XiaoMi-AI文件搜索系统
World File Search System原型
设计用于检查隧道施工环境的自主无人机原型
摘要 - 本文解决了不典型的域适应性（UDA）中的两个重要挑战，重点是利用视觉培训预训练（VLP）模型的力量。首先，UDA主要依赖于ImageNet预训练的模型。但是，UDA中VLP模型的潜力在很大程度上尚未探索。VLP模型的丰富表示形式具有增强UDA任务的信号。为了解决这个问题，我们提出了一种称为跨模式知识蒸馏（CMKD）的新颖方法，利用VLP模型作为教师模型来指导目标领域的学习过程，从而导致了最新的表现。其次，当前的UDA范式涉及为每个任务培训单独的模型，从而导致大量存储开销和不切实际的模型部署，随着转移任务的增加。为了克服这一挑战，我们引入了剩余的稀疏训练（RST），利用了VLP广泛的预训练所带来的好处，该技术需要最小的调整（约0.1％〜0.5％）的VLP模型参数，以实现性能比较与罚款。结合了CMKD和RST，我们提出了一个综合解决方案，该解决方案有效地利用VLP模型来实现UDA任务，同时减少存储开销用于模型部署。此外，CMKD可以与其他方法一起用作基线，例如FixMatch，增强UDA的性能。我们提出的方法在标准基准测试上优于现有技术。我们的代码将在以下网址提供：https：//github.com/wenlve-zhou/vlp-uda。
移动应用程序针对心力衰竭患者的自我管理的原型：自动化的施工和验证的移动应用程序
结果：Vivacor-IC应用包含30个屏幕，其中包含符号和症状，使用的药物，疫苗，吸烟的影响以及与自我管理和心力衰竭有关的身体和性活动。该应用程序的功能包括每日记录液体和餐点，检查幸福感，代偿性不足和遵守治疗的症状。法官的评估获得的协议大于90％，并且患者评估的可接受性大于50％。观察到与教育有关的统计学显着差异（p = 0.024）。尽管在评估评估应用程序的组中的手册的组中，教育水平较高，但没有观察到有关原型的可接受性的干扰。
语义增强的视觉原型框架，用于几个...
几乎没有射击学习（FSL）旨在鉴于有限的培训样本，旨在识别新的猫。核心挑战是避免过度适应最小数据，同时确保对新课程的良好概括。一种主流方法采用视觉特征提取器的原始类型作为分类器的重量，并且性能取决于原型的质量。由于不同的类别可能具有相似的视觉特征，因此视觉影响具有局限性。这是因为现有方法仅在预训练阶段学习一个简单的视觉特征，但忽略了完善的特征空间对原型的重要性。我们介绍了语义范围的视觉原型框架（SEVPRO）来解决此问题。sevpro从预训练阶段中学到了原型，并用作所有基于原型FSL方法的ver-Satile插入式框架。具体来说，我们通过将语义嵌入到视觉空间中，以相似的视觉特征为有助于分类类别来增强实质性的可区分性。对于新颖的课堂学习，我们利用基础类别的知识，并结合语义信息以进一步提升原型质量。同时，对FSL基准和ABLATIM研究的实验实验证明了我们对FSL的影响的优越性。
pilora：用于联邦课堂学习的原型指导增量洛拉
摘要。现有的联合学习方法在涉及数据隐私和非IID数据的情况下有效地处理了分散的学习。但是，在现实情况下，每个客户端都动态学习新类，要求全局模型对所有可见的类进行分类。有效地减轻灾难性遗忘和数据异质性，我们提出了一种名为Pilora的简单有效方法。一方面，我们采用原型学习来学习更好的功能表示形式，并利用原型和类特征之间的启发式信息来设计原型重新重量调节，以解决由数据异质性引起的分类器偏见而无需重新培训分类器。另一方面，我们将增量学习视为学习独特的任务向量并在不同的Lora参数中编码它们的过程。因此，我们提出了增量的洛拉（Lora）来减轻灾难性遗忘。标准数据集的实验结果表明，我们的方法的表现优于最先进的方法。更重要的是，我们的方法在不同的环境和数据杂基的程度上表现出强大的稳固性和优越性。该代码可从https://github.com/ghy0501/pilora获得。
巴西隐私增强技术指南原型设计
在墨西哥成功开展透明度和可解释性项目后，Open Loop 转向南锥体，与巴西和乌拉圭的独立实施团队和多家参与公司合作，开展隐私增强技术 (PET) 平行实验。这项工作提供了一个很好的机会，可以深入了解每个国家的特点、政策和制度生态系统，以及每个司法管辖区开始采用 PET 的参与者的性质。它还提供了一个独特的机会来了解 PET 对于全面保护个人数据的重要性，并勾勒出在更广泛采用和使用 PET 方面面临的挑战和机遇方面在两个背景下存在的相似之处。
原型生物多样性数字双胞胎：疾病暴发
非洲猪发烧（ASF）是由Asfiviru属的DNA病毒引起的野猪和家养猪（SUS SCROFA）的可传播致命感染（家族Asfarviridae； Gabriel等人； Gabriel等人。2011）。研究表明，在欧洲，传统的传输路线涉及Ornithodoros属的血液滴答tick虫在ASF感染周期中不起作用（Pietschmann等人。2016）。相反，动物是通过与其他受感染动物或受污染的尸体，食物或设备直接接触而感染的（Gaudreault等人。2020）。尽管对人们无害，但该病毒可能会产生重大的经济影响。尽管进行了持续研究2019，Gaudreault等。2020）将控制措施限制在感染的早期发现，健康与患者的身体分离以及对感染动物的淘汰（欧洲食品安全局，2014年，Jurado等人2018）。
原型生物多样性数字双胞胎：农业景观中的蜜蜂
beehave是一个典型的高分辨率生态模型：它的空间范围相对较小。它仅表示一个蜂巢周围的景观，即5 x 5km²。因此，它不能用于评估蜜蜂及其在各个地区，国家或其他地区的栖息地的状况。Beehave的现有工作流程依赖于周围景观中田野和农作物的地图，这些田地和农作物很少可用，并且数据以测试菌落表现的模型预测的数据。Beehave已在25多个研究中使用（Suppl。材料1），但它用于支持国家或欧洲一级的政策制定。这些政策包括欧洲社区共同农业政策（CAP）的重要方面。支持制定此类政策，同时还可以帮助农民和养蜂人及其协会发展可持续和生物多样性的实践，有必要将Beehave的范围和预测能力扩展到数字双胞胎（DT），并考虑到为生物多样性保存而发展的特定挑战（DT）2023）。数字双胞胎使我们能够以一致的方式申请Beehave，从当地特定地点应用到国家范围。
智能家禽的原型用于小型家禽养殖者，北部
家禽农场是全国和全球农业的重要部门，用于粮食生产和供应。监视和维持家禽的最佳生活条件是必须采取最高质量的家禽的重要步骤，才能提供优质的家禽，必须维护和监视最佳环境。如果有一些工具可以帮助通知鸡舍的独特环境，它可以帮助农民解决监测家禽农民进行的方法。技术进步在包括家禽种植在内的农业部门的发展中发挥了重要作用。该研究旨在创建一个自动开发的智能家禽的原型，以保持该地区的氨气含量和温度水平。也将测量湿度和温度，并将由风扇和热灯控制。此外，可以在不手动干预的情况下及时完成食物和水的提供。