XiaoMi-AI文件搜索系统
World File Search System准确的
利用人工智能将录音转化为准确的街道图像
该团队利用来自北美、亚洲和欧洲城市的 YouTube 视频和音频，制作了来自不同地点的 10 秒音频片段和静态图像，并用它们训练 AI 模型，该模型可以根据音频输入生成高分辨率图像。然后，他们使用人工和计算机评估，将由 100 个音频片段制作的 AI 声音到图像创作与它们各自的真实照片进行比较。
kun-peng：一种超级效率，快速和准确的锅...
数据库。对于序列处理，使用滑动窗口将k = 35 bp k-mer分析为116提取物aℓ= 31 bp最小化器（红色框）。与Kraken2不同，Kun-Peng仅保留独特的BP 117最小化器，以防止过度计数并减少误报。间隔的种子蒙版（s = 7）是将118应用于最小化器序列，然后进行哈希函数计算以生成119个紧凑型哈希码。此哈希代码确定存储的块位置，也确定了数据库中有序块中的120个搜索启动位置。数据库分为121个多个有序块（1至n），从而通过块加载122和搜索实现有效的内存使用。123
纤维工具：快速准确的DNA-M6A使用单个...
图2激光表的概述和与SEM的接口。a，具有相关光束修改硬件的激光表的简化示意图。515 nm激光信号（绿线）起源于纤维激光器上的SHG模块，然后以9：1的比例分开。10％的功率被定向1型BBO，将其转换为257 nm UV脉冲（紫色线）。90％的功率被引导为安装在电动延迟阶段的逆转录器中，然后发送到SEM。b，在激光表的顶部视图实现，标有各种关键组件和激光路径。c，两个关键的SEM端口被标记，虚线表明绿色和紫外线激光脉冲如何进入系统。将UV脉冲定向到SEM阴极上，从而在色谱柱下产生光电子的脉冲。绿色脉冲被指向一个光学端口，该光端口导致最终到达标本的内部潜望镜。
yolov1到Yolov10：最快，最准确的实时对象检测系统
对象检测是一项基本的计算机视觉任务，可以支持各种下游任务。例如，它可用于协助实例细分，多对象跟踪，行为分析和识别，面部识别等。因此，在过去的几十年中，它一直是一个受欢迎的研究主题。近年来，由于移动设备的流行，在边缘上执行实时对象检测的能力已成为各种现实世界应用程序的必要组件。属于此类应用程序的任务包括自动驾驶，工业机器人，身份认证，智能医疗保健，视觉监视等。在许多实时对象检测算法中，Yolo（您只看一次）系列（从V1到V10）[1] - [10]近年来开发的是特别出色的。它在计算机视觉领域已经极大地影响了各种研究。本文将回顾Yolo的技术家族及其对当代实时计算机视觉系统发展的影响。通过在对象检测领域成功实现分裂的第一个基于深度学习的方法是R- CNN [11]。r-CNN是一种两阶段的对象检测方法，将对象检测过程分为两个阶段：对象提案生成和对象提案分类。R-CNN的作用是首先使用选择性搜索[12]，该搜索通常在图像处理中使用，以提取建议。在此阶段，CNN仅用作提取建议特征的特征提取器。至于识别部分，使用SVM [13]。随后的快速R-CNN的开发[14]
突破分配的快速准确的机器学习自动载体
我们详细介绍了机器学习自动级别的成功部署，该机器自动级别大大降低了分组计算机科学分配所需的分级人工。这项任务（将学生都任命为编程的游戏，该游戏由一个可控制的桨和一个球从桨上弹跳以折断砖头的游戏 - 很受欢迎，因为它吸引了具有入门计算机智能概念的学生，但产生了巨大的分级负担。由于游戏的互动性质，评分违反了传统的单元测试，而通常需要手动玩每个学生的游戏以搜索错误。这相当于标准课程提供的45小时的评分，并防止了进一步的分配。我们的自动骑士通过与强化学习者和为教师的发现错误的视频进行了每种学生游戏，从而减轻了这一负担。在用手动分级的A/B测试中，我们发现我们的人类AI自动载体将评分时间减少了44％，同时将分级准确度略有提高6％，最终在两份分配的产品中节省了大约30小时。我们的结果进一步表明，通过类似的机器学习技术对其他交互式作业（例如其他游戏或构建网站）进行分级的实用性。https://ezliu.github.io/breakoutgrader的实时演示。
一种深度学习的方法，以实现高效而准确的珊瑚...
摘要。珊瑚礁是重要的生态系统，由于当地人类的影响和气候变化，其威胁越来越大。对珊瑚礁的有效，准确的监测对于它们的保护和管理至关重要。在本文中，我们提出了一个自动珊瑚检测系统，该系统只能使用一次（YOLO）深度学习模型，该模型是专门针对水下进化分析量身定制的。要训练和评估我们的系统，我们采用了一个由400个原始水下图像组成的数据集。，我们使用数据增强技术通过图像操纵将带注释的图像的数量增加到580，这可以通过提供更多样化的训练示例来改善模型的性能。数据集是从捕获各种珊瑚礁环境，物种和照明条件的水下视频中仔细收集的。我们的系统可以实现Yolov5算法的实时对象检测功能，从而实现有效而准确的珊瑚检测。我们使用Yolov5从带注释的数据集中提取区分特征，从而使系统能够概括，包括以前看不见的水下图像。在我们的原始图像数据集上，使用Yolov5成功实施了自动珊瑚检测系统，突出了先进的计算机视觉技术在珊瑚礁研究和保护中的潜力。进一步的研究将着重于完善算法以处理具有挑战性的水下图像条件，并扩展数据集以结合更广泛的珊瑚种类和时空变化。
气体附录：为自动驾驶汽车系统生成快速准确的替代模型
图1显示了在玉米田中车辆相机收集的现实世界图像的原始验证数据集上，作物 - 监测工具[1]使用的RESNET-18网络的错误分布。左右图分别用于标题和距离感知误差。直方图显示实际误差频率，而线路显示拟合的正态分布。分布与直方图非常匹配，表明神经网络的误差是正态分布的。图2从视觉上比较了神经网络输出分配与凉亭内捕获的图像预测的分布。红色虚线椭圆和蓝色实心椭圆显示了神经网络输出分布的3σ置信边界和感知模型预测的分布。这两个分布彼此紧密匹配，尤其是当车辆在中心附近并直接指向前方时。
QuickSim：硅悬挂键逻辑的有效，准确的物理模拟
摘要 - 硅悬挂的债券已将它们确立为超越CMOS技术领域的有前途的竞争者。它们的整合密度和在传统电路技术中的几个数量级的耗散耗散优势的潜力引发了学术界和行业的兴趣。虽然已经提出了制造能力，并且已经提出了第一次设计自动化方法，但物理模拟有效性尚未保持步伐。在该域中建立的算法遭受了指数运行时行为或低于PAR的精度水平。在这项工作中，我们提出了一种基于统计方法的硅悬挂键系统的物理模拟的新型算法，该方法既可以通过多个数量级和三个以上的数量级和三个以上的因素，既可以提供时间到解决方案和准确性优势，又可以通过精疲力尽的实验评估证明。
最佳大脑压缩：准确的训练后量化和修剪框架
我们考虑深度神经网络 (DNN) 在具有挑战性的一次性/后训练环境中的模型压缩问题，在该环境中，我们获得了一个经过精确训练的模型，并且必须仅基于少量校准输入数据对其进行压缩，而无需进行任何重新训练。鉴于新兴的软件和硬件支持通过加速剪枝和/或量化来执行压缩模型，这个问题变得很普遍，并且已经针对这两种压缩方法分别提出了性能良好的解决方案。在本文中，我们介绍了一种新的压缩框架，该框架在统一的环境中涵盖权重剪枝和量化，具有时间和空间效率，并且大大提高了现有后训练方法的实际性能。在技术层面，我们的方法基于 [LeCun、Denker 和 Solla，1990] 的经典最佳脑外科医生 (OBS) 框架的精确和高效实现，该框架扩展到还涵盖现代 DNN 规模的权重量化。从实际角度来看，我们的实验结果表明，它可以显著改善现有后训练方法的压缩-准确度权衡，并且可以在后训练环境中实现修剪和量化的准确复合应用。