XiaoMi-AI文件搜索系统
World File Search System原型
氮化硅光子集成电路原型制作及小批量生产
免责声明 - 本信息按“原样”提供，不作任何陈述或保证。Imec 是 IMEC International（根据比利时法律成立的法人实体，名称为“stichting van openbaar nut”）、imec Belgium（由弗兰德政府支持的 IMEC vzw）、imec the Dutch（Stichting IMEC Nederland，由荷兰政府支持的 Holst Centre 的一部分）、imec Taiwan（IMEC Taiwan Co.）、imec China（IMEC Microelectronics (Shanghai) Co. Ltd.）、imec India（Imec India Private Limited）、imec Florida（IMEC USA 纳米电子设计中心）活动的注册商标。
用于 3D 脑卒中成像的原型微波系统
1 都灵理工大学电子与电信系，意大利都灵 10129；jorge.tobon@polito.it (JATV)；giovanna.turvani@polito.it (GT)；david.rodriguez@polito.it (DOR-D.)；mario.casu@polito.it (MRC) 2 意大利国家研究委员会环境电磁传感研究所，意大利那不勒斯 80124；scapaticci.r@irea.cnr.it (RS)；crocco.l@irea.cnr.it (LC) 3 那不勒斯费德里科二世大学电气工程与信息技术系，意大利那不勒斯 80125；gbellizz@unina.it 4 巴黎电气工程组 (GeePs)、法国国家科研中心、中央理工高等电力学院、巴黎南部大学、Univ.巴黎萨克雷大学，索邦大学，91190 伊维特河畔吉夫，法国； nadine.joachimowicz@paris7.jussieu.fr 5 Laboratoire des Signaux et Systèmes (L2S), Université Paris-Saclay, CNRS, CentraleSupélec, 91190 Gif-sur-Yvette, France; bernard.duchene@l2s.centralesupelec.fr 6 那不勒斯费德里科二世大学高级生物医学科学系，80131 那不勒斯，意大利； enrico.tedeschi@unina.it * 通讯：francesca.vipiana@polito.it
将视觉原型与 BERT 嵌入对齐以进行少量...
少量学习 (FSL) 是从少量训练示例中学习识别以前未见过的图像类别的任务。这是一项具有挑战性的任务，因为可用的示例可能不足以明确确定哪些视觉特征最能体现所考虑类别的特征。为了缓解这个问题，我们提出了一种额外考虑图像类别名称的方法。虽然之前的工作已经探索过类名的使用，但我们的方法在两个关键方面有所不同。首先，虽然之前的工作旨在直接从词嵌入中预测视觉原型，但我们发现通过分别处理视觉和基于文本的原型可以获得更好的结果。其次，我们提出了一种使用 BERT 语言模型学习类名嵌入的简单策略，我们发现该策略大大优于之前工作中使用的 GloVe 向量。此外，我们提出了一种处理这些向量高维性的策略，该策略受到跨语言词嵌入对齐模型的启发。我们对 miniImageNet、CUB 和 tieredImageNet 进行了实验，结果表明我们的方法能够持续提高基于度量的 FSL 的最新水平。
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。
钠离子硬碳中的高原型行为...
Feng Wang, [a,b]# Lian Chen, [a] # Jiaqi Wei, [c] Caozheng Diao, [d] Fan Li, [b] Congcong Du, [a] Zhengshuai Bai, [b] Yanyan Zhang, [b] Oleksandr I. Malyi,* [a,e] Xiaodong Chen, [c] Yuxin Tang,* [a,b] Xiaojun Bao* [a,b]
S-3B 原型空中加油机提案.pdf - 今日野火
执行摘要 联邦消防机构面临着持续的挑战，即利用由地方、州、联邦和国防部共同承担的稀缺空中加油机资产来扑灭火灾。随着全球气候变化和人口增长加速野火威胁，情况的复杂性和困难度必将加剧。与此同时，全球军事承诺将继续对当前和未来的 C-130E/H/J 平台提出高利用率要求，这些平台是国家空中加油机队的重要基石。该提案是美国农业部森林服务局先前关注和围绕几项先前提交的空中加油机可行性研究进行对话的结果。它主要源于 2007 年国会预算会议，会议批准为“下一代 S-3B 固定翼空中消防加油机”计划提供资金，规定将开发适用于美国空军研究和美国森林服务局消防航空任务的双重用途技术。S-3B 是一种多用途海上攻击机，于 2009 年初从美国海军退役，使用寿命仅为其额定使用寿命的一半。Argon ST 的多任务转换 (MMC) 飞机计划是一项分阶段努力，旨在开发适合 USFS 评估的下一代空中加油机原型，同时在 AFRL 赞助下研究空中流体分配技术。第 1 阶段是一项耗资 320 万美元的设计、工程和制造工作，目前正在进行中。在第 1 阶段结束时，Argon ST 将展示能够执行多种专门危机响应和火灾测绘任务的下一代传感器系统。Argon ST 已与 NASA 的 Glenn 研究中心合作，以获得 S-3B 研究飞机的使用权。第 2 阶段是一项设计、工程和机身改造工作，旨在在 NASA/AFRL 联合赞助下为 USFS 评估提供单个 S-3B 空中加油机原型。NASA 目前运营着四架 S-3B 研究飞机；美国海军还计划在 2009 年底重新启动两到四架额外的飞机，以支持测试范围。其余的 S-3B 机队存放在亚利桑那州戴维斯-蒙森空军基地，可立即供 USFS 使用，包括近 100 架机身和超过 10 亿美元的飞机、工具、支持和备件资产——所有这些都可以零采购成本转让给 USFS。这份未经请求的提案有两卷提交给美国林务局审议；它们既是以前工作的总结，也是继续 S-3B 空中加油机原型项目的提案。空中加油机或超大型空中加油机 (VLAT)，如 B747 或 DC10。第 1 卷（本文档）总结了第 1 阶段空中加油机设计的技术成果，包括对潜在 S-3B 空中加油机机队的适用性、生命周期成本、可支持性和可维护性分析。第 2 卷是一份成本提案，描述了完成空中加油机设计、获取机身和修改原型所需的第 2 阶段工作。本卷的其余部分简要概述了 S-3B 飞机、其作为空中加油机的适用性以及作为国家空中加油机机队一部分的生命周期成本分析。最重要的结论是，S-3B 空中加油机完全适合消防航空环境，可作为 II 型（2000 加仑阻燃容量）空中加油机，其响应时间比任何现有或未来的空中加油机都更短，并且比大型 I 型（3000+ 加仑）更经济、更省油。完成第 2 阶段和 S-3B 空中加油机原型的飞行测试旨在验证这些结论。通过提交此非请求提案，Argon ST 请求美国农业部林务局协助提供政府资金，用于继续开展 S-3B 空中加油机原型活动。Argon ST 期待继续与美国林务局消防和航空办公室联系，以支持该国至关重要的空中加油机机队。
无扇区空中交通管理管制员工作岗位注意力引导原型
O. Ohneiser 1 ，M. Jauer 1 ，H. Gürlük 1 ，H. Springborn 2 1 德国航空航天中心 (DLR)，飞行引导研究所，Lilienthalplatz 7，38108 Braunschweig，德国 2 FH Joanneum - 应用科学大学，Alte Poststraße 149，8020 Graz，奥地利 摘要 面对以飞行为中心的空中交通管制 (ATC) 和未来管制员工作岗位 (CWP) 的更多监控任务，空中交通管制员 (ATCo) 始终将注意力集中在人机界面 (HMI) 上的相关位置变得更加重要。本文概述了不同领域有关注意力和注意力引导 (AG) 的相关文献，解释了无扇区空中交通管理 (ATM) 的 AG 原型的概念及其在单一欧洲天空 ATM 研究 (PJ.16-04-03，SESAR2020) 过程中的验证计划。 AG 原型考虑了三个方面。首先，所需的关注区域：辅助系统根据雷达和飞行计划数据等输入数据计算 ATCo 应关注的位置。其次，依靠眼动追踪和用户输入的外部系统确定当前 ATCo 的关注点。第三，如果所需的关注区域和实际关注区域不同，将触发引导 ATCo 注意力的机制，同时考虑升级视觉提示的策略。后者包括智能显示与时间、位置和外观相关的动作指示器以及战术前注意力不集中指示器
通过受贻贝启发的原型实现高效的湿粘附...
线是由贻贝足分泌的液态贻贝足蛋白 (Mfps) 产生的。这些 Mfps 由腺体通过注塑反应组装和制造。[3] 贻贝的足压在表面形成真空室，从而推动流体 Mfps 的输送。据信，局限于斑块中的 Mfps，例如 Mfp-2、Mfp-3、Mfp-4 和 Mfp-5，在暴露于盐水时会形成凝聚层。所有 Mfps 都含有翻译后氨基酸 DOPA，而 mfp-5 含有最大浓度的 DOPA 残基（30 mol%）并导致强粘附。 [4] 据报道，MFP 的凝聚以多种方式发生，例如由静电相互作用驱动的复杂凝聚，如 MFP-131 和 MFP-151 的聚离子中所揭示的那样，[5] 以及由静电和/或疏水力驱动的自凝聚，如 MFP-3S 中所揭示的那样。[6]
高级反应堆原型部署的环境合规路线图
作为电力系统发电设施的一部分操作，或以任何其他方式操作，目的是证明适用于这种反应堆的商业应用。•如果所需的DOE网站完成了一个选址或编程EIS分析高级反应堆部署
基于 LoRa 通信的鸡蛋孵化器温度监测与控制原型
摘要 家禽业在生产雏鸡 (DOC) 时遇到问题。家禽业通常使用孵化器生产 DOC。孵化器必须具有高精度的机器内部环境温度读取能力。孵化器内部的温度环境需要保持在 36°C - 40°C 范围内。另一方面，孵化场和鸡舍通常不在一个地方。家禽业需要应用技术来解决这个问题。这个问题可以通过使用物联网来解决。但是物联网的成本非常高。本研究旨在利用低成本通信技术实现对孵化器原型内部温度的监测和控制。研究结果表明，当读取的温度分别为 36°C、37°C、38°C、39°C 和 40°C 时，控制系统可以将孵化器原型温度保持在最佳范围内，精度分别为 99.63%、99.83%、99.97%、99.64% 和 99.37%。本研究实施了用于监测系统的长距离 (LoRa) 技术。与物联网技术不同，点对点 LoRa 通信不需要付费即可进行通信，但仍可提供广域通信。根据研究结果，点对点 LoRa 通信在 50m、100m、150m、200m、250m 和 300m 范围内发送温度数据时性能良好，平均接收信号强度 (RSSI) 也较高。本研究可以得出结论，所提出的鸡蛋孵化器可以将温度保持在最佳范围内。所提出的孵化器还可以正确通信以发送数据温度以监测温度。