XiaoMi-AI文件搜索系统
World File Search Systemverse
Unimode：统一的单眼3D对象检测
实现统一的单眼3D对象检测，包括室内和室外场景，在机器人导航等应用中非常重要。然而，涉及各种数据方案来训练模型引起了挑战，因为它们的特性显着不同，例如，二 - 几何特性和异质域分离。为了应对这些挑战，我们根据鸟类的视图（BEV）检测范式建立了一个检测器，在该检测范式中，当采用多个数据方案以训练检测器时，明确的特征投影有利于对几何学学习模棱两可。然后，我们将经典的BEV检测体系结构分为两个阶段，并提出了不均匀的BEV网格设计，以处理由上述Challenges引起的收敛不稳定。此外，我们开发了稀疏的BEV功能策略，以降低计算成本和处理异质域的统一操作方法。将这些技术结合起来，得出了一个统一的检测器Unimode，它超过了富有挑战性的Omni3D数据集（一个大规模的数据集（一个室内和室外场景））的先前最先进的AP 3D，揭示了Bev bev tor tor tor tor tor tor tor unified 3D对象的第一个成功概括。
ODM：文本图像进一步的对齐预训练方法，用于场景文本检测和发现
近年来，文本图像联合预训练技术在各种任务中显示出令人鼓舞的结果。然而，在光学特征识别（OCR）任务中，将文本实例与图像中的相应文本区域对齐是一个挑战，因为它需要在文本和OCR文本之间有效地对齐（将图像中的文本称为ocr-文本以与自然语言中的文本区分开来），而不是对整体图像内容的全面理解。在本文中，我们提出了一种新的预训练方法，称为o cr-text d估计化m odeling（ODM），该方法根据文本提示将图像中的文本样式传输到统一样式中。使用ODM，我们在文本和OCR文本之间实现了更好的对齐方式，并启用预训练的模型以适应场景文本的复杂和多样化的样式。此外，我们为ODM设计了一种新的标签生成方法，并将其与我们提出的文本控制器模块相结合，以应对OCR任务中注释成本的挑战，并以大量未标记的数据参与预培训。在多个Pub-LIC数据集上进行的广泛实验表明，我们的方法显着地证明了性能，并且在场景文本检测和发现任务中的当前预训练方法优于当前的预训练方法。代码在ODM上可用。
语言模型作为编译器：模拟伪代码执行改善语言模型中的算法推理
算法推理任务涉及涉及逻辑模式的算法，例如完成Dyck语言，尽管他们最近的成功，但对大语言模型（LLMS）构成了挑战。先前的工作已使用LLM来生成程序语言，并应用了外部计算机来执行此类任务。然而，当飞行时，很难用解决方案的正确逻辑生成可执行的代码。即使这样，一个实例的代码也无法重用其他实例，尽管它们可能需要相同的逻辑来解决。我们提出了t Hink-和-e Xecute，这是一个新的框架，改善了LLMS的算法 - 固有推理：（1）在T Hink中，我们发现了在所有实例中共享的任务级逻辑，并用伪代码表达逻辑； （2）在e x -ecute中，我们将任务级伪代码量身定制为每个实例并模拟其执行。t hink-和-e xecute在算法算法推理任务中的表现优于几个强大的基线（包括婴儿床和锅）。我们表现出使用任务级伪代码而不是一一生成实例特定解决方案的优点。另外，我们表明，即使对自然语言指导进行了自然语言指导，伪代码也可以更好地改善LMS的推理。
H-V2X：BEV感知的大型高速公路数据集
摘要。车辆到全部用途（V2X）技术已成为路边基础感知数据集，因此已成为研究领域。但是，这些数据集主要关注城市交叉点，并且缺乏公路方案的数据。此外，数据集中的感知任务主要是由于跨多个传感器的同步数据，因此主要是单声道3D。为了弥合这一差距，我们提出了高速公路-V2X（H-V2X），这是第一个大型高速公路鸟类视图（BEV）感知数据集，由传感器在现实世界中捕获。数据集覆盖了超过100公里的高速公路，并具有多种道路和天气状况。h-v2x由超过190万个BEV空间中的精细粒度分类样品组成，由多个同步摄像机捕获，并提供了矢量图。我们进行了联合2d-3d校准，以确保涉及正确的投影和Human劳动，以确保数据质量。此外，我们针对公路方案提出了三个高度相关的任务：BEV检测，BEV跟踪和轨迹预测。我们为每个任务进行了基准，并提出了包含向量图信息的创新方法。我们希望H-V2X和基准方法将促进BEV感知研究方向的高速公路。该数据集可从https://pan.quark.cn/s/86d19da10d18
大脑皮层和皮层下网络预测当前心率
摘要 静息心率可能会增加患心血管疾病 (CVD) 和其他不良心血管事件的风险。虽然脑干对心率的自主控制已得到充分证实，但人们对高级皮质和皮质下大脑区域的调节作用知之甚少，尤其是在人类中。这项研究试图描述预测健康成年人普遍心率变化的大脑网络。我们使用专为复杂、高维数据集设计的机器学习方法，从 fMRI 测量的全脑血流动力学信号中预测瞬时心动周期 (心跳间隔) 的变化。基于任务和静息状态的 fMRI 以及外周生理记录取自两个包含个体内大量重复测量的数据组。我们的模型能够可靠地从个体内和个体间的全脑 fMRI 数据中预测瞬时心动周期，在参与者内部测量时预测准确率最高。我们发现，皮层和皮层下脑区网络（其中许多与内脏运动和内脏感觉过程相关）是心动周期变化的可靠预测因素。这为脑-心相互作用提供了更多证据，并朝着开发临床适用的脑对心血管疾病风险贡献的生物标记物迈出了一步。
血液系统恶性肿瘤靶向治疗的继发感染风险
摘要：血液系统恶性肿瘤 (HM) 中的并发感染是导致不良临床结果（包括延长住院时间和缩短预期寿命）的主要原因。被诊断患有 HM 的个体由于免疫抑制而特别容易受到传染性病原体的感染，这种免疫抑制可能是血液系统疾病所固有的，也可能是由特定的治疗策略引起的。多年来，HM 的治疗模式发生了巨大的转变，从广谱治疗方法转变为更具体的靶向治疗。目前，由于新型靶向疗法的出现以及这些药物在治疗目的中的使用率不断提高，HM 的治疗前景正在不断发展。通过启动独特的分子途径，这些药物阻碍恶性细胞的增殖，从而影响先天性和适应性免疫，这增加了感染并发症的风险。由于新型靶向疗法的复杂性及其相关的感染风险，医生在临床实践中保持最新知识往往是一项艰巨的任务。由于大多数针对靶向治疗的初始临床试验提供的信息不足以确定相关的感染风险，情况进一步恶化。在这种情况下，累积的证据对于指导临床医生了解靶向治疗后可能出现的感染并发症至关重要。在这篇评论中，我总结了关于 HM 靶向治疗背景下出现的感染并发症的最新知识。
高斯煎饼：对现实的内窥镜重建
摘要。在结直肠癌诊断中，常规结肠镜检查技术面临着临界局限性，包括有限的视野和缺乏深度信息，这可能会阻碍检测预癌病变。当前的方法很难为结肠表面提供全面和策划的3D重建，这可以帮助最大程度地减少缺失的区域并重新进行癌前息肉。解决这个问题，我们介绍了“高斯煎饼”，这种方法利用了3D高斯分裂（3D GS）与经常基于神经网络的同时定位和映射（RNNSLAM）系统相结合。通过将几何和深度正则化引入3D GS框架 - 我们的方法可确保高斯与结肠表面更准确地对齐，从而使3D重建更加顺畅，并对详细的纹理和结构进行了新颖的观看。在三个Di-verse数据集中进行的评估表明，高斯煎饼增强了新型视图的合成质量，超过了当前的领先方法，PSNR增长了18％，SSIM提高了16％。它还提供了超过100×的更快渲染和超过10倍的培训时间，使其成为实时应用程序的实践工具。因此，这有望实现临床翻译，以更好地检测和诊断结直肠癌。代码：https：//github.com/smbonilla/gaussianpancakes。
ABCD-RA-PTDM-DIAB-MED.PDF
最终器官衰竭患者的固体器官移植（SOT）是一种良好的救生治疗。虽然糖尿病（DM）被认为是全球肾脏衰竭的最重要原因，也是肾移植的常见原因，但1非糖尿病后移植后高血糖的发展是肾脏和其他SOT的普遍结果。移植后糖尿病（PTDM），先前称为移植后新发作糖尿病（NODAT），在接受SOT的人群中与临床临床结果有关。由于通用和移植特异性危险因素，PTDM应被视为一个不同的病理生理实体。本指南的目的是将重点放在移植后主要识别的血糖症或DM上。我们认识到，许多这样的人可能未发现移植前DM。的确，2014年的一份共识报告将NODAT一词更改为PTDM，以反映诊断的时间而不是发作时间。2我们专注于肾脏移植，但在可用的其他SOT上包含一些数据。尽管这些建议侧重于PTDM，但它们与患有先前存在的糖尿病的SOT接受者有关，这些糖尿病可能会在移植后遭受血糖降低。在这些指南中未解决胰腺胰腺胰腺移植的胰腺失败/失败之后的DM管理。
关于疫苗安全的事实 - 牛津学术
疫苗接种反对者提出的疫苗安全性问题并没有被忽视。美国国立卫生研究院、疾病控制和预防中心 (CDC) 和食品药品管理局 (FDA) [1] 投入了大量资金用于研究疫苗反应。多所大学临床中心获得资金用于研究疫苗反应。独立研究人员研究并发表疫苗安全性成果。卫生保健提供者、疫苗接种者、父母或制药公司报告的任何接种后不良事件都会经过仔细评估，以确定两者之间是因果关系还是仅仅是时间关系。疫苗接种反对者声称疫苗不安全，他们的观点基于未经证实的轶事。国会认识到没有任何医疗程序是 100% 安全的，因此于 1986 年通过了《国家儿童疫苗伤害法案》[2]。该法案的一项重要规定是设立了疫苗伤害赔偿计划，这是一项无过错的传统侵权制度的替代方案，适用于声称对 FDA 许可和 CDC 推荐的疫苗产生不良反应的人。美国每天要注射数万剂疫苗，不良事件可能只是偶然在接种疫苗后发生，而疫苗并不是导致不良事件的原因。赔偿制度将判断每个案例的事实，并决定医疗状况是否由疫苗引起。当与疫苗接种的关系不确定但可能存在时，系统将做出有利于患者的判决。（该计划授予的所有赔偿中约有 70% 来自疫苗接种）。
fedGCS：通过基于梯度的优化在联合学习中有效选择有效客户选择的生成框架
联邦学习在统计和系统异质性方面面临重大挑战，以及高能量消耗，需要有效的客户选择策略。传统方法，包括启发式和基于学习的方法，无法解决这些复杂性。为了回应，我们提出了FedGC，这是一种新颖的生成客户选择框架，它可以创新将客户选择过程作为一项固定的任务重新铸造。从大语模型中使用的方法中汲取灵感，FedGC能够在连续表示空间内编码丰富的决策知识，从而实现了有效的基于梯度的优化，以搜索将通过生成而产生的最佳客户选择。框架组合四个步骤：（1）使用经典客户端选择方法自动收集“选择得分”对数据； （2）在此数据上训练编码器 - 评估器 - 编码器框架以结构连续的表示空间； （3）在此空间中启用基于梯度的优化，以进行最佳客户选择； （4）通过使用光束搜索训练有素的解码器来生成最佳客户端选择。FedGC通过更全面，可推广和高效，同时选择模型性能，延迟和能力消费来优于传统方法。通过广泛的实验分析证明了FedGC的有效性。