XiaoMi-AI文件搜索系统
World File Search System主动
具有成本效益的主动激光扫描系统，用于深度感知深度学习的实例分段
摘要：家禽业在全球农业中起关键作用，家禽是蛋白质的主要来源，并为经济增长做出了重大贡献。但是，该行业面临着与重复性且苛刻的劳动密集型任务相关的挑战。自动化已成为提高运营效率并提高工作条件的关键解决方案。具体来说，机器人的操纵和对象的处理在工厂中变得无处不在。但是，存在挑战以预先识别和引导机器人处理一堆具有相似纹理和颜色的物体。本文着重于开发旨在自动化鸡的机器人解决方案的视觉系统，该机器人解决过程是一种基本的，但在家禽加工中是一种基本但身体上剧烈的活动。为了解决通用实例分割模型在识别重叠对象中的限制，开发了一种具有成本效益的双重活性激光扫描系统来生成对象上的精确深度数据。将经过良好的深度数据生成与RGB图像集成在一起，并将其发送到实例分割模型以进行单个鸡检测和识别。这种增强的方法显着改善了该模型在处理涉及重叠鸡的复杂场景中的性能。具体而言，RGB-D数据的集成将模型的平均平均精度（MAP）检测准确性提高了4.9％，并显着改善了中心偏移 - 本研究中引入的定制度量标准，以量化地面真相蒙版中心与预测的面具中心之间的距离。精确的中心检测对于开发未来的机器人控制解决方案至关重要，因为它可以确保在鸡肉重定过程中准确抓住。中心偏移量从22.09像素（7.30 mm）降低到8.09像素（2.65 mm），证明了该方法在缓解闭塞挑战和增强视觉系统的可靠性方面的有效性。
引用：Wang YM，Fan F，Zhao HJ等。 Terahertz主动多通道涡流，具有平均对称性破坏和基于近/远场多路复用
带有轨道角动量（OAM）的涡流梁对于高容量通信和超分辨率成像具有重要意义。但是，芯片上的自由空间涡旋（FVS）和等离子涡旋（PVS）之间存在巨大差距，而主动操纵以及更多的通道中的多路复用已成为紧迫的需求。在这项工作中，我们演示了由螺旋等离子元素层，液晶晶体（LC）层和螺旋介质元素层组成的Terahertz（THZ）级联的MetadeVice。通过旋转轨道角动量耦合和光子状态叠加，PV和FV的平均模式纯度平均产生超过85％。由于螺旋跨面的反转不对称设计引起的，实现了OAM的均衡对称性破裂（拓扑电荷数不再以正面和负为正面发生，但所有这些都是正面的），产生了6个与脱钩的旋转状态和近距离/远距离位置相关的6个独立通道。此外，通过LC集成，可以实现动态模式切换和能量分布，最终获得多达12个模式，调制比率高于70％。这种主动调整和多渠道多路复用元点在PVS和FVS之间建立了桥梁连接，在THZ通信，智能感知和信息处理中显示出有希望的应用。
主动机器人课程从在线人类演示中学习
摘要 - 从演示中学习（LFD）允许机器人从人类用户学习技能，但是由于次优教学，尤其是未经训练的示威者，其有效性可能会受到影响。活跃的LFD旨在通过让机器人积极要求演示来增强学习来改善这一点。但是，这可能会导致各种任务情况之间的频繁上下文切换，从而增加了人类的认知负载并将错误引入演示。此外，很少有活跃的LFD研究研究这些主动查询策略如何影响人类教学以外的用户体验以外的方面，这对于开发有利于机器人学习和人类教学的算法至关重要。为了应对这些挑战，我们提出了一种活跃的LFD方法，该方法通过课程学习（CL）优化了在线人类示范的查询顺序，在该方法中，示威者被指导在逐渐增加困难的情况下提供示范。我们在四个模拟的机器人任务中评估了我们的方法，并进行了稀疏的奖励，并进行用户研究（n = 26），以研究主动LFD方法对人类教学方面的教学绩效的影响，导致教学后教学适应性和教学可转移性。我们的结果表明，与其他三种LFD基准相比，就融合政策和样本效率的最终成功率而言，我们的方法显着提高了学习绩效。此外，我们的用户研究结果表明，我们的方法大大减少了人类示威者所需的时间，并减少了失败的演示尝试。与另一个活跃的LFD基线相比，它还可以增强在可见和看不见的情况下的指导后人类教学，这表明教学表现增强，更大的后指导教学适应性以及通过我们的方法实现的更好的教学可转移性。索引术语 - 从示范中学习；课程学习；积极的模仿学习；人类在环境中
AVR：主动视力驱动的机器人精确操作，具有视点和焦距优化
精确操作是指机器人在综合环境中表现出高度准确，细致和灵活的任务的能力[17]，[18]。该领域的研究重点是高精度控制和对动态条件的适应性。使用运动学模型和动态模型以实现结构化设置中的精确定位和组装[19]，依靠刚性机械设计和模型驱动的控制依赖于刚性机械设计和模型驱动的控制。最近，深度学习和强化学习改善了动态环境中的机器人适应性[20]，[21]，而视觉和触觉感应的进步使千分尺级的精度在握把，操纵和组装方面[22]。此外，多机器人协作还允许更复杂和协调的精确任务。尽管取得了重大进展，但在多尺度操作整合，动态干扰补偿和低延迟相互作用中仍然存在挑战[23]。未来的研究应进一步改善交叉模态信息的实时对齐，并增强非结构化环境中机器人视觉的鲁棒性，以优化精确的操纵能力。
利用主动，道德t
在以前所未有的数字复杂性为标志的时代中，赛景观景观正在以惊人的速度发展，挑战了传统的防御范式。高级持续威胁（APTS）揭示了常规安全措施中的内在漏洞，并强调了迫切需要对连续，适应性和积极主动的策略，这些策略将人类的洞察力与尖端的AI技术无缝整合在一起。本手稿探讨了代理AI和Frontier AI的融合如何通过重新建立网络框架（例如网络杀戮链），增强威胁性智能过程以及将强大的道德治理嵌入在AU的响应系统中。借鉴了现实世界的数据和前瞻性观点，我们研究了实时监控，自动化事件响应以及永久学习在锻造稳定，动态的防御生态系统中的作用。我们的愿景是将技术创新与坚定不移的道德监督协调，以确保促进AI-Drienden的安全解决方案坚持公平，透明和问责制的核心人类价值，同时反对新兴的网络威胁。
使用主动学习和超参数优化的图像切解分解
图像切解分析检测数字图像中隐藏的数据，对于增强数字安全性至关重要。传统的切解方法通常依赖于大型预先标记的图像数据集，这些数据集很困难且昂贵。为了解决这个问题，本文介绍了一种创新的方法，该方法结合了积极的学习和非政策深度强化学习（DRL），以使用最小标记的数据来改善图像ste缩。主动学习允许模型智能选择应注释哪些未标记的图像，从而减少有效培训所需的标记数据量。传统的主动学习策略通常使用限制灵活性且不能很好地适应动态环境的静态选择方法。为了克服这一点，我们的方法结合了用于战略数据选择的非政策DRL。DRL中的非政策可以提高样本效率，并显着提高学习成果。我们还使用差分进化（DE）算法来微调模型的超参数，从而降低了其对不同设置的敏感性并确保更稳定的结果。我们对广泛的BossBase 1.01和BOWS-2数据集进行了测试，证明了该方法区分未更改和隐形图像的强大能力，在BossBase 1.01和BOSS-2数据集对BossBase 1.01和91.834％的平均F量表达到93.152％。总而言之，这项研究通过采用先进的图像切解分析来检测隐藏数据，从而增强了数字安全性，从而通过最小的标记数据显着提高了检测准确性。
Micado高级被动和主动中子测量系统的设计用于放射性废物鼓
1 CEA，DES，IRESNE，核测量实验室，F-13108法国圣保罗 - 莱兹 - 杜兰斯2 ENEA，Lungotevere Grande Ammiraglio Thaon di Revel 76，Roma 000196，Roma 000196，意大利3 Caen S.P.A. Bagnols-Sur-Cèze30200，法国5 Orano集团，巴黎大街125号，Châtillon92320法国6 Orano La Hague，La Hague 50444，在Micado H2020项目的框架中，被动和主动的中子测量系统正在开发出核材料的核材料量不足的频率，并估算出了核材料的范围。已经进行了蒙特卡洛模拟，以设计一个新的模块化和可运输的中子系统，其主要目标是在被动模式下进行良好的表现，即中子重合计数，并在主动询问模式下与差分隔离技术。不同的设计，这些设计主要不同，它们的适量材料（石墨和聚乙烯）。这项参数研究使我们能够考虑到其在广泛的原地和核设施中的最终实施，从而定义了一个原型。原型的总中子检测效率为6.75％，如空鼓计算，即没有废物矩阵。基于核材料等效质量的检测极限，也基于对鼓内核材料的均匀分布的假设进行了估算，其中包含四种类型的矩阵，这些矩阵涵盖了项目框架中定义的核废料桶范围。最有利的矩阵是在被动模式下由不锈钢制成的，在活动模式下的聚乙烯，明显的密度分别为0.7 g.cm -3和0.1 g.cm -3。计算出的质量检测极限分别为240 PU的68毫克，62 mg的235 U和39 mg的239 PU。最严格的矩阵由聚乙烯制成，表观密度为0.7 g.cm -3，在被动模式下导致519 mg的质量检测极限为240 PU，564 mg的235 U或349 mg或349 mg的239 PU在活动模式下为239 PU。被动和主动模式的测量时间为30分钟。下一步将是基于密集的蒙特卡洛计算和实验设计的矩阵效应的完整研究，以找出适当的校正。还将在CADARACHE核测量实验室进行实验，并通过中子系统原型的构造和组装，以及装有不同矩阵的模拟鼓的测量。
scsemiprofiler：通过半生成模型和主动学习
单细胞测序是剖析复杂疾病的细胞复杂性的关键工具。其过于良好的成本会阻碍其在广泛的生物医学研究中的应用。传统的细胞反卷积方法可以从更负担得起的散装测序数据中推断出细胞类型比例，但它们在提供单细胞级分析所需的详细分辨率方面却缺乏。为了克服这一挑战，我们介绍了“ SCSemiprofiler”，这是一个创新的计算框架，将深层生成模型与主动学习策略结合。这种方法通过将批量测序数据与来自一些严格选择的代表的靶向单细胞测序融合，从而在大型队列中熟练地侵入单细胞轮廓。跨越异质数据集的广泛阀门验证了我们的半封装方法的精度，与真实的单细胞分析数据紧密一致并赋予精致的细胞分析。最初是为广泛的疾病队列开发的，“ scsemiprofiler”适用于广泛的应用。它为单细胞分析提供了可扩展的，具有成本效益的解决方案，促进了各种生物领域的深入细胞研究。
基于人工智能的主动脉动脉瘤的预测建模
腹部主动脉瘤（AAAS）仍然是全球社会的主要关注点，因为破裂和死亡的风险相关。当前，AAA的管理需要临床和成像风险因素，而这些风险因素在患者特定的风险评估方面并不精确和准确。在过去的十年中，人工智能（AI）和机器学习（ML）算法的利用通过允许基于患者特征创建个性化模型，从而改变了医学领域的决策过程。本综述旨在以主动脉动脉瘤的预测建模形式讨论AI的当前状态和未来方向，从而强调了ML在风险评估，筛查和预后中的多功能性和进展。我们扩展了基于AI的解决方案中使用的各种策略，以及一般和特定方法（例如受监督和无监督学习，深度学习等）之间的差异。此外，我们提出了将临床，成像和基因组数据纳入AI/ML的问题，以提高其对临床实践的预测性和适用性。此外，我们讨论了将开发的基于AI的预测模型转变为临床实践的困难和前景，以及与数据质量，模型解释性以及法律和道德问题相关的问题。本综述旨在揭示AI和ML的机会，以增强AAA的风险评估和管理，以将心血管护理的范式转移到精确医学上。