XiaoMi-AI文件搜索系统
World File Search Systemdepth
d-pose：深度作为3D人姿势和形状估计的中间表示
我们提出了D置位（D EPTH作为3D人类PO SE和S HAPE E刺激的中间代码），这是一种单阶段方法，可估计来自单个RGB图像的人姿势和Smpl-X形状参数。最近的作品将较大的模型与变压器骨架和解码器一起提高人体姿势和形状（HPS）基准的准确性。d-pose提出了一种基于视觉的ap-porach，它使用估计的人类深度映射作为HPS和利用合成数据的培训的中间表示，并在训练过程中提供了与它们一起提供的地面深度映射。尽管在合成数据集中受过培训，但D-Pose在现实世界基准数据集，EMDB和3DPW上实现了最新的性能。尽管其简单的轻巧设计和CNN主链，但它的表现优于基于VIT的模型，这些模型的模型几乎较大。d-pose代码可用：https：//github.com/nvasilik/d-pose
基于主题无关变压器的神经语音解码，从表面和深度电极信号进行解码
摘要。目的：本研究探讨颅内电极捕获的神经信号的语音解码。大多数先前的研究只能使用 2D 网格上的电极（即脑皮层电图或 ECoG 阵列）和来自单个患者的数据。我们的目标是设计一个深度学习模型架构，可以同时适应表面（ECoG）和深度（立体定向 EEG 或 sEEG）电极。该架构应允许使用来自多个参与者的数据进行训练，这些参与者的电极位置变化很大，并且训练后的模型应该在训练期间未见过的参与者身上表现良好。方法：我们提出了一种名为 SwinTW 的新型基于变压器的模型架构，该架构可以与任意定位的电极一起工作，通过利用它们在皮层上的 3D 位置而不是它们在 2D 网格上的位置。我们使用来自单个参与者的数据训练特定于主题的模型，以及利用来自多个参与者的数据的多患者模型。主要结果：仅使用低密度 8x8 ECoG 数据的受试者特定模型在 N=43 名参与者中实现了高解码皮尔逊相关系数与地面实况频谱图 (PCC=0.817)，优于我们之前的卷积 ResNet 模型和 3D Swin Transformer 模型。在每个参与者 (N=39) 中加入额外的条带、深度和网格电极可带来进一步的改进 (PCC=0.838)。对于只有 sEEG 电极的参与者 (N=9)，受试者特定模型仍然具有可比的性能，平均 PCC=0.798。多受试者模型在看不见的参与者身上实现了高性能，在留一交叉验证中平均 PCC=0.765。意义：提出的 SwinTW 解码器使未来的语音神经假体能够利用任何对特定参与者来说临床上最佳或可行的电极位置，包括仅使用更常规的深度电极
实验分析和建模均匀和暂停的综合布拉格反射器的穿透深度
集成的布拉格光栅无处不在，在光学通信中找到了他们的主要应用。它们主要用作波长划分多路复用（WDM）的过滤器[1]。它们在激光器中用作分布式Bragg反射器（DBR）[2]和分布式反馈（DFB）激光器[3]的镜子。他们还找到了他们在传感中的应用[4]。此外，它们是集成腔分散工程的重要组成部分[5，6]。集成的Bragg反射器已使Fabry-Pérot（FP）微孔子中有趣的表演达到了实现。仔细研究这些空腔，对分散补偿策略的兴趣不大，例如，将分散元素补偿元素在空腔体系结构中[5]进行了整合。使用色散bragg反射器证明了综合微孔子中的耗散kerr孤子（DKSS）[7]。通常需要这些光源来产生非常短的脉冲持续时间，即飞秒级，用于高精度计量学级的飞秒源的应用，并用于产生跨越频率的宽带频率梳子，这些频率从数十吉赫赫兹到Terahertz。这种非线性机制开辟了增加相干光学通信系统带宽[8，9]的可能性，以满足增加的数据速率需求。最近，由两个光子晶体谐振器组成的Q-因子为10 5的纳米制作的FP谐振器已成功证明了KERR频率 - 兼而产生[10]。这个概念是在反射器的背景下进行分析描述的。因此，在FP微孔子中，布拉格反射器的广泛采用以进行分散补偿变得越来越重要。虽然用作反射器的Bragg光栅提供了广泛的功能，但设备物理学中存在一个潜在的问题。当光反射器反射光时，它不会从光栅开始的点上进行反映。为了解决这个问题，研究人员检查了渗透深度的概念或闪光的有效长度，称为l eff。该术语是指定义实际反射点的bragg反射器内的虚拟移位接口。
两例模仿浆膜淋巴瘤，对文献的深入评论
抽象背景：浆膜骨髓瘤（PBM）是多发性骨髓瘤（MM）的罕见，侵略性亚型，预后不良。另一方面，浆膜淋巴瘤（PBL）是具有浆细胞表型的侵袭性B细胞淋巴瘤。重要的是，PBM很难与PBL区分开，因为两种疾病的临床特征都紧密重叠。我们报告了两例PBM病例，并伴有明显的外胸腔病变。案例：案例1：一名38岁的女性抱怨疲劳。她出现了全年的肿瘤，脾肿大，胸壁上的软组织病变以及多个溶性损伤。最初，软组织的病理确定了PBL的诊断。她回到了两个时代的周期，从而导致了大幅改进。然后，她收到了达拉特瘤（Dara）和列纳纳匹胺（Lenalidomide），达到了两年的缓解。病例2：对胰腺和腹膜后肿瘤的多个肿瘤进行了60岁男性的评估。胰腺肿瘤的活检鉴定出浆细胞样细胞，而骨髓活检没有显示浆细胞的迹象。因此，他最初被诊断为具有多个浆细胞瘤，并接受了与硼替佐米（BOR），Lenalidomide和Texamethasone的3个化学疗法，但徒劳无功。一旦BOR被替换为Dara，他就会迅速形成泛绿色炎和腹水，充满了浆膜，并最终死于多器官衰竭。结论：由于没有针对PBM的标准治疗方法，我们的病例提出了一种与抗肌瘤和抗淋巴瘤方案的联合治疗可能会提供更好的结果。此外，KI-67增殖指数将是诊断PBM的有用工具。
基于主题无关变压器的神经语音解码，从表面和深度电极信号进行解码
摘要。目的：本研究探讨颅内电极捕获的神经信号的语音解码。大多数先前的研究只能处理 2D 网格上的电极（即脑皮层电图或 ECoG 阵列）和来自单个患者的数据。我们的目标是设计一个深度学习模型架构，可以同时适应表面（ECoG）和深度（立体定向 EEG 或 sEEG）电极。该架构应允许使用来自多个参与者的数据进行训练，这些参与者的电极位置变化很大，并且训练后的模型应该在训练期间未见过的参与者身上表现良好。方法：我们提出了一种名为 SwinTW 的新型基于变压器的模型架构，该架构可以利用任意位置的电极在皮层上的 3D 位置而不是它们在 2D 网格上的位置来处理它们。我们使用来自单个参与者的数据训练特定于主题的模型，并利用来自多个参与者的数据训练多患者模型。主要结果：仅使用低密度 8x8 ECoG 数据的受试者特定模型在 N=43 名参与者中实现了高解码皮尔逊相关系数与地面实况频谱图 (PCC=0.817)，优于我们之前的卷积 ResNet 模型和 3D Swin Transformer 模型。在每个参与者 (N=39) 中加入额外的条带、深度和网格电极可带来进一步的改进 (PCC=0.838)。对于只有 sEEG 电极的参与者 (N=9)，受试者特定模型仍然具有可比的性能，平均 PCC=0.798。多受试者模型在看不见的参与者身上实现了高性能，在留一交叉验证中平均 PCC=0.765。意义：提出的 SwinTW 解码器使未来的语音神经假体能够利用任何对特定参与者来说临床上最佳或可行的电极位置，包括仅使用更常规的深度电极
低级视觉任务的语言指南的鲁棒性：深度估算的发现
通过将自然语言纳入附加指导来实现单眼深度估计的最新进展。尽管产生了令人印象深刻的结果，但语言先验的影响，尤其是在发生和鲁棒性方面，仍未得到探索。在此过程中，我们通过量化此之前的影响来解决这一差距，并引入方法以在各种环境中基准其有效性。我们生成“低级”句子，传达以对象为中心的三维空间关系，将它们纳入其他语言先验，并评估其对深度估计的下游影响。我们的关键发现是，当前语言引导的深度估计仅通过场景级别的描述和违反直觉的效果最佳地发挥作用。尽管利用了其他数据，但这些方法对于对抗性攻击并随着分配变化的增加而对性攻击和绩效下降并不强大。fi-nally，为了为未来的研究提供基础，我们识别出失败点，并提供见解以更好地理解这些缺点。使用语言进行深度估算的越来越多的方法，我们的发现突出了需要仔细考虑在现实世界中有效部署的机会和陷阱。1
使用LIDAR和监视摄像机的数据估算道路洪水的深度
摘要在这项研究中，我们从安装在车辆上的3D激光雷达和外部交通监视摄像头的图像中融合数据，以创建经常洪水泛滥的道路部分的3D表示。这项研究中的LIDAR的点云数据是从ODU校园附近Norfolk的W 49街的一条路段收集的。交通监视摄像头安装在同一地区的公共停车大楼上。LIDAR在车辆穿越该部分时会收集连续的点云框架。使用ICP注册方法将与外部摄像头监控的多个与各个道路相关的LIDAR框架首先合并为单位点云，代表路段的局部高分辨率数字高程模型（DEM）。然后，将结果的DEM投射到监视摄像头捕获的被淹没的道路的图像上。到此目的，采用了摄像机校准技术来估计转换参数。相机校准方法依赖于一个包含点及其相应像素的数据集中的目标图像。生成了点的虚拟网格和相应的像素以运行相机校准函数。提到的数据集是借助激光雷达的内部相机上的投射点云而生成的，从而使我们能够识别对象和Curbsides。还采用了观点几何原则来创建DEM。投影结果显示了用于摄像机校准的技术技术的成功性能。深度估计是在外部相机记录的洪水图像上使用投影的DEM模型进行的。
土木工程中人工智能应用的进展和障碍：深入回顾
人工智能 (AI) 已成为各个领域的变革力量，其彻底改变城市建筑的潜力越来越受到认可。本文详细研究了人工智能在公共建筑建设中的应用，强调了其成就、挑战和未来前景。审查涵盖了土木工程的各个方面，包括审查流程、分析、设计、施工管理、岩土工程、交通规划和施工监督。机器学习和遗传算法等人工智能方法被用于分析和设计，以增强流程、预测材料行为和推进医疗保健应用。在施工管理中，人工智能用于项目调度、资源分配、风险评估和安全管理。人工智能的岩土应用提供了精确的土壤特性估计、土壤损伤评估和地基施工改进。先进技术有助于交通规划、交通预测、智能交通系统和基础设施增强。此外，人工智能在公共基础设施的监测和维护方面发挥着至关重要的作用，包括桥梁检查、管道完整性评估以及通过图像处理和数据分析进行早期缺陷检测。尽管取得了重大进展，但人工智能在土木工程中的广泛应用仍然存在挑战，包括数据可用性、人工智能模型定义、道德问题以及协作努力的必要性。应对这些挑战需要研究人员、从业者和政策制定者的共同努力。最终，人工智能与土木工程的融合展示了其提高基础设施系统效率、安全性和可持续性的潜力。本综述总结了当前的知识，强调了挑战，并提出了未来研究的方向，以推进人工智能在土木工程中的融合。
用于无直方图单光子深度感知的单门脉冲循环神经网络
摘要 — 最近的研究表明，将时间分辨的单光子雪崩二极管 (SPAD) 传感器与神经网络直接耦合，可以简化信号处理并减少冗余。然而，之前的尝试仅限于通用神经网络模型，包括长短期记忆 (LSTM)，这些模型无法实现针对特定任务的优化。基于对 SPAD 深度感知任务需求的洞察，这项工作引入了一种高度简化的脉冲循环神经网络，专门为此目的而量身定制。该模型具有独特的单输入门架构，仅通过简单的脉冲神经元实现。与经典 LSTM 相比，它的准确度有所提高，参数数量减少了 1.95 倍，能耗降低了至少 8.40 倍，同时性能显著优于其他脉冲神经网络。结果强调了开发专用于当前任务的网络架构的重要性，这可能为完全像素内处理的潜在进步铺平道路。索引词 — 单光子雪崩二极管、直接飞行时间、脉冲神经网络、循环神经网络、机器学习
1960 年至 1980 年深度测量技术和位置确定的技术发展
双曲线无线电定位：该概念是在第二次世界大战期间发展起来的，其基础是测量已知位置的（主从）发射器对广播的信号的相位或到达时间的差异。由差异产生的定位线 (LOP) 是双曲线。两条双曲线（来自两对发射器）的交点决定了导航员的位置。双曲线无线电定位系统的精度在空间上是可变的，取决于三个因素：LOP 测量不确定性、双曲线 LOP 的扇出（扩展因子）（取决于主从之间与基线的距离）以及 LOP 之间的相交角（见图 1）。表 1 总结了用于收集 GEBCO 数据的双曲线系统的特征。