XiaoMi-AI文件搜索系统
World File Search Systemmant
量子过程演算的效果语义 - DROPS
量子通信协议的发展激发了人们对过程演算和行为等价性的量子扩展的兴趣，但定义与量子系统观测特性相匹配的双相似性是一项出奇困难的任务。明确解决此问题的两个提案 qCCS 和 lqCCS 没有定义算法验证方案：通过比较两个过程在所有输入状态下的行为来证明它们的双相似性。我们引入了一种基于效应的新语义模型，即表示其可观察特性的量子态的概率谓词。我们定义并研究了效应分布和效应标记转换系统 (eLTS) 的属性，分别概括了概率分布和概率标记转换系统 (pLTS)。作为概念证明，我们为最小量子过程代数提供了基于 eLTS 的语义，我们证明它在量子过程的可观察概率行为方面是合理和完整的。据我们所知，我们的提案是第一个符合量子理论特性的可通过算法验证的提案。
语音语言模型缺乏重要的大脑相关语义
尽管已知大脑中的阅读和聆听之间存在差异，但最近的研究表明，基于文本的语言模型可以非常准确地预测文本和语音引起的大脑活动。这就提出了一个问题：语言模型真正能预测大脑中哪些类型的信息。我们通过一种直接的方法来研究这个问题，即我们系统地从语言模型表示中删除特定的低级刺激特征（文本、语音和视觉），以评估它们对阅读和聆听过程中与 fMRI 大脑记录的对齐的影响。将这些结果与基于语音的语言模型进行比较，可以发现低级特征对大脑对齐的截然不同的影响。虽然基于文本的模型在删除特征后显示出早期感觉区域的对齐降低，但它们在晚期语言区域仍保留了显著的预测能力。相比之下，基于语音的模型即使在删除特征后也能在早期听觉区域保持很强的对齐，但在晚期语言区域失去了所有的预测能力。这些结果表明，基于语音的模型可以深入了解早期听觉区域处理的附加信息，但在使用它们模拟晚期语言区域的处理时需要谨慎。我们将代码公开。1
金刚烷在药物研发中的作用
金刚烷（三环[3.3.1.1 1,7 ]癸烷；1，图 1）是分子最小的二元化合物，1933 年从原油中分离出来后首次被发现。1,2 尽管金刚烷于 1941 年首次通过化学合成，但直到 1957 年 Schleyer 报告了合成过程，金刚烷及其衍生物才开始普及。3,4 随后，该部分开始被用于药物研发计划，第一个有希望的药物突破是 1963 年发现金刚烷胺具有抗病毒活性（2，图 1）。5,6 在这份开创性报告发表后的 60 年里，金刚烷基化合物在药物化学和药物研发中得到了广泛的应用，目前有七种金刚烷基药物（3-8，图 1）用于临床。这些化合物用于治疗一系列疾病，包括病毒感染、神经退行性疾病、寻常痤疮和 2 型糖尿病。7
户外环境中自动导航的实时衡量标准映射
摘要 - 编码人类优先知识的度量语义图的创建代表了环境的高级突出。然而，构建此类地图构成了与多模式传感器数据融合，实时映射性能的融合以及结构和语义信息一致性的保留相关的挑战。在本文中，我们引入了一个在线度量 - 语义映射系统，该系统利用LIDAR-Visual-Visual-Visual惯性传感生成了大型室外环境的全局度量标准网格地图。利用GPU加速度，我们的映射过程达到了出色的速度，无论场景尺度如何此外，我们将所得地图无缝地集成到现实世界中的导航系统中，从而实现了基于公制的语义地形评估和在校园环境中的自主点 - 要点导航。通过对包含24个序列的公共可用数据集进行的广泛实验，我们证明了映射和导航方法的有效性。
语义增强的视觉原型框架，用于几个...
几乎没有射击学习（FSL）旨在鉴于有限的培训样本，旨在识别新的猫。核心挑战是避免过度适应最小数据，同时确保对新课程的良好概括。一种主流方法采用视觉特征提取器的原始类型作为分类器的重量，并且性能取决于原型的质量。由于不同的类别可能具有相似的视觉特征，因此视觉影响具有局限性。这是因为现有方法仅在预训练阶段学习一个简单的视觉特征，但忽略了完善的特征空间对原型的重要性。我们介绍了语义范围的视觉原型框架（SEVPRO）来解决此问题。sevpro从预训练阶段中学到了原型，并用作所有基于原型FSL方法的ver-Satile插入式框架。具体来说，我们通过将语义嵌入到视觉空间中，以相似的视觉特征为有助于分类类别来增强实质性的可区分性。对于新颖的课堂学习，我们利用基础类别的知识，并结合语义信息以进一步提升原型质量。同时，对FSL基准和ABLATIM研究的实验实验证明了我们对FSL的影响的优越性。
SGDCL：可解释自主驾驶的语义引导动态相关学习
通过学习表达表达，深度学习（DL）彻底改变了自主驾驶（AD）。尽管取得了重大进步，但DL模型的继承性不透明产生了公众的信任，阻碍了他们广泛采用的采用。为了表现出可行的自主驾驶，当前的研究主要专注于从现场提取特征，以预测驾驶动作及其响应解释。然而，这些方法不足以在动作和解释（这项工作中称为类别）中实现语义和相关性信息，从而导致了次优的性能。为了解决这个问题，我们提出了语义引导的动态相关性学习（SGDCL），这是一种新颖的方法，可以利用语义丰富性和动态相互作用与类别的内在性。sgdcl启用语义引导的学习模块，以获取特定于类别的表示和动态相关学习模块，以适应类别之间的复杂相关性。另外，我们引入了一个创新的损失术语，以利用类别的细粒度同时统计来进行精制正则化。我们可以在两个完善的基准上进行广泛评估SGDCL，这表明了它优于七个最先进的基线和一个大型视觉模型。SGDCL可显着促进可解释的自主驾驶，最多15个。3％的绩效提高和可解释的关注分数，增强了公众对AD的信任。
跨域通过双匹配转换
跨域少数射击语义分割（CD-FSS）旨在训练可以从不同域中分割具有一些标记图像的域类别的广义模型。以前的作品证明了特征转化在顾问CD-FSS中的有效性。但是，他们完全依靠支持图像进行特征转换，并且反复使用每个班级的一些支持图像很容易导致过度拟合并忽略了类内部外观差异。在本文中，我们提出了一个双重匹配的基于转换的网络（DMTNET）来解决上述问题。我们建议自我匹配转换（SMT），而不是完全依靠支持图像，以基于查询图像本身本身构建特定于特定的转换矩阵，以将特定于域特异性的查询特征转换为域。计算特定特定的转换矩阵可以防止过度拟合，尤其是对于元测试阶段，仅将一个或几个图像用作支撑图像来分割数百或数千个图像。获得了域 - 不足的特征后，我们利用了双关联构建（DHC）模块，以与Support图像的前景和背景之间的查询相关之间的超相关性，基于前景和背景图的前景和背景预测映射的产生和超级映射，并具有分为分段，以增强其分段。此外，我们提出了测试时间自我填充（TSF）策略，以更准确地自我调整看不见的域中的查询预测。代码可在https://github.com/chenjiayi68/dmtnet上找到。在四个流行数据集上进行的实验实验表明，DMTNET比最新方法实现了卓越的性能。
by-slam：基于台面和语义信息提取的动态视觉大满贯系统
摘要：SLAM是一种至关重要的技术，用于实现无人车辆的自主导航和定位。传统的视觉同时本地化和映射算法建立在静态场景的假设上，从而忽略了动态目标在现实世界环境中的影响。来自动态目标的干扰可以显着降低系统的定位精度，甚至导致跟踪故障。为了解决这些问题，我们提出了一个名为S-Slam的动态视觉大满贯系统，该系统基于“同样和语义信息提取”。最初，引入了词汇描述符来描述定向的快速特征点，从而提高了特征点匹配的精度和速度。随后，fasternet替换了Yolov8的骨干网络以加快语义信息提取。通过使用DBSCAN聚类对象检测的结果，获得了更精致的语义掩码。最后，通过利用语义面膜和表现约束，可以辨别和消除动态特征点，从而仅利用仅利用静态特征点进行姿势估计，并构建了不包括动态目标的密集3D地图。在TUM RGB-D数据集和现实世界情景上进行了实验评估，并证明了拟议算法在滤除场景中的动态目标方面的有效性。与Orb-Slam3相比，TUM RGB-D数据集的本地化准确性提高了95.53％。针对经典动态大满贯系统的比较分析进一步证实了通过lam的定位准确性，地图可读性和鲁棒性的提高。
技术企业精神促进环境行为的可持续碳排放降低
这项研究研究了技术企业精神与环境行为的整合，以实现卡利门坦中部可持续的碳排放量的减少。着眼于Dayak-Banjar社区，该研究旨在开发一种模型，该模型利用当地的智慧和技术企业范围来促进环境保护。该方法包括通过在Baung，Muara Dua和Kuala Pembuang村庄分发的访谈和问卷调查的定性研究。的调查结果表明，受环境退化的深层影响的当地通信愿意采取环境行为。影响这种变化的关键因素包括态度，主观规范，感知的行为控制和知识。这项研究强调了技术企业精神在促进可持续实践中的潜力，并为设计政策提供基础，以通过技术企业精神来支持亲环境行为。通过培养当地社区中的亲环境行为，这项研究表明，可以平衡生态保护与经济增长，与SDG 13，SDG 15和SDG 8.