XiaoMi-AI文件搜索系统
World File Search Systemtection
移动机器人障碍物检测和避免NAV ...
摘要 - 智能机器人技术在维护，维修和大修（MRO）机库操作方面具有重要意义，其中移动机器人可以在其中导航复杂而动态的环境，以进行飞机视觉检查。飞机机库通常忙碌而变化，形状和尺寸各不相同，呈现出严格的障碍物和条件，可能导致潜在的碰撞和安全危害。这使得障碍物检测和避免对安全有效的机器人导航任务至关重要。常规方法已在计算问题上应用，而基于学习的方法的检测准确性受到限制。本文提出了一个基于视觉的导航模型，该模型将预训练的Yolov5对象检测模型集成到机器人操作系统（ROS）导航堆栈中，以优化复杂环境中的障碍物检测和避免。该实验在ROS-Gazebo模拟和Turtlebot3 Waffle-Pi机器人平台中进行了验证和评估。结果表明，机器人可以越来越多地检测并避免障碍物，而无需碰撞，同时通过不同的检查点导航到目标位置。关键字 - 自主导航，对象检测，避免障碍物，移动机器人，深度学习
文章检测难以捉摸的DNA拷贝数变体...
拷贝数变体（CNV）在遗传性疾病和癌症的分子发病机理以及正常的人间变异中起着重要作用。但是，它们仍然很难在主流测序项目中识别，尤其是涉及外显子组测序，因为它们通常发生在非针对分析的DNA区域中。为了克服这个问题，我们开发了非高峰，这是一种用户友好的CNV检测工具，该工具以denoising方法为基础，并且使用“''target''DNA读取，通常通过测序管道来丢弃它。我们根据96种癌症的靶向测序以及来自三种不同人群的遗传性视网膜疾病的个体的130个个体进行了基准测试。对于两组数据，非高峰均表现出出色的性能（> 95％的灵敏度和> 80％的特定峰与实验验证），可在仅检测单独的硅数据中的CNV，这表明其对分子诊断和遗传研究的直接适用性。
多视图3D对象检测的多视图actentive上下文化
我们介绍多视图的细心上下文化（MVACON），这是一种简单而有效的方法，用于改善基于查询的多视图3D（MV3D）对象检测中的2D- TO-3D功能。尽管在基于查询的MV3D对象检测的领域取得了显着的进展，但先前的艺术通常会因高分辨率的高分辨率2D特征而缺乏基于密集的注意力提升的高分辨率2D特征，或者由于高计算成本，或者由于3D Queries的高度密集地接地不足，无法以3D Queries的高度质量为基于稀疏注意的多级2D功能。我们提出的MVACON使用代表密集但计算稀疏的细心特征连续化方案击中了两只鸟，该方案对特定的2d到3d feleture提升方法不可知。在实验中，使用BEVFormer及其最近的3D变形注意（DFA3D）变体以及PETR对纳斯曲霉基准进行了彻底的测试，并显示出一致的检测性能提高，尤其是在位置，方向和VELOCITY PRECTICTAR中提高了一致的检测性能。还可以在Waymo-Mini基准测试器上进行测试，并具有类似的改进。我们在定性和定量上表明，基于全局群集的上下文有效地编码了MV3D检测的密集场景级上下文。我们提出的MVA-CON的有希望的结果加强了计算机视觉中的格言 - “（contectu-alsized）特征事项”。
职业安全与健康保护...
海军部雇员的职业安全与健康保护 1970 年职业安全与健康法、第 12196 号行政命令和 29 CFR 1960 要求联邦机构负责人向雇员提供没有职业安全和健康危害的场所和工作条件。 海军部的职责 1. 一般要求 海军部长将确保为海军部雇员提供没有职业安全和健康危害的场所和工作条件。 2. OSHA 规定 海军部将遵守职业安全与健康管理局的适用规定。 3. 报告危害 海军部将通过指挥系统对员工关于工作场所危害的报告作出回应。 4. 工作场所检查 海军部下属的每个司令部都将确保每年检查每个工作场所是否存在危害情况。当地指挥部将张贴检查中发现的不安全或不健康工作条件通知，至少持续三个工作日，或直到危险得到纠正（以较晚时间为准）。5. 纠正不安全条件海军部内的指挥部将迅速采取行动，确保消除危险情况。即将发生的危险情况将立即得到纠正。6. 安全和防护设备海军部内的指挥部将购买、维护和要求使用适当的防护和安全设备。7. 安全和健康培训海军部内的指挥部将为员工提供职业安全和健康培训。
Mammoth 已经是基于 CRISPR 的疾病检测领域的领导者，最新一轮融资将推动 Mammoth 强大的平台
蛋白质发现扩展到基因编辑和治疗应用 加州南旧金山（2020 年 1 月 30 日）Mammoth Biosciences 是世界上第一个基于 CRISPR 的疾病检测平台背后的公司，今天宣布其 B 轮融资获得 4500 万美元超额认购。此次融资由德诚资本领投，Mayfield、NFX、Verily 和 Brook Byers 参投，使公司的融资总额超过 7000 万美元。这笔资金将推动该公司进一步开发 CRISPR 诊断和下一代 CRISPR 产品，同时该公司将其平台扩展到包括基因编辑和下一代治疗方法。Mammoth 还在探索与生物技术和制药公司的深度合作，以利用 Mammoth CRISPR 平台改变医疗保健并造福患者。CRISPR 在治疗疾病方面具有巨大的前景，Cas9 的临床试验已经在进行中——这是将 CRISPR 从实验室带入日常生活的关键一步。但是，尽管这种酶在体外环境中显示出成功的初步迹象，但在体内应用方面仍然存在挑战，限制了 Cas9 在广泛疾病领域的广泛应用。此外，Cas9 不能用于基于 CRISPR 的诊断，这是 Cas 系统的一个新兴和突破性应用。Mammoth 凭借其广泛的新型 Cas 系统组合，在克服这些障碍方面具有独特的优势，这些系统可作为诊断、基因编辑和治疗应用的工具箱。4500 万美元的 B 轮融资将推动 CRISPR 平台的开发，特别关注 Mammoth 发现的 Cas14。Cas14 是一种独特的酶，由于其极小的尺寸、多样化的靶向能力和高保真度，开辟了新的可能性。这些特性将使 Mammoth 能够实现下一代编辑，在体外和体内应用中具有更广泛的靶标范围，并为实现先进的 CRISPR 模式（如靶向基因调控、精确编辑等）奠定基础。最近，包括 Casebia（拜耳与 CRISPR Therapeutics 的合资企业）前联合创始人 Peter Nell 和 Synthego 和 Bio-Rad 前高管 Ted Tisch 在内的业内资深人士分别以首席商务官和首席运营官的身份加入了该公司，以加速公司的发展。Grail 联合创始人、前 Illumina 董事会成员 Jeff Huber 已加入公司董事会担任独立董事，斯坦福大学医学院院长 Lloyd Minor 已加入 Mammoth 顾问委员会。Mammoth Biosciences 首席执行官兼联合创始人 Trevor Martin 解释说：“作为 CRISPR 发现前沿的团队，我们亲眼目睹了对新工具的需求，以实现这项技术所提供的治疗和诊断前景。通过为诊断以外的新产品提供支持，我们正在使
在2005年至2020年3月的国家健康和营养检查调查（NHANES）参与者中，参与者（NHANES）参与者中有关糖尿病前期和2型糖尿病风险的单不饱和脂肪酸早期发现2型糖尿病风险：当前诊断标准的局限性
2型糖尿病（T2D）是全球糖尿病的主要原因，并且正在迅速增加，尤其是在青年中。它说明了美洲≥20岁的成年人的大多数糖尿病死亡，其中2型糖尿病负责大多数疾病负担。在全球近几十年以来，青少年和年轻人的2型糖尿病的发病率和负担都增加了。社会经济地位较低的国家的发病率和负担最高，而女性的死亡率和疾病负担通常比30岁以下的男性更高。早期诊断和管理对于延迟进展至关重要，但是基于葡萄糖阈值和糖化血红蛋白的当前诊断标准具有局限性。最近的分析表明，糖尿病前期会增加癌症的风险。迫切需要更好地识别高风险个体的诊断标准。本文讨论了当前标准的局限性，并探讨了替代方法和未来的研究方向。
Associate-3Ddet：用于 3D 点云对象检测的感知到概念关联
尽管最近的研究通过深度学习技术突破了极限，但从 3D 点云中进行物体检测仍然是一项具有挑战性的任务。由于严重的空间遮挡和点密度随到传感器距离的固有变化，同一物体在点云数据中的外观会有很大变化。因此，设计针对这种外观变化的鲁棒特征表示是 3D 物体检测方法的关键问题。在本文中，我们创新地提出了一种类似域自适应的方法来增强特征表示的鲁棒性。更具体地说，我们弥合了特征来自真实场景的感知域和特征从由富含详细信息的非遮挡点云组成的增强场景中提取的概念域之间的差距。这种领域自适应方法模仿了人脑在进行物体感知时的功能。大量实验表明，我们简单而有效的方法从根本上提高了 3D 点云物体检测的性能并取得了最先进的结果。
ai增强的预测系统，用于僵局僵局：云应用中的早期检测和预防
在云应用程序的领域中，线程僵局构成了重大挑战，影响了系统性能和可靠性。用于检测和解决僵局的传统方法通常在动态和可扩展的云环境中落下。本文为AI增强的预测系统提供了一个高级框架，该系统旨在早期发现和预防线程僵局。通过利用机器学习算法和实时数据分析，提出的系统可以预测潜在的死锁情景，然后才能升级为关键问题。该框架与基于云的应用程序集成在一起，以监视线程交互，确定指示即将发生僵局的模式并推荐先发制人的动作。通过广泛的模拟和现实世界的案例研究，我们证明了方法在减少僵局的发生率和改善整体应用稳定性方面的有效性。这项研究通过为并发计算的最具挑战性的方面之一提供积极的解决方案，从而有助于开发更具弹性的云系统。
开放式对象检测的生成区域训练
在最近的研究中，已对开放式摄制对象检测任务进行了大量关注，旨在概括训练期间标记的类别的有限级别，并检测推理时任意类别名称所描述的对象。与常规对象检测相比，打开的词汇对象检测在很大程度上扩展了对象检测类别。但是，它依赖于计算图像区域与一组具有验证视觉和语言模型的任意类别名称之间的相似性。这意味着，尽管具有开放式的性质，但该任务仍然需要在推理阶段的预定义对象类别。这提出了一个问题：如果我们在推理中对对象类别没有确切的了解，该怎么办？在本文中，我们称之为新的设置为生成性开放式对象检测，这是一个更普遍和实际的问题。为了解决它，我们将对象检测形式为生成问题，并提出了一个名为generateu的简单框架，该框架可以检测密集的对象并以自由形式的方式生成其名称。尤其是，我们采用可变形的DETR作为区域促成生成器，其语言模型将视觉区域转换为对象名称。为了评估自由形式的对象划分任务，我们介绍了一种评估方法，旨在定量测量生成量的性能。广泛的实验表明我们的生成量强烈的零射击性能。代码可在以下网址获得：https：//github.com/foundationvision/generateu。例如，在LVIS数据集上，我们的GenerateU在推理过程中属于类别名称，即类别名称无法看到类别名称，即使类别名称看不见类别名称，我们的GenerateU也可以与开放式唱机对象检测方法GLIP相当。
使用深度学习检测脑肿瘤
我保证，据我所知，我的论文不侵犯任何人的版权，也不违反任何专有权利，并且我的论文中包含的任何想法、技术、引用或来自他人作品的任何其他材料（无论是否已发表）均已根据标准引用惯例完全承认。此外，如果我所包含的受版权保护的材料超出了《印度版权法》所规定的公平使用范围，我保证我已获得版权所有者的书面许可，可以将此类材料纳入我的论文中，并将此类版权许可的副本附在我们的附录中。