道，同时考虑数据集属性和硬件约束。它利用了一种基本的 UNet 类型架构，该架构在拓扑方面是自配置的。在这项工作中，我们建议通过集成更高级的 UNet 变体（例如残差、密集和初始块）的机制来扩展 nnUNet，从而产生三种新的 nnUNet 变体，即残差-nnUNet、密集-nnUNet 和初始-nnUNet。我们已经在由 20 个目标解剖结构组成的八个数据集上评估了分割性能。我们的结果表明，改变网络架构可能会提高性能，但提高的程度和最佳选择的 nnUNet 变体取决于数据集。索引词 —nnUnet、生物医学图像分割、残差网络、密集网络、初始网络。
tdcl：视觉的密集语义对比度学习 -
摘要。传统的单对象跟踪任务正在经历新的转型浪潮，尤其是随着语义缺乏的出现，这导致了视觉跟踪任务的兴起。但是，将Vi-Sual Tracker与自然语言描述相结合的先前方法倾向于依靠文本描述的全局表示，而较少考虑文本描述和Vi-Sual外观之间的精细连接。本文提议利用双向交叉注意模块来捕获语言和视觉特征之间的连接，这些连接进一步投影为密集的语义反映以保持对齐方式。为了保持搜索区域与耦合的自然语言之间的语义同意，并使融合功能保持一致，本文提出了一种新颖的密集性对比度学习损失，以弥合文本和视觉方式之间的语义差距，并以密集的形式对齐。所提出的框架在跟踪包含自然语言描述的数据集（例如TNL2K和OTB99-LANG）方面实现了有希望的结果。我们的方法提供了一种新颖的解决方案，用于代表和对齐单个对象跟踪任务的跨模式信息，并可能激发该领域的进一步研究。
使用密集高效网络进行脑肿瘤分类
摘要：脑肿瘤在儿童和老年人中最为常见。它是一种严重的癌症，由颅骨内无法控制的脑细胞生长引起。众所周知，肿瘤细胞由于其异质性而难以分类。卷积神经网络 (CNN) 是视觉学习和脑肿瘤识别中最广泛使用的机器学习算法。本研究提出了一种基于 CNN 的密集 EfcientNet，使用最小-最大规范化将 3260 张 T1 加权对比增强脑磁共振图像分为四类（神经胶质瘤、脑膜瘤、垂体和无肿瘤）。开发的网络是 EfcientNet 的变体，添加了密集层和 drop-out 层。同样，作者将数据增强与最小-最大规范化相结合，以增加肿瘤细胞的对比度。密集 CNN 模型的好处是它可以准确地对有限的图片数据库进行分类。因此，所提出的方法提供了出色的整体性能。实验结果表明，所提出的模型在训练期间的准确率为 99.97%，在测试期间的准确率为 98.78%。新设计的 EfficientNet CNN 架构具有较高的准确率和良好的 F1 分数，可以成为脑肿瘤诊断测试研究中有用的决策工具。
单轴扭转模型中的超密集编码
我们研究了外部磁场下双自旋模型中的热超密集编码。详细介绍了它对磁场、自旋压缩强度和温度的依赖性。我们现在的主要目标是研究如何在磁场、自旋压缩强度和温度存在的情况下提高热超密集编码容量。结果表明，通过设置输入量子关联的值，密集编码趋于有效值。我们进行这项研究的最重要动机是检查超量子不和谐 (SQD) 的热性质与密集编码之间的关系。结果表明，我们通道上 SQD 的热性质使我们能够确定系统何时以及在什么条件下适合有效的密集编码。我们的建议可能导致该方案对量子信息处理有效。
EEG-Deformer：用于脑机接口的密集卷积变换器
摘要 — 有效学习脑电图 (EEG) 信号中的时间动态具有挑战性，但对于使用脑机接口 (BCI) 解码大脑活动至关重要。尽管 Transformers 因其长期顺序学习能力在 BCI 领域广受欢迎，但大多数将 Transformers 与卷积神经网络 (CNN) 相结合的方法都无法捕捉 EEG 信号从粗到细的时间动态。为了克服这一限制，我们引入了 EEG-Deformer，它将两个主要的新组件合并到 CNN-Transformer 中：(1) 分层粗到细 Transformer (HCT) 块，将细粒度时间学习 (FTL) 分支集成到 Transformers 中，有效辨别从粗到细的时间模式；(2) 密集信息净化 (DIP) 模块，利用多级、净化的时间信息来提高解码准确性。对三项代表性认知任务（认知注意力、驾驶疲劳和心理负荷检测）进行的全面实验一致证实了我们提出的 EEG-Deformer 的通用性，表明它的表现优于或与现有的最先进方法相当。可视化结果表明，EEG-Deformer 从神经生理学上有意义的大脑区域学习相应的认知任务。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 找到。
致密活动系统中噪声引起的淬火障碍
主动剂将存储或环境能量转换为机械工作，将其注入系统的最小尺度[1-5]。他们通常通过某种形式的自我推测引入活动，通过比对或吸引力抑制力与邻居相互作用，并可能受到噪声的影响。近年来，已经研究了许多不同的活动系统模型，具有多种参数组合，这可能会导致各种方案和非平衡阶段。到目前为止，只有少数几个被鉴定出来，与具有各种形式的（极性或列表）定向秩序的自组织状态[6-8]，聚类[9-12]或相位分离[13,14]；以及代理在随机变化方向上移动的无序状态。显示出取向秩序的最多研究的阶段之一的特征是集体运动，在该状态下，所有试剂都均为对齐并朝着共同的方向前进[15,16]。可以在不同类型的生物学系统中找到集体运动的例子，包括环骨骼运动蛋白[17-19]，细菌菌落[20-22]，昆虫群[23,24]，鸟羊群[25,26]和鱼类学校[27-30]。它也可以在人工系统中发展，例如主动胶体悬浮液[11]，胶体辊[31,32]，振动的极性磁盘[33,34]或机器人群[35 - 42]。这种类型的自组织最初被认为需要局部比对相互作用[43]，但现在已显示出从吸引力 - 抑制力和标题方向之间的局部耦合中出现的[44,45]。无论其潜在机制如何，在所有这些情况下，集体运动都对应于从无序阶段出现的对齐剂的有序阶段。此外，两个阶段有时被细分为具有不同密度分布的参数区域[9,10,12,14,46 - 51]。除了集体运动之外，其他集体状态最近在弹性或堵塞的活动中被确定