XiaoMi-AI文件搜索系统
World File Search System变压器
spt：交互式图像分割的序列提示变压器
摘要 - Interactive分割旨在根据用户提供的点击从图像中提取感兴趣的对象。在现实世界应用中，通常需要分割一系列具有相同目标对象的图像。但是，现有方法通常一次处理一个图像，未能考虑图像的顺序性质。为了克服这一限制，我们提出了一种称为序列提示变压器（SPT）的新方法，该方法是第一个利用顺序图像信息进行交互式分割的方法。我们的模型包括两个关键组成部分：（1）序列提示变压器（SPT），用于从图像，点击和掩码序列中获取信息以提高准确的信息。（2）TOP-K提示选择（TPS）选择SPT的精确提示，以进一步增强分割效果。此外，我们创建ADE20K-SEQ基准测试，以更好地评估模型性能。我们在多个基准数据集上评估了我们的方法，并表明我们的模型超过了所有数据集的最新方法。索引项 - 计算机视觉，交互式图像分割
用视觉变压器缩放离线Q学习
已显示出频率的方法，例如保守Q学习（CQL），对具有重置骨架的训练通才代理人有利。最近的视觉和自然语言处理研究表明，与具有强烈诱导性偏见（例如卷积神经网络和经常性神经网络）相比，基于变压器的模型比例更为有利。在本文中，我们研究了视觉变压器（VIT）的训练单游戏代理的CQL的骨干。在这项工作中，我们通过引入时空注意层来增强基于图像的RL的视觉变压器（VIT）。我们进一步研究了各种嵌入序列凝集方法对VIT性能的影响。总的来说，我们修改的VIT优于单场Atari设置中的标准VIT。
DC变压器用于直流分布和传输
Yingzong Jiao获得博士学位。中国Zhejiang大学（ZJU）的电气工程学士学位，目前是Harbin Technology（HIT）的电气工程与自动化学院的助理教授。 他是与DC可再生收藏和DC/DC电源转换有关的5个研究项目的PI。 他在电力电子和电力系统领域发表了10多篇期刊论文，这些论文与可再生能源集成在一起。 在PEDG2023和EPE2023的会议上，他获得了HVDC 2020会议上的最佳纸张奖。 Ning Wang（IEEE学生会成员）获得了学士学位 硕士学位，中国达利安海洋大学的学位，硕士学位 毕业于中国哈尔滨理工学院（HIT），2023年。 他目前正在攻读博士学位。电力电子学位。 他当前的研究兴趣包括高功率DC变压器，MVDC收集/分配系统以及中频变压器的设计。Yingzong Jiao获得博士学位。中国Zhejiang大学（ZJU）的电气工程学士学位，目前是Harbin Technology（HIT）的电气工程与自动化学院的助理教授。他是与DC可再生收藏和DC/DC电源转换有关的5个研究项目的PI。他在电力电子和电力系统领域发表了10多篇期刊论文，这些论文与可再生能源集成在一起。在PEDG2023和EPE2023的会议上，他获得了HVDC 2020会议上的最佳纸张奖。Ning Wang（IEEE学生会成员）获得了学士学位 硕士学位，中国达利安海洋大学的学位，硕士学位 毕业于中国哈尔滨理工学院（HIT），2023年。 他目前正在攻读博士学位。电力电子学位。 他当前的研究兴趣包括高功率DC变压器，MVDC收集/分配系统以及中频变压器的设计。Ning Wang（IEEE学生会成员）获得了学士学位硕士学位，中国达利安海洋大学的学位，硕士学位毕业于中国哈尔滨理工学院（HIT），2023年。他目前正在攻读博士学位。电力电子学位。他当前的研究兴趣包括高功率DC变压器，MVDC收集/分配系统以及中频变压器的设计。
56F80x 旋转变压器驱动器和硬件接口
旋转变压器驱动器利用 56F80x 的两个 ADC 通道和一个定时器。在此特定应用中，必须将 ADC 通道配置为同时采样正弦和余弦信号。定时器提供方波信号的生成。该信号进一步由外部硬件调节为便于激励旋转变压器的形式。控制器根据旋转变压器测量的正弦和余弦信号估计转子轴的实际角度。然而，控制器不仅专用于实现 R/D 转换，因此旋转变压器的软件驱动程序必须以能够链接并在现有应用程序（例如 PMSM 矢量控制应用程序）中运行的方式进行设计。
56F80x 旋转变压器驱动器和硬件接口
旋转变压器驱动器利用 56F80x 的两个 ADC 通道和一个定时器。在此特定应用中，必须将 ADC 通道配置为同时采样正弦和余弦信号。定时器提供方波信号的生成。该信号进一步由外部硬件调节为便于激励旋转变压器的形式。控制器根据旋转变压器测量的正弦和余弦信号估计转子轴的实际角度。然而，控制器不仅专用于实现 R/D 转换，因此旋转变压器的软件驱动程序必须以能够链接并在现有应用程序（例如 PMSM 矢量控制应用程序）中运行的方式进行设计。
用于机器学习的变压器；深度潜水
名称：Kamath，Uday，作者。标题：用于机器学习的变压器：深度潜水 / Uday Kamath，肯尼斯·L·格雷厄姆（Kenneth L.描述：第一版。| Boca Raton：CRC出版社，2022。|包括书目参考和索引。标识符：LCCN 2021059529 | ISBN 9780367771652（精装本）| ISBN 9780367767341（平装）| ISBN 9781003170082（电子书）主题：LCSH：神经网络（计算机科学）。|计算智能。|机器学习。分类：LCC QA76.87 .K354 2022 | DDC 006.3/2--DC23/ENG/20220218 LC记录可从https://lccn.loc.gov/2021059529
多个对象跟踪的变压器：探索视觉
多对象跟踪（MOT）是各个领域的关键任务，例如官能分析，监视和自动驾驶汽车。联合检测和追踪范式已经进行了广泛的研究，在训练和部署经典的逐个检测范式的同时，在实现先进的性能的同时，训练和部署更快，更方便。本文通过利用现行的卷积神经网络（CNN）和新型视觉变压器技术局部性来探讨增强MOT系统的可能性。在计算机视觉任务中采用的变压器中有几种延期。虽然变形金刚擅长建模全局信息以进行长时间的嵌入，但缺少学习本地特征的局部机器。这可能导致小物体的疏忽，这可能会导致安全问题。我们将TransTrack MOT系统与localvit所赋予的局部性机制相结合，并发现该位置增强系统在MOT17数据集上比基线TransTrack优于基线转移。
抗病毒肽产生预训练的变压器
摘要：传统的抗病毒肽（AVP）发现是一个耗时且昂贵的过程。这项研究介绍了AVP-GPT，这是一种新型的深度学习方法，利用基于变压器的语言模型和专门为AVP设计设计的多模式体系结构。AVP-GPT表现出非凡的效率，在GPU系统上产生了10,000个独特的肽，并在两天内识别潜在的AVP。在呼吸道合胞病毒（RSV）数据集（AVP-GPT）中预先训练，成功地适应了流感病毒（INFVA）和其他呼吸道病毒。与LSTM和SVM等最新模型相比，AVP-GPT的困惑性显着降低（2.09 vs. 16.13）和较高的AUC（0.90 vs. 0.82），表明肽序列序列预测和AVP分类。AVP-GPT产生了一套具有出色新颖性的肽，并确定了抗病毒成功率明显高于常规设计方法的候选者。值得注意的是，AVP-GPT对RSV和INFVA产生了新的肽，具有出色的效力，其中包括四种肽，其EC50值在0.02 um左右，这是迄今为止报告的最强的抗RSV活性。这些发现突出了AVP-GPT彻底改变AVP发现和开发的潜力，从而加速了新型抗病毒药。未来的研究可以探索AVP-GPT在其他病毒靶标上的应用，并研究替代AVP设计策略。
dolfin：无自动编码器的扩散布局变压器
摘要。在本文中，我们引入了一个新的生成模型，即无自动编码器（DolfIN）的扩散布局变压器，该变压器在现有方法上可显着提高建模能力和透明度。Dolfin采用基于变压器的扩散过程来建模布局生成。除了有效的双向（非因果关节）序列表示外，我们还设计了一种自回归扩散模型（Dolfin-ar），该模型尤其擅长捕获邻居对象的丰富局部语义相关性，例如对齐，大小和重叠。在对标准的无条件布局生成基准进行评估时，Dolfin尤其优于各种指标的先前方法，例如FID，对齐，重叠，Maxiou和DocSim分数。此外，Dolfin的应用程序不仅仅是布局生成，因此它适用于对其他类型的几何结构（例如线段）进行建模。我们的实验既提出了定性和定量结果，以证明Dolfin的优势。
fit：扩散模型的灵活视觉变压器
这些序列达到了最大令牌长度𝐿！“＃使用填充令牌。在这里我们设置𝐿！“＃= 256匹配DIT的固定令牌长度。与潜在令牌相同，我们还将位置嵌入到最大长度上以进行填料。