XiaoMi-AI文件搜索系统
World File Search Systemiera
使用分层组合进行脑肿瘤分割...
摘要背景：磁共振（MR）图像是脑肿瘤检测最重要的诊断工具之一。在医学图像处理问题中，脑 MR 图像中胶质瘤肿瘤区域的分割具有挑战性。精确可靠的分割算法对诊断和治疗计划有很大帮助。方法：本文介绍了一种新颖的脑肿瘤分割方法作为后分割模块，该方法使用主要分割方法的输出作为输入，并使分割性能值更好。该方法是模糊逻辑和细胞自动机（CA）的组合。结果：BraTS 在线数据集已用于实现所提出的方法。在第一步中，将每个像素的强度输入模糊系统以标记每个像素，在第二步中，将每个像素的标签输入模糊 CA 以使分割性能更好。在性能饱和时重复此步骤。第一步的准确率为 85.8%，但使用模糊 CA 后的分割准确率达到 99.8%。结论：实际结果表明，与其他方法相比，我们提出的方法可以显著改善 MRI 图像中的脑肿瘤分割。
用于并行动态的可配置分层架构...
电气和电子工程师协会 › iel7 作者 C Wang · 2022 · 被引用 1 — 作者 C Wang · 2022 被引用 1 (MPI) [27]，并行计算中的通信标准。... 基于代理的电力系统建模和仿真的计算。
人工智能作为权利的新前沿......
首先，我必须感谢我的导师卡洛·卡索纳托 (Carlo Casonato) 和保罗·特拉弗索 (Paolo Traverso)，感谢他们相信我，并勇敢地为我提供了在不同学科之间工作的机会。我特别感谢前者在写作过程中给予我的宝贵建议和持续支持，也感谢后者给予我机会经常接触布鲁诺凯斯勒基金会并结识在其中工作的优秀专业人士。我还要非常感谢整个 BioDiritto 研究小组 (Carla、Cinzia、Elisabetta、Giulia、Lucia、Marta I、Marta II、Sergio 和 Simone)，他们让我从第一天起就感到宾至如归，不断给予鼓励，并提供许多团队合作的机会，让我始终面带微笑。尤其是玛尔塔，她是我的宝贵向导和忠实盟友，在困难时期我可以向她寻求建议和安慰。我还要感谢安德里亚 (Andrea)、洛伦佐 (Lorenzo)、莫妮卡 (Monica) 以及 Trentino Salute 4.0 团队的其他成员，我非常感谢他们在一个对我来说完全陌生的环境中给予我的欢迎，以及他们为我提供的无数跨学科融合的机会。出于同样的原因，我将永远感激 Paolo、Giorgia 和 Federico，他们和我一样都是与基金会有联系的法学家，为我提供了取之不尽的思想、激励和建议。此外，我还得到了慕尼黑马克斯普朗克社会法和社会政策研究所以及哥本哈根大学生物医学创新法中心研究人员的大力帮助，他们使我在国外的研究期间成为与其他法系的法学家交流的宝贵机会。对于这些机会，我首先要感谢 Ulrich Becker 教授、Timo Minnsen 教授和 Marcelo Corrales Compagnucci 教授，他们负责这些中心并给予了我热烈的欢迎。然后，还有我的家人——自从我出生以来，他们一直默默地支持和忍受着我——还有我的朋友，所有人。安吉拉、安娜、克劳迪娅、克劳迪奥、达维德、弗朗西斯科、弗朗西斯卡、乔治奥、乔瓦尼、朱利奥、艾琳、卢卡、玛蒂娜、罗伯托以及其他从小就陪伴我走过道路的人；安娜、阿尔贝托、安东内拉、基娅拉、克里斯蒂安、克拉拉、费德里科、乔治娅、朱莉娅、米歇尔、奥兰、萨拉、西蒙娜，他们是后来才来的，但在我看来，他们一直都在那里； CNR 的人；马里奥 (Mario)、亚历山德罗 (Alessandro) 和 Dinamo Kave 的所有人；因为足球，队友们成为了旅途中的伙伴； Berdien、Federico、Giovanni、Marta 和 Matteo，感谢这个世界上罕见的真挚友谊；我已不再见到他，但对他的记忆将永远使这些年变得特别。最后，埃琳娜。她知道为什么。
具有人工智能规划模型的分层强化学习
两种常见的顺序决策方法是人工智能规划 (AIP) 和强化学习 (RL)。每种方法都有优点和缺点。AIP 具有可解释性，易于与符号知识集成，并且通常很高效，但需要预先指定逻辑域，并且对噪声敏感；RL 只需要指定奖励，并且对噪声具有鲁棒性，但样本效率低下，不易获得外部知识。我们提出了一种将高级规划与 RL 相结合的综合方法，保留了可解释性、迁移和效率，同时允许对低级规划操作进行鲁棒学习。我们的方法通过在 AI 规划问题的状态转换模型和马尔可夫决策过程 (MDP) 的抽象状态转换系统之间建立对应关系，从 AIP 运算符定义分层强化学习 (HRL) 中的选项。通过添加内在奖励来学习选项，以鼓励 MDP 和 AIP 转换模型之间的一致性。我们通过比较 MiniGrid 和 N 室环境中 RL 和 HRL 算法的性能来展示我们的集成方法的优势，展示了我们的方法相对于现有方法的优势。
基于空间表征语义层次的机器人探索与绘图策略
许多科学家 [Lynch，1960；Piaget 和 Inhelder，1967；Siegel 和 White，1975] 已经观察到认知地图被组织成连续的层，并提出对大规模环境的有用且有力的描述的核心要素是拓扑描述。分层模型包括从局部感官信息中识别和辨认地标和地点；路线控制知识（从一个地方到另一个地方的过程）；连通性、顺序和包含的拓扑模型；以及形状、距离、方向、方位以及局部和全局坐标系的度量描述。看来，认知地图的分层结构是人类在大规模空间中稳健表现的原因。我们的方法试图将这些方法应用于机器人探索和地图学习问题。我们定性方法中对环境的核心描述是拓扑模型，如 TOUR 模型 [Kuipers，1978]。该模型由一组节点和弧组成，其中节点代表环境中可识别的位置，弧代表连接它们的行进路径。节点和弧是根据机器人的感觉运动控制能力程序性定义的。度量信息添加到拓扑模型之上。
使用夸张的视觉层次结构映射改善视觉识别
视觉场景是自然组织的，在层次结构中，粗糙的语义递归由几个细节组成。探索这种视觉层次结构对于认识视觉元素的复杂关系至关重要，从而导致了全面的场景理解。在本文中，我们提出了一个视觉层次结构映射器（HI-MAPPER），这是一种增强对预训练的深神经网络（DNNS）结构化理解的新方法。hi-mapper通过1）通过概率密度的封装来调查视觉场景的层次结构组织； 2）学习双曲线空间中的分层关系，并具有新颖的分层对比损失。预定义的层次树通过层次结构分解和编码过程递归地与预训练的DNN的视觉特征相互作用，从而有效地识别了视觉层次结构并增强了对整个场景的识别。广泛的实验表明，Hi-Mapper显着增强了DNN的表示能力，从而改善了各种任务的性能，包括图像分类和密集的预测任务。代码可在https://github.com/kwonjunn01/hi-mapper上找到。
具有自增强自适应性能的分级多孔钢整体结构
铁是一种丰富的化学元素，自古以来就以钢和铸铁的形式用于制造工具、器皿和武器。[1,2] 钢铁目前每年的产量为 1.4 亿吨，是人类文明中最广泛利用的材料之一。[1] 如此高的产量和当前加工技术的高碳足迹，使钢铁成为现代社会减少材料对环境影响的首选材料。[3] 虽然全世界的大部分钢铁生产都用于制造致密的建筑结构元件，但人们也在探索将多孔铁块用于催化、[4] 储能、[5] 组织再生 [6] 和结构应用。[7] 对环境影响较小的轻质结构的需求日益增长，人们对此类多孔金属以及它们对旨在更有效地利用自然资源的非物质化战略的潜在贡献的兴趣日益浓厚。海绵铁是通过将矿石在熔点以下直接还原而获得的，是多孔金属最早的例子之一。[8] 由于其强度相对较低，这种多孔铁在过去被用作制造致密结构的前体。多孔金属的低强度源于众所周知的材料强度和相对密度之间的权衡。[9] 根据 Gibson-Ashby 分析模型的预测，[10] 多孔和胞状结构的强度和刚度与固相相对密度 (φ) 呈幂律关系：P∼φm，其中 P 是关注的属性，m 是缩放指数。重要的是，高度多孔的大型结构（φ<0.20）通常表现出的刚度和承载能力远低于这种简单分析模型的预期水平。 [11] 事实上，实验和计算研究表明，当材料的相对密度接近其渗透阈值时，只有一小部分固相能有效地增加多孔结构的刚度。[12,13] 这是因为在多孔网络结构整体变形过程中存在未受载荷的悬挂元素。[14]
视觉变压器具有分层注意力
摘要：本文解决了香草视觉变压器中与多头自我注意（MHSA）相关的高计算/空间复杂性。为此，我们提出了层次MHSA（H-MHSA），这是一种新颖的方法，以层次的方式计算自我注意力。具体来说，我们首先将输入图像分为通常完成的补丁，每个补丁都被视为令牌。然后，提议的H-MHSA学习本地贴片中的令牌关系，作为局部关系建模。然后，将小斑块合并为较大的贴片，H-MHSA对少量合并令牌的全局依赖性建模。终于，将本地和全球专注的特征汇总为具有强大表示能力的功能。由于我们仅在每个步骤中计算有限数量的令牌的注意力，因此计算负载大大减少。因此，H-MHSA可以在不牺牲细粒度信息的情况下有效地模拟令牌之间的环境关系。与H-MHSA模块合并，我们建立了一个基于层次的变压器网络的家族，即HAT-NET。为了证明帽子网络在场景中的优越性，我们就基本视觉任务进行了广泛的实验，包括图像分类，语义分割，对象titection和实例分段。因此，HAT-NET为视觉变压器提供了新的视角。代码和预估计的模型可在https://github.com/yun-liu/hat-net上找到。
用于分层报告和有见地验证的工具集...
efrag - 欧洲财务报告咨询小组 - 开发了欧洲可持续性报告标准（ESRS），该标准为公司报告环境，社会和治理（ESG）主题提供了一个框架。必须对所有受公司可持续性报告指令（CSRD）约束的公司报告12个标准
通过零件式层次结构消息传递
生成的3D部分组装涉及了解零件关系，并预测其6-DOF姿势，用于组装逼真的3D形状。先前的工作通常集中在各个部分的几何形状上，忽略了整个物体的零件。利用两个关键的观察：1）超级部分姿势提供了有关零件姿势的强烈提示，而2）由于较少的超级部分，预测超级零件的姿势更容易，我们提出了一个零件 - 整个层次结构消息传递网络，以实现有效的3D零件组件。我们首先通过在没有任何语义标签的情况下对几何相似部分进行分组，从而引入超级零件。然后，我们采用零件整体的层次编码器，其中超级零件编码器预测基于输入部分的潜在超级零件姿势。随后，我们使用潜在姿势转换点云，将其馈送到零件编码器中，以汇总超级零件信息和有关零件关系的推理以预测所有部分姿势。在培训中，仅需要地面零件姿势。在推断期间，超级零件的预测潜在可增强可解释性。Partnet数据集上的实验结果表明，我们的方法可以部分地达到最新的功能和连接精度，并实现可解释的层次结构组件。代码可在https://github.com/pkudba/3dhpa上找到。