XiaoMi-AI文件搜索系统
World File Search Systemlocalization
通过机器学习预测磷光能和推断波函数定位
sets using HIPNN and HIP-loc, training and testing parity plots of predicted versus true D E on thermal conformers sampled around equilibria of S 0 and T 1 using HIPNN and HIP-loc, RMSD of optimized geometries using the HIP-loc T 1 potential and energy error plots at those geometries, absolute errors in D E as a function of number of atoms, parity plots of predicted versus true D E for the extensibility set categorized by chemical similarity, localization of singlet – triplet transition for select molecules of the extensibility set computed from DFT spin density and HIP-loc weights, conformation-dependent localization of singlet – triplet transitions in molecules with a single torsional angle, and molecular animations of torsional scans including that of the molecule in Fig.5。参见doi：10.1039/d1Sc02136b
浏览贴片：具有全球和局部特征比较的异常定位
异常定位，目的是将图像中的异常区域分割出来，这是由于种类繁多的异常类型而具有挑战性的。现有方法通常是通过将整个图像作为整体而却很少付出的努力来学习局部分布来训练深层模型，这对于这项Pixel Prescerise任务至关重要。在这项工作中，我们提出了一种基于补丁的方法，可以适当考虑全球和本地信息。更具体地说，我们采用本地网络和全球网络分别从任何单个贴片及其周围来提取特征。全球网络经过训练，其目的是模仿本地功能，以便我们可以从上下文中轻松检测其功能不匹配时。我们进一步引入了不一致的异常检测（IAD）头和一个失真异常检测（DAD）头，以足够的时间发现全球和局部特征之间的差异。源自多头设计的评分函数有助于高精度异常定位。在几个现实世界数据集上进行了广泛的实验表明，我们的方法优于最大的竞争对手，而竞争对手的差距足够大。
基于精确脉冲时间的触摸定位事件计算
精确的脉冲定时和时间编码在昆虫的神经系统和高阶动物的感觉外围中得到广泛应用。然而，传统的人工神经网络 (ANN) 和机器学习算法无法利用这种编码策略，因为它们的信号表示是基于速率的。即使在人工脉冲神经网络 (SNN) 的情况下，确定时间编码优于 ANN 的速率编码策略的应用仍然是一个悬而未决的挑战。神经形态传感处理系统为探索时间编码的潜在优势提供了理想的环境，因为它们能够从相对脉冲定时中有效地提取聚类或分类时空活动模式所需的信息。在这里，我们提出了一个受沙蝎启发的神经形态模型来探索时间编码的好处，并在基于事件的传感处理任务中对其进行验证。该任务包括仅使用八个空间分离的振动传感器的相对脉冲定时来定位目标。我们提出了两种不同的方法，其中 SNN 以无监督的方式学习聚类时空模式，并展示了如何通过分析和多个 SNN 模型的数值模拟来解决该任务。我们认为，所提出的模型对于使用精确脉冲时间进行时空模式分类是最佳的，可以用作评估基于时间编码的事件感知处理模型的标准基准。
通过声源本地化手术中的空间上下文意识
摘要。背景意识和场景理解是计算机辅助和机器人手术中智能系统开发的组成部分。尽管大多数系统主要利用视觉数据进行场景理解，但最新的概念证明已展示了声学的大量，用于检测和分析与典型的噪声排放相关的手术活动。但是，尚未有效地用于手术中的定位任务，这对于获得对场景的全面理解至关重要。在这项工作中，我们介绍了可以揭示声学活动及其在手术领域的位置的新型声源定位概念（SSL），因此提供了对患者和医疗设备的外科手术人员的相互作用的见解。我们通过在两个概念验证本地化任务中使用声学摄像头解释声音活动热图，表明了这一概念的潜力。对于对象检测任务，我们以86.07％的0.5 IOU实现AP，平均欧几里得距离为13。70±14。65个PX在图像分辨率为1100x825 PX的图像分辨率，用于关键点检测任务。基于这些结果，我们认为声学事件的本地化具有外科手术理解的巨大潜力，为未来手术室中的多模式感应解决方案打开了许多新的研究方向。据作者的最佳知识，这是在医学背景下利用SSL的第一项作品。
QSEEK：一个用于自动地震检测，本地化和表征的数据驱动框架
摘要我们引入了一种数据驱动的方法和软件，用于检测和定位大型地震数据集中的地震。通过结合通过神经网络相拾取器传递的地震阶段到达注释，并通过自适应OCTREE搜索进行波形堆叠，我们也可以自动检测并定位Seis-MIC事件，即使在噪声主导地震数据中也是如此。搜索量的分辨率是地震源位置的迭代精制；该策略促进了有效，快速和准确的搜索。我们提出了一个基于既定框架，fea-turing事件检测层和复杂的3D速度模型以及事件特征提取功能，SutasmomentAndlocomeMentAndlocalMagnitudeCalcalulculationFrompeakeakermotions，提供了一个用户友好且高性能开源软件框架。Weimedsatation特定的校正和特定于源的电台项中的搜索中，以提高位置准确性。我们通过从不同地区和地质环境中的大型地震数据集中提取广泛的地震目录来验证并验证我们的方法：（1）冰岛雷克雅内斯半岛； （2）德国Eifel火山区； （3）犹他州锻造。我们从构造活动，火山群和诱导的微吸毒活性中捕获地震事件，幅度在-1到5。如此精确而完整的地震目录有助于解释和理解原本隐藏的地下过程。
水泄漏检测和定位的机器学习
取水成本）和环境问题（由于许多区域的干预以及可用的清洁水数量减少）。与减少损耗大小相关的主要挑战是：（a）快速检测异常，尤其是在“增加”泄漏（随着时间的推移呈指数增长的管道损伤）和（b）表面上不可见的泄漏的精确定位。通过方法组合实现泄漏检测和定位：监视水网络（例如流入和消耗，压力）以检测趋势变化或异常情况；使用现场测量值进行物理检查（例如地球器）;使用GIS创建水力模型，并监视数据并分析可能的泄漏位置；还有许多其他。虽然许多硬件和软件解决方案都可以触及水工厂，但它们与水网络现实的集成和应用很复杂，需要考虑的人员和财务资源。网络结构的多元化，其未知状态（地下多年），不精确的文档，调查的不确定性或错误以及其他问题提高了实用泄漏管理的DI FFI崇拜。这项研究是在WaterPrime项目的框架内提出的，这是Aiut sp之间的合作。Z O.O.和ITAI PAS，旨在开发一个先进的IA（智能增强）系统，以进行水分配网络网络监测和泄漏检测。对几个月收集数据的分析允许对泄漏模式及其特性进行深入研究。该项目通过波兰国家研发中心与欧盟资金共同资助，已于2021年初开始，并迅速发展成为一个监测系统，用于两个波兰城市的水厂，涵盖了几个监测区域中成千上万的个人客户。我们的主张基于传感器数据中对传感器数据中异常的快速检测，其中包括探测器的集合，包括连续学习模型，这些模型将有关操作员注意的关键领域缩小了关键领域。对此，应用了另一套Ma-Chine学习工具来构建液压模型 - DMA状态的“数字双胞胎”，以研究可能的泄漏场景并缩小检查检查。为了进一步减少现场检查的时间，提出了一种不断变化的LORA IOT网络状态的解决方案，该解决方案使用算法优化来获得数据收集的临时强化。单独的，提出的方法在现实数据基准上取得了很好的结果。共同使用了与项目相关的两个水上工程的网络中，从而缓慢但稳定地减少了众多DMA区域的水分流失。
X-ICP：在极端环境中稳健本地化的可本质性感光激光雷达注册
摘要 - 在具有挑战性的环境中需要可靠的定位，需要现代机器人系统才能运行。基于激光雷达的局部化方法，例如迭代最接近的点（ICP）算法，可能会在几何无知的环境中遭受损害，这些环境已知，这些环境已知会导致点云登记性能恶化，并沿弱受约束方向推动散落的优化。为了克服这个问题，这项工作提出了i）稳健的可局部性检测模块，ii）局限性感知到的受限的ICP优化模块，该模块将其与统一的局限性检测模块相结合。通过利用扫描和地图之间的对应关系来实现所提出的可区分性检测，以分析优化的主要方向的对齐强度，作为其细粒度的LIDAR固定性分析的一部分。在第二部分中，然后将此可本质性分析集成到扫描到映射点云注册中，以通过执行受控更新或离开优化的脱位方向来生成无漂移姿势更新。所提出的方法经过彻底评估并将其与模拟和现实世界实验1中的最新方法进行了比较，证明了激光挑战环境的性能和可靠性提高。在所有实验中，所提出的框架表明没有环境特异性参数调整的准确且可推广的可局部性检测和可靠的姿势估计。
从流量引导的纳米级定位的设计空间探索
纳米式设备为人类血液中的流动引导定位提供了引物。这种本地化允许将感知事件的位置分配给事件本身，从而沿着早期和精确的诊断方面提供益处，并降低了成本和侵入性。流引导的定位仍处于基本阶段，只有少数针对问题的作品。尽管如此，对解决方案的性能评估已经是以一种非标准化的方式进行的，通常是按单个性能指标进行的，并且忽略了在这样的规模（例如Nanodevices的Lim-Is-Ised Energy）中相关的各个方面，并且对于这种挑战性的环境（例如，在B-Body Thz peragation In-Body Thz Propagation中极端衰减）。因此，这些评估的现实主义水平较低，不能客观地进行比较。为了解决这个问题，我们说明了情景的环境和规模相关的特点，并评估了沿一系列异构性能指标（例如本地化的准确性和可靠性）沿着一组异构性能指标的两种最先进的流动定位方法的性能。
用于脑肿瘤定位的人机交互的可解释人工智能
摘要：成人脑原发性恶性肿瘤在全球范围内都是致命的。计算机视觉，尤其是人工智能 (AI) 的最新发展，为自动表征和诊断脑肿瘤病变创造了机会。人工智能方法在不同的图像分析任务中提供了前所未有的准确性，包括区分含有肿瘤的大脑和健康的大脑。然而，人工智能模型就像一个黑匣子，隐藏了合理的解释，而合理的解释是将人工智能成像工具转化为临床常规的重要一步。可解释的人工智能方法旨在可视化训练模型的高级特征或集成到训练过程中。本研究旨在评估所选深度学习算法在定位肿瘤病变和在磁共振成像对比中区分病变与健康区域方面的表现。尽管分类和病变定位准确度之间存在显著相关性（R = 0.46，p = 0.005），但本研究中检查的已知 AI 算法根据其他不相关的特征对一些肿瘤大脑进行分类。结果表明，可解释的 AI 方法可以培养对模型可解释性的直觉，并可能在深度学习模型的性能评估中发挥重要作用。开发可解释的 AI 方法将成为改善人机交互和协助选择最佳训练方法的重要工具。
在移动应用程序的自动 UI 本地化测试中使用 AI
科学文献中很少提到本地化测试，特别是在移动应用领域。本论文重点介绍了 iOS 移动应用自动本地化测试系统的实际实施。我在一家以移动和桌面应用为主要产品的国际公司担任软件工程师。每个应用都本地化为多种语言。测试每个用户界面 (UI) 是否按每种语言显示正确的内容是软件开发生命周期中最耗时的部分。由于测试的视觉性质，需要在具有各种操作系统和屏幕分辨率的不同设备上手动重复完成此操作。有效测试本地化应用对于质量工程师来说始终是一个挑战，因为他们不是语言专家。测试范围在某种程度上仅限于查找错误布局、重叠、未翻译的文本和错误表示的字符等错误。名为 NEAR 的原型系统是本论文的成果。它旨在自动执行 UI 本地化测试中的大多数任务。它集成了来自 Google 等服务提供商的经过预先训练的基于云的自然语言处理 (NLP) 和计算机视觉人工智能模型，为测试添加了视觉上下文。因此，运行回归测试所需的时间更少。测试范围现在包括查找需要语言技能的错误，例如误译、文本截断和语言环境违规。