XiaoMi-AI文件搜索系统
World File Search Systemnematic
从扩展影院到扩展现实：人工智能如何拓展和延伸影院体验
本文探讨了扩展电影的概念及其与扩展现实 (XR) 的关系，重点关注人工智能 (AI) 在扩展和延伸表达可能性方面的潜力。扩展电影是指通过为观众创造沉浸式和互动式体验来挑战传统电影惯例的实验电影和多媒体艺术形式。另一方面，XR 模糊了物理现实和虚拟现实之间的界限，提供了沉浸式的叙事体验。扩展电影和 XR 都旨在突破传统规范的界限，通过整合技术、互动性和跨感官元素来创造沉浸式体验。本文通过案例研究强调了 AI 在优化 XR 的 3D 场景创建和增强整体体验方面的作用。它还介绍了几种基于 AI 的技术，例如生成模型和 AI 辅助渲染，这些技术可促进高效和有效的 3D 内容创建。此外，它还探讨了在 3D 建模软件中使用 AI 插件，以及使用 GAN 和 VAE 等技术从 2D 图像生成 3D 模型和纹理。
Robert Kenner、Valentin Gischig、Zan Gojcic、Yvain Quéau、Christian Kienholz 等人。点云在大型斜坡不稳定性中岩石运动学分析的潜力：瑞士阿尔卑斯山的例子：Brinzauls、Pizzo Cengalo 和 Spitze Stei。山体滑坡，2022 年，�10.1007/s10346-022-01852-4�。�hal- 03616418�
摘要 激光雷达测量和无人机摄影测量提供的高分辨率点云非常适合调查斜坡变形。然而，今天这些点云中包含的信息很少得到充分利用。这项研究展示了瑞士的三个大规模斜坡不稳定的例子，出于灾害预防的原因，这些斜坡受到积极监测。我们使用通过地面激光扫描获取的点云来 (1) 识别各个岩石隔室运动行为的差异；(2) 突出显示移动岩体中的活动剪切面；(3) 确定驱动斜坡位移的运动过程；(4) 根据岩石滑坡的 3D 表面运动模拟基底滑动面；(5) 计算精确的位移角；(6) 提供对不稳定岩石体积的估计。这些信息对过程理解做出了重要贡献，从而支持了灾害管理中的决策。
不同运动学对 JIZAI 镍钛旋转器械静态和动态扭转行为的影响：体外研究
背景/目的：使用传统方法检查镍钛旋转器械的静态扭矩与临床情况相矛盾，而且该方法对于顺时针和逆时针旋转运动的有效性值得怀疑。本研究旨在使用临床扭矩极限设置在静态/动态测试条件下检查不同运动学对 JIZAI 器械 (#25/.04) 扭转行为的影响。材料和方法：在静态测试中，将 JIZAI 的 5 毫米尖端固定在圆柱形虎钳中，并以自动扭矩反转、最佳扭矩反转 (OTR) 或往复 (REC) 进行连续旋转 (CR) 直至断裂（各 n Z 10）。在动态测试中，使用单长度技术使用 JIZAI 和 CR、OTR 或 REC 对直根管和严重弯曲根管进行器械治疗（各 n Z 10）。使用带有扭矩/力测量单元的自动塑形装置记录断裂时的静态扭矩、断裂时间 (T f )、动态扭矩和旋入力。使用单因素方差分析或带有 Bonferroni 校正的 Kruskal e Wallis 检验和 Mann e Whitney U 检验进行统计学分析 (⍺ Z 0.05)。结果：运动学不影响静态或动态扭矩 (P > 0.05)；然而，确实影响直根管中的旋入力 (P < 0.05)。REC 具有明显较长的 T f ，而严重弯曲的根管在 CR 中产生明显更大的扭矩和旋入力 (P < 0.05)。结论：在目前的实验条件下，扭矩以外的参数对不同的运动学表现出明显的影响。 OTR 的动态扭矩和旋入力与其他旋转模式相似，不受管道弯曲度的影响。
使用残差 CNN-LSTM 神经网络进行基于 EEG 皮质源特征的手部运动解码
摘要 — 使用脑信号进行运动运动解码 (MKD) 对于开发用于康复或假肢设备的脑机接口 (BCI) 系统至关重要。表面脑电图 (EEG) 信号已广泛应用于 MKD。然而，来自皮质源的运动解码很少被探索。在这项工作中，已经探索了使用 EEG 皮质源信号进行手部运动解码以执行抓取和举起任务的可行性。特别是，利用了运动前 EEG 片段。提出了一种基于残差卷积神经网络 (CNN) - 长短期记忆 (LSTM) 的运动解码模型，该模型利用运动前大脑活动中存在的运动神经信息。在运动开始前 50 毫秒的各种 EEG 窗口用于手部运动解码。实际和预测手部运动之间的相关值 (CV) 被用作源域和传感器域的性能指标。在传感器和源域比较了所提出的深度学习模型的性能。结果证明了使用运动前 EEG 皮质源数据进行手部运动学解码的可行性。
光合能转换过程从电子到单元尺度的多尺度建模和电影可视化
将阳光转化为化学能，即光合作用，是地球上生命的主要能源。基于从电子到细胞量表的多尺度计算模型的可视化形式，以fulldome show earl the planet earth的诞生的摘录形式提出。这种可访问的视觉叙述显示了外行观众，包括孩子，如何通过一系列蛋白质捕获，转换和存储阳光的能量，从而使活细胞捕获。可视化是生物物理学家，可视化科学家和艺术家之间多年合作的结果，而这反过来又基于在结构和功能建模上进行了长达十年的实验计算合作，从而产生了对细菌性生物概念性细菌性生物概要细胞器的原子细节描述。该项目需要进行的软件进步导致了大量的性能和功能进步，包括硬件加速的电影射线跟踪和实例可视化，以进行有效的单元格式建模。所描述的能量转换步骤具有从电子到单元水平的功能整合，涵盖了近12个数量级的时间尺度。此原子细节描述独特地使人对人类最早的故事之一的现代重述 - 光与生命之间的相互作用。
设计和测试3D打印的准基因支持
摘要：超出或推进器的产生的污染物对于光学表面和光学有效载荷至关重要，因为科学测量值，并且通常可以通过不受控制的污染来降解或危害性能。这是空间技术中的一个众所周知的问题，可以通过增长的石英晶体微量平衡来证明，作为测量材料超出质量性能数据并表征轨污染环境的解决方案。在太空中的操作需要与关键要求的兼容性，尤其是整个任务中要面对的机械和热环境。这项工作提供了基于3D打印技术的固定结构的设计，该技术旨在满足太空应用的环境特征，尤其是面对严酷的机械和热环境。已经构想了一种运动学安装，以赋予与较大温度范围的兼容性，并且它是通过有限的元素方法设计的，可以在发射阶段克服负载，并应对温度的工作范围降低到低温温度。质量，并允许对嵌入式加热器和传感器在该温度范围内的机械电阻和稳定性进行验证。此外，在随机环境中进行的机械测试以500 m/s 2的RMS加速度水平和20至2000 Hz的激发频率进行了成功。测试活动允许验证拟议的设计，并为可能的未来的飞机机会（以及船上的微型或纳米卫星）开辟了道路。此外，通过利用制造技术，拟议的设计可以实现容易的组装和安装固定系统。同时，即使是用于地面应用的小型系列生产，3D打印也提供了一种具有成本效益的解决方案，例如监测热毛库腔室中的污染物或清洁室或沉积室。
γ 中的运动学高扭曲修正 γ → M ¯ M
我们估计了在 Q 2 ¼ − q 2 1 较大和 s ¼ ð q 1 þ q 2 Þ 2 较小时对 γ ð q 1 Þ γ ð q 2 Þ → M ð p 1 Þ ¯ M ð p 2 Þ 振幅的运动学高扭曲（高达扭曲 4）修正，其中 M 是标量或伪标量介子。众所周知，该过程在领先扭曲处分解为可扰动计算的系数函数和广义分布振幅（GDA）。考虑到 Belle 和 Belle II 可获得的运动学，s=Q 2 和 m 2 =Q 2 阶的运动学高扭曲贡献在截面中非常重要。我们利用从 Belle 测量中提取的 ππ GDA 和渐近 ππ GDA 作为输入，对 γ γ → π 0 π 0 的截面进行了数值估计，以研究运动学修正的幅度。为了了解 m 2 =Q 2 量级的目标质量修正如何影响截面，我们还使用模型 ηη GDA 对 γ γ → ηη 进行了计算。在 s > 1 GeV 2 的范围内，运动学高扭曲修正占总截面的 ∼ 15%，这个影响是不可忽略的。由于 ππ GDA 是获取介子能量动量张量 (EMT) 的最佳方式，我们的研究表明，准确评估 EMT 形状因子需要考虑运动学高扭曲贡献。
一种生物学上可信的脉冲神经网络，用于解码海马和运动前皮层的运动学
摘要 — 本研究提出了一种脉冲神经网络，用于根据神经数据预测运动学，从而实现准确且节能的脑机接口。脑机接口是一种解释神经信号的技术系统，可让运动障碍患者控制假肢。脉冲神经网络具有低功耗和与生物神经结构非常相似的特点，因此有可能改进脑机接口技术。本研究中的 SNN 使用泄漏积分和激发模型来模拟神经元的行为，并使用局部学习方法进行学习，该方法使用替代梯度来学习网络参数。该网络实现了一种新颖的连续时间输出编码方案，允许基于回归的学习。SNN 是在从灵长类动物运动前皮层和大鼠海马记录的神经和运动数据上进行离线训练和测试的。该模型通过寻找预测运动数据与真实运动数据之间的相关性来评估，运动前皮层记录的峰值皮尔逊相关系数达到 0.77，海马体记录的峰值皮尔逊相关系数达到 0.80。该模型的准确性与卡尔曼滤波解码器和 LSTM 网络以及使用反向传播训练的脉冲神经网络进行了对比，以比较局部学习的效果。
文章使用人工神经网络估计机器人的运动学和工作空间
摘要：目前，在特定而复杂的工业操作中，机器人必须满足某些要求和标准，如高运动学或动态性能、工作空间的特定尺寸或机器人移动元件尺寸的限制。为了满足这些标准，必须对机器人进行适当的设计，这需要多年的实践以及人类设计师的适当知识和经验。为了协助人类设计师进行机器人设计，已经开发了几种方法（包括优化方法）。本文解决的科学问题是开发一种人工智能方法，使用前馈神经网络来估计机器人的工作空间大小和运动学。该方法应用于由基座平台、移动平台和六个运动旋转万向球面开环组成的并联机器人。数值结果表明，通过适当的训练和拓扑结构，前馈神经网络能够根据末端执行器的姿态正确估计工作空间体积值和广义坐标值。
使用基于深度学习的无标记跟踪在深脑刺激植入帕金森氏病的过程中自动提取上limb运动学活性：概念验证研究
最佳的深脑刺激（DBS）治疗治疗运动障碍通常依赖于术中运动测试来确定目标测定。但是，在当前的实践中，运动测试依赖于主观解释和电机信息的相关性。计算机视觉的最新进展可以提高评估准确性。我们描述了我们对基于深度学习的计算机视野的应用，以进行无标记的跟踪，以测量接受DBS手术的患者的运动行为，以治疗帕金森氏病。视频记录是在术中术中获得的（n = 5患者），作为精确植入DBS电极的护理标准的一部分。运动学数据。手动和自动化（精度为80.00％）的方法都用于从阈值衍生的运动学幻觉中提取运动学发作。通过对抛物线贴合拟合进行建模上肢挠度来压缩主动运动时期。半监督分类模型，支持向量机（SVM），对抛物线拟合拟合定义的参数进行了训练，可靠地预测运动类型。在所有情况下，跟踪均经过良好的校准（即，重新投影像素误差0.016-0.041;准确性> 95％）。SVM预测的分类表现出很高的精度（85.70％），包括两个常见的上肢运动，臂链拉力（92.30％）和手工夹（76.20％），并使用每位患者的剩余过程验证了精度。常规电机测试程序这些结果表明，对于评估DBS手术的最佳大脑目标至关重要的运动行为的成功捕获和分类。