XiaoMi-AI文件搜索系统
World File Search System低精度
生长曲线的理论验证用于量化噬菌体 - 细菌相互作用
细菌感染病毒，噬菌体是地球上最丰富的生物学实体，经常用作基础研究中的模型系统，并且与诸如噬菌体疗法之类的医学应用越来越重要。一个普遍的需求是量化给定细菌宿主的噬菌体感染性（或宿主对噬菌体的抗性）。但是，量化感染力的当前方法患有低通量或低精度。一种具有对噬菌体相互作用的高通量和高精度定量潜力的方法是生长曲线，其中在存在和不存在噬菌体的情况下，随着时间的流逝，细菌密度随着时间的流逝而测量。最近的工作提出了几种将这些曲线量化为噬菌体感染力度量的方法。然而，对于这些指标如何相互关系或与潜在的噬菌体和细菌性状相关的知之甚少。为了解决这一差距，我们采用噬菌体和细菌种群的生态建模来模拟各种特征值的生长曲线。我们的发现表明，许多生长曲线指标提供了噬菌体感染性的平行度量。信息性指标包括细菌生长曲线的峰值和下降部分，是由潜在的噬菌体和细菌性状之间的相互作用驱动的，并且与常规的噬菌体适应性指标相关。此外，我们还展示了插入性状变化如何改变生长曲线动力学。最后，我们测试了生长曲线对接种密度的敏感性，并评估技术以比较不同细菌宿主的生长曲线。总的来说，我们的发现支持生长曲线的使用，以精确地对微生物科学的噬菌体 - 细菌相互作用进行精确的高通量定量。
开始使用适用于 Linux* 的英特尔® 人工智能分析工具包
• 英特尔 ® 针对 PyTorch* 的优化：英特尔 ® oneAPI 深度神经网络库 (oneDNN) 包含在 PyTorch 中，作为深度学习的默认数学内核库。 • 英特尔 ® 针对 PyTorch 的扩展：英特尔 ® 针对 PyTorch* 的扩展通过最新特性和优化扩展了 PyTorch* 功能，从而在英特尔硬件上进一步提升性能。 • 英特尔 ® 针对 TensorFlow* 的优化：此版本将 oneDNN 中的基元集成到 TensorFlow 运行时中，以加速性能。 • 英特尔 ® 针对 TensorFlow 的扩展：英特尔 ® 针对 TensorFlow* 的扩展是基于 TensorFlow PluggableDevice 接口的异构高性能深度学习扩展插件。此扩展插件将英特尔 XPU（GPU、CPU 等）设备带入 TensorFlow 开源社区，以加速 AI 工作负载。 • 英特尔 ® 针对 Python* 的分发版：开箱即用，获得更快的 Python 应用程序性能，几乎不需要更改代码。此发行版与英特尔 ® oneAPI 数学核心函数库和英特尔 ® oneAPI 数据分析库等英特尔 ® 性能库集成。 • 英特尔 ® Modin* 发行版（仅通过 Anaconda 提供），您可以使用这个智能的分布式数据框库（其 API 与 pandas 相同）在多节点之间无缝扩展预处理。只有通过使用 Conda* 软件包管理器安装英特尔 ® 人工智能分析工具包才能使用此发行版。 • 英特尔 ® Neural Compressor：在流行的深度学习框架（如 TensorFlow*、PyTorch*、MXNet* 和 ONNX*（开放神经网络交换）运行时）上快速部署低精度推理解决方案。 • 英特尔 ® Scikit-learn* 扩展：使用英特尔 ® oneAPI 数据分析库（oneDAL）无缝加速您的 Scikit-learn 应用程序。
一种基于计算机视觉的航空视频中准确提取车辆轨迹的方法
车辆轨迹数据拥有有价值的信息，用于高级驾驶开发和交通分析。虽然无人机（UAV）提供了更广泛的视角，但视频框架中小规模车辆的检测仍然遭受低精度的折磨，甚至错过了。本研究提出了一个全面的技术框架，以进行准确的车辆轨迹提取，包括六个主要组成部分：视频稳定，车辆检测，车辆跟踪，车道标记检测，坐标转换和数据denosing。为了减轻视频抖动，使用了冲浪和绒布稳定算法。仅一旦使用X（Yolox）进行多目标车辆检测，就只能看一下一个增强的检测器，并在检测头中包含一个浅特征提取模块，以提高低级和小规模特征的性能。有效的通道注意力（ECA）模块在颈部之前集成，以进一步提高表现力。此外，在输入阶段还应用了滑动窗口推理方法，以防止压缩高分辨率的视频帧。Savitzky-Golay过滤器用于轨迹降低。验证结果表明，改进的Yolox的平均平均精度（地图）为88.7％，比原模型的增强5.6％。与Advanced Yolov7和Yolov8模型相比，所提出的方法分别将MAP@50增加到7.63％和1.07％。此外，已经开发了车辆轨迹数据集，并且可以在www.cqskyeyex.com上公开访问。大多数跟踪（MT）轨迹度量达到98.9％，单侧定位的根平方误差约为0.05 m。这些结果证实，所提出的框架是交通研究中高准确性车辆轨迹数据收集的有效工具。
ngia：一种新型的基于基因序列聚类的基于贪婪的增量对准算法✩
基因序列聚类在计算生物学和生物信息学中非常重要且重要，用于研究系统发育关系和基因功能预测等。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。 基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。 例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。 已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。 需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。算法。本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。此外，我们开发了一个多节点版本来处理大型数据集。该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。强可伸缩性测试表明，NGIA的多节点版本可以以31％的并行效率扩展32个线程。©2022 Elsevier B.V.保留所有权利。