XiaoMi-AI文件搜索系统
World File Search Systemnything
nything：使用视觉语言模型自动化现实世界机器人
摘要：RT-1 [1]和广泛的社区努力（例如Open-X-敌人[2]）的大规模努力[2]有助于增加机器人演示数据的规模。但是，仍然有机会提高机器人演示数据的质量，数量和多样性。尽管已证明视觉模型可以自动生成演示数据，但它们的效用仅限于具有特权状态信息的环境，它们需要手工设计的技能，并且仅限于与几乎没有对象实例的交互。我们提出了一种nything，这是一种可扩展的自动生成方法，用于现实世界机器人操纵。与先前的工作不同，我们的方法可以在实际环境中运行，而无需任何特权状态信息，手工设计的技能，并且可以操纵任何静态对象。我们使用两个设置评估我们的方法。首先，m anipulate -a nything成功地生成了所有7个现实世界和14个仿真任务的轨迹，显着优于诸如voxposer之类的现有方法。第二，与人类示威的训练或从voxposer [3]，扩展[4]和代码 - 质量[5]产生的数据相比，与训练人的训练相比，可以训练更健壮的行为克隆策略可以训练更健壮的行为克隆策略。我们认为，nything可以是生成用于机器人技术的数据的可扩展方法，也可以是零射击设置中的新任务。项目页面：robot-ma.github.io。
基于 Segment Anything 模型的脑肿瘤 MRI 分割方法
不同类型的脑肿瘤区域的精确分割是医学图像分割中的关键任务。在临床上，脑部MRI包含丰富的信息，可以极大地帮助医生对脑肿瘤患者的检查和诊断。随着人工智能（AI）和计算机技术的进步，一些基础模型在计算机视觉领域越来越发挥着举足轻重的作用。Segment Anything模型（SAM）是图像分割领域的基础模型，以其出色的零样本分割性能和迁移能力而闻名，在自然图像处理中取得了令人赞叹的效果。为了探索SAM在脑肿瘤MRI分割中的有效性并解决由于图像灰度不均匀导致的分割精度低的问题，提出了一种基于SAM特征融合的方法。将Transformer和卷积神经网络（CNN）融合的特征输入到mask解码器中，利用Transformer的注意力机制更有效地捕捉图像中的全局关系，从而提高输出的精度。实验证明，本研究提出的方法超越了单独使用SAM的分割性能，实现了脑肿瘤MRI的精确分割。
成绩单：与Alex Livingston，Joule Case
绝对。一个有趣的旅程。爱达荷州，您知道，土豆。 土豆，您可以拿出大量的土豆，可以制作一个很小的电池。 ，但我们没有在这里制作土豆电池。 实际上，所以Joule Case是我的第二家电池启动公司，这两次都与我的联合创始人詹姆斯·瓦格纳（James Wagner）在一起。 我们俩都在爱达荷大学的机械工程计划上相识，并且在电动汽车后刚刚有兴趣。 这实际上是在《有线》杂志上的一篇文章中开始的旅程，谈论了由一位名为马丁·埃伯哈德（Martin Eberhard）的绅士创立的那个奇特的新创业公司特斯拉汽车公司（Tesla Motors）。 文章很棒。 这是这辆伟大的电动汽车。 看起来不一定是奇怪的。 它建在Lotus的滚动框架上。 当时它比保时捷阵容的一半快到60。爱达荷州，您知道，土豆。土豆，您可以拿出大量的土豆，可以制作一个很小的电池。，但我们没有在这里制作土豆电池。实际上，所以Joule Case是我的第二家电池启动公司，这两次都与我的联合创始人詹姆斯·瓦格纳（James Wagner）在一起。我们俩都在爱达荷大学的机械工程计划上相识，并且在电动汽车后刚刚有兴趣。这实际上是在《有线》杂志上的一篇文章中开始的旅程，谈论了由一位名为马丁·埃伯哈德（Martin Eberhard）的绅士创立的那个奇特的新创业公司特斯拉汽车公司（Tesla Motors）。文章很棒。这是这辆伟大的电动汽车。看起来不一定是奇怪的。它建在Lotus的滚动框架上。当时它比保时捷阵容的一半快到60。
使用任意片段模型分析微生物样本
细菌、真菌、病毒、酵母和原生动物等微生物污染物引起了食品制造商的极大兴趣和担忧，因为它们可能存在食物中毒或食物腐败的风险（Maruthamuthu 等人，2020 年）（Talo，2019 年）。对数字微生物数据的需求不断增长，为微生物学家和实验室专业人员提供了轻松检测微生物的机会（Egli 等人，2020 年）。这种变化可以个性化诊断和治疗，提高数字数据质量，并降低医疗成本。传统的基于培养的微生物检测方法非常耗时，而数字成像因其快速的方法而备受关注。数字微生物学还有可能对公共卫生和病原体监测产生重大影响。为了实现数字化，微生物实验室必须发展数字医学和食品分析方面的专业知识，包括数据处理、感知和基础设施（Soni 等人，2022 年）。近年来，计算机视觉、人工智能 (AI) 和机器学习 (ML) 等在大量标记数据上进行训练的方法越来越多地用于自动分析医学图像和微生物样本 (Goodswen et al., 2021)。这些方法可用于识别四种不同类型的微生物：细菌、藻类、原生动物和真菌 (Rani et al., 2022)。卷积神经网络和 ResNet-50 等模型可用于确定微生物样本的类别 (Majchrowska et al., 2021) (Rani et al., 2022) (Talo, 2019)。语义分割是一种计算机视觉方法，用于分析微生物样本的图像，当需要根据语义含义精确确定图像的不同区域时，为图像中的每个像素分配一个类标签 (Zawadzki et al., 2021)。 Faster R-CNN 和 Cascade R-CNN 等模型可用于计数微生物样本图像中的细菌菌落，这些模型可以检测单个物体并确定其类别。实例分割方法旨在通过区分图像中单个细菌菌落的不同实例并将每个像素分配给唯一的菌落来提供对图像的详细理解（Zawadzki 等人，2021 年）。Meta 公司开发和训练的 Segment Anything Model (SAM) 用于图像分割（实例分割）（Kirillov 等人，2023 年）。该模型使用超过 10 亿个掩模对 1100 万张图像进行了训练。SAM 模型具有零样本泛化的可能性，因此无需额外训练即可用于图像中对象的分割。SAM 模型可以分析来自广泛领域的图像，包括生物医学、农业、自动驾驶等。2. 方法
分割任何模型（SAM）到分段超声图像的能力
超声（US）图像的自动分割可以帮助筛查，诊断和评估预后。但是，由于以下困难，准确的美国细分是一个挑战。首先，美国图像通常患有低信噪比（SNR）（1）和不均匀强度分布（2）。第二，由于美国探针与身体表面之间的接触不足或存在干扰扫描的组织界面的解剖结构，阴影是常见的发生（3）。这些阴影区域具有低强度或深色像素，通常是解剖区域和病变不可或缺的（4）。如图1所示，在美国图像中经常观察到阴影伪像和模棱两可的病变边界，对准确的美国分割提出了重大挑战。最近，已经提出了元AI的任何模型（SAM）（5），作为自然图像分割的可促进基础模型，并最少。SAM是一种深度学习模型（基于变压器），已接受大量图像和面具的培训 - 超过1
“我根据《2000 年信息自由法》给您写信，要求国防部提供以下信息：1. 目前申领即时养老金 (IP) 的武装部队退伍军人总数2. 年龄在 65 岁以下申领即时养老金的退伍军人总数3. 每年从养老金中领取少于 20,000 英镑、少于 15,000 英镑、少于 10,000 英镑和少于 5,000 英镑的即时养老金的退伍军人总数4. 自 2010 年以来，按年份细分，已向国防部退伍军人团队寻求无家可归支持的武装部队退伍军人总数以及国防部在支持中发挥作用的退伍军人无家可归案例总数。如果信息超出第 12 节中的合规成本限制，请告知如何减少请求，同样，如果可以澄清请求中的任何内容，请随时与我联系。” 2022 年 3 月 31 日，您提供了以下澄清：
“我根据《2000 年信息自由法》给您写信，要求国防部提供以下信息：1. 目前申领即时养老金 (IP) 的武装部队退伍军人总数2. 年龄在 65 岁以下申领即时养老金的退伍军人总数3. 每年从养老金中领取少于 20,000 英镑、少于 15,000 英镑、少于 10,000 英镑和少于 5,000 英镑的即时养老金的退伍军人总数4. 自 2010 年以来，按年份细分，已向国防部退伍军人团队寻求无家可归支持的武装部队退伍军人总数以及国防部在支持中发挥作用的退伍军人无家可归案例总数。如果信息超出第 12 节中的合规成本限制，请告知如何减少请求，同样，如果可以澄清请求中的任何内容，请随时与我联系。” 2022 年 3 月 31 日，您提供了以下澄清：
任何时间、任何地点、任何事物_MAC_1947-1991（第 1 部分）
军事空运司令部是美国空军中任务最为多样、影响最为深远的组织之一。该组织于 1941 年 5 月 29 日开始运作，当时的名称为空军运输司令部，主要任务是将新飞机从工厂运送到用户手中。1942 年 6 月，该司令部改名为航空运输司令部，并迅速发展壮大，负责监督人员和物资在洲际距离上的运输。1948 年 6 月，国防部将航空运输司令部和海军航空运输处合并，成立了军事航空运输处，成为国防部的空运服务单一管理机构。空运任务的持续扩展使得该司令部不得不再次进行重新指定，1966 年 1 月，军事航空运输处改名为军事空运司令部。尽管技术创新显著，但如今的该司令部仍承担着许多与二战时期的航空运输司令部相同的广泛职责。 1991 年 5 月，在司令部成立 50 周年之际，我们回顾了这个国家军事空运组织的发展历程。以下图文并茂的历史记录了司令部的起源、演变和命运，并讲述了军事空运在美国服役过程中的一些重要经验教训。最重要的是，它展示了空运支持从人道主义援助到广泛外交政策选择的独特能力