XiaoMi-AI文件搜索系统
World File Search System地识
一个实时手势和基于骨架的动作识别的机器学习框架
随着数字环境已变得更加融合到我们的日常生活中，虚拟现实（VR），增强现实（AR）和混合现实（MR）平台在最近的十年中越来越受欢迎。新技术正在使用传感器技术调整这些范式，以获取有关2D和3D空间中位置跟踪的相关数据。在这种情况下，机器学习已成为具有可访问性和负担能力的关键技术。这些模型的使用提供了对传感器输入的准确解释，这可能会创建可靠的系统。在这项技术方面，特定的感兴趣领域是交互式游戏，以及系统如何从这些技术进步中受益以创造沉浸式体验。此外，Bowling等人的研究。（2006），探索计算机游戏中机器学习的领域，确定其在增强游戏智能和玩家参与度中的重要作用。
MPAR-RCNN：具有属性识别的多人检测的多任务网络
多标签属性识别是计算机视觉中的一项关键任务，应用程序范围在不同的领域。这个问题通常涉及检测具有多个属性的对象，需要具有高级差异和精细的特征提取的复杂模型。对象检测和属性识别的集成通常依赖于诸如双阶段网络之类的方法，其中准确的预测取决于高级特征提取技术，例如感兴趣的区域（ROI）池。为了满足这些要求，在统一框架中既可以实现可靠的检测和属性进行分类，这是必不可少的。这项研究介绍了一个创新的MTL框架，旨在将多人属性识别（MPAR）纳入单模型体系结构中。命名为MPAR-RCNN，该框架通过空间意识到的，共享的骨干，促进效果和准确的多标签预测来符合对象检测和属性识别任务。与传统的基于快速区域的卷积神经网络（R-CNN）不同，该网络（R-CNN）分别管理人的检测和归因于双阶段网络的分类，MPAR-RCNN体系结构在单个结构中优化了两个任务。在更宽的（用于事件识别的Web图像数据集）数据集上进行了验证，提出的模型展示了对当前最新ART（SOTA）体系结构的改进，展示了其在推进多标签属性识别方面的潜力。
学习空间和时间中的自相似性作为视频动作识别的广义运动
时空卷积通常无法学习视频中的运动动态，因此需要一种有效的运动表示来理解自然界中的视频。在本文中，我们提出了一种基于时空自相似性（STSS）的丰富而鲁棒的运动表示。给定一系列帧，STSS 将每个局部区域表示为与空间和时间中邻居的相似性。通过将外观特征转换为关系值，它使学习者能够更好地识别空间和时间中的结构模式。我们利用整个 STSS，让我们的模型学习从中提取有效的运动表示。我们所提出的神经块称为 SELFY，可以轻松插入神经架构中并进行端到端训练，无需额外监督。通过在空间和时间上具有足够的邻域体积，它可以有效捕捉视频中的长期交互和快速运动，从而实现鲁棒的动作识别。我们的实验分析表明，该方法优于以前的运动建模方法，并且与直接卷积的时空特征互补。在标准动作识别基准 Something-Something-V1 & V2、Diving-48 和 FineGym 上，该方法取得了最佳效果。
在Lynch综合征中识别出的罕见的MLH1重复
结果：在MMR基因中，在DHPLC基因变异筛选中鉴定了三个家族，该家族在MMR基因中具有致病性/可能的致病性种系变体。所有家庭在几代人的几个家庭成员中都有CRC的历史。肿瘤分析表明，与突变基因以及MSI相对应的MMR蛋白IHC染色的丢失。在MLH1中鉴定出a的a family A，一种结构变体，4至13的重复。预计重复将导致氨基酸520的框架和氨基酸539的过早终止密码子。在家庭B中，在MLH1中发现了1个碱基对缺失，从而在氨基酸491中产生移牌和终止密码子。在家庭C中，我们确定了MSH2中的一个剪接位点变体，该变体预计将导致剪接供体部位的损失。结论：我们在19个测序家族中的三个中，在MMR基因中完全确定了三种致病/可能的致病变异。基于洞察力和Clinvar数据库，MLH1变体是外显子4至13的复制和移码变体的新颖。 Clinvar的一个提交者报告了MSH2剪接网站变体。作为一种变体类别，在MMR基因文献中很少报道重复，尤其是涵盖多个外显子的文献。
全基因组体内中枢神经系统筛查可识别出...
Mary H. Wertz，2、3 Mollie R. Mitchem，2、3 S. Sebastian Pineda，3、7、8 Lea J. Hachigian，1、2、3 Hyeseung Lee，2、3 Vanessa Lau，2、3 Alex Powers，2、3 Ruth Kulicke，2、3 Gurrein K. Madan，1 Medina Colic，4 Martine Therrien，2、3 Amanda Vernon，1、2、3 Victoria F. Beja-Glasser，1、3、5 Mudra Hegde，3 Fan Gao，2、6 Manolis Kellis，3、7 Traver Hart，4 John G. Doench，3 和 Myriam Heiman 1、2、3、9、* 1麻省理工学院脑与认知科学系，美国马萨诸塞州剑桥 02139 2 皮考尔学习与记忆研究所，美国马萨诸塞州剑桥 02139 3 麻省理工学院和哈佛大学布罗德研究所，美国马萨诸塞州剑桥 02142 4 德克萨斯大学 MD 安德森癌症中心，美国德克萨斯州休斯顿 77030 5 麻省理工学院麦戈文脑研究所，美国马萨诸塞州剑桥 02139 6 加州理工学院贝克曼研究所生物信息学资源中心，美国加利福尼亚州帕萨迪纳 91125 7 麻省理工学院计算机科学与人工智能实验室，美国马萨诸塞州剑桥 02139 8 麻省理工学院电气工程与计算机科学系，美国马萨诸塞州剑桥 02139 9 主要联系人 *通信地址：mheiman@mit.edu https://doi.org/10.1016/j.neuron.2020.01.004
普通低年级通识教育 (GE) 课程列表
GE 第 C.1 节：艺术 CAMC 专业和部分 HHD 和 HUM 专业的学生将学习艺术。报名前请咨询顾问。 AFRS 246. 非裔美国戏剧简介 (3) AFRS 280. 少数民族学生创意写作研讨会 (3) * ANTH 232. 表现文化 (3) ART 100/L. 艺术流程和实验室简介 (1/2) ART 110. 世界艺术：西方传统 (3) ART 114. 世界艺术：亚洲 (3) ART 124A. 绘画 I (3) ART 140. 二维设计初级 (3) ART 141. 三维设计初级 (3) CHS 111. 美国人和艺术 (3) CHS 280/SL. 少数民族创意写作研讨会 (2/1) COMS 104/L表演与实验室文学 (2/1) CTVA 210. 电视电影美学 (3) ENGL 208. 创意写作 (3) * FLIT 250. 日本传统文化 (3) * HUM 101. 人文学科的形式与理念 (3) KIN 236. 编舞概论 (2) KIN 236L. 编舞实验室简介 (1) MUS 105. 音乐理解 (3) MUS 106HH. 嘻哈音乐 (3) MUS 107. 当今音乐 (3) MUS 108. 电影中的音乐 (3) TH 110. 戏剧概论：文本/戏剧/表演 (3) TH 111. 演员与表演 (3)
使用Python机器学习基于面部识别的在线投票系统。
在线投票系统中使用面部识别和一次性密码可确保正确的个人投票。最初，该系统采用面部识别来验证选民的面孔是否与之相匹配，从而减少了欺诈活动的可能性。随后，将唯一的一次性密码发送到选民的移动设备，他们必须输入它以确认其身份。将面部识别和OTP相结合的双重验证过程增强了投票系统的安全性和可靠性。Python的机器学习工具的利用促进了该系统的有效开发。Python和机器学习技术可用于基于面部识别和一次性密码认证的安全有效的在线投票系统。该系统利用面部识别算法来验证选民的身份，从而最大程度地减少了冒险和欺诈的风险。通过OTP验证进一步支持它，增加了一层安全层，以确保只有授权的选民参加。Python的机器学习库，包括OpenCV和TensorFlow，用于实现面部识别，而OTP功能可以增强系统的安全性。这种全面的方法促进了适合大规模选举的强大，安全和用户友好的投票过程。
面部识别在零售医疗保健中的应用... -IJRPR
面部识别技术（FRT）的广泛采用引起了人们对隐私，道德AI设计和算法偏见的关键关注。随着面部生物识别技术越来越多地整合到安全，零售，医疗保健和执法申请中，确保遵守全球数据保护法至关重要。诸如欧盟一般数据保护法规（GDPR）之类的法规要求组织在收集和处理生物识别数据之前获得明确的同意，从而增强了个人隐私权[24]。同样，《加州消费者隐私法》（CCPA）授予消费者控制其生物识别信息，需要在数据处理实践中透明度[25]。
PersonVit：重新识别的大规模自我监督的视觉变压器
人重新识别（REID）旨在在非重叠的摄像机图像中检索相关的人，并且在公共安全领域具有广泛的应用。近年来，随着视觉变压器（VIT）和自我监督的学习技术的发展，基于自我监督的预训练的人的REID的表现得到了极大的改善。人Reid需要提取人体的高度歧视性局部细粒度特征，而传统的VIT则擅长提取与上下文相关的全球特征，从而难以专注于当地的人体特征。为此，本文介绍了最近出现的掩盖图像建模（MIM）自制的学习方法，并通过将掩盖的图像建模和歧视性的损坏性学习和进行训练的人进行训练的任务来有效地提取高质量的全球和本地特征。此人的特征提取方法基于VIT，具有掩盖图像建模（PersonVit）具有无关，可扩展性和强大的概括能力的良好特征，克服了受监督人员REID中难以注释的问题，并在包括MSMT17，Market1501，dukem-comp的公共可用基础数据集中实现了最先进的结果。PersonVit方法的代码和预培训模型将在https://github.com/hustvl/personvit上发布，以促进REID领域的进一步研究。
使用GBM组织的激化平台将BTK识别为...
更好地了解GBM信号网络在体内将有助于开发更多与生理相关的离体模型以支持治疗发现。进行了一个“功能蛋白质组学”筛选，以测量两步无细胞的生化测定中一组蛋白激酶的特异性活性，以确定在审查GBM细胞系的研究中可能被忽视的潜在新型药物靶标，以识别潜在的新型药物靶点。源自肿瘤组织但不是患者衍生的GBM茎样细胞系的显性激酶活性，是布鲁顿酪氨酸激酶（BTK）。我们证明了BTK在GBM组织内的多种细胞类型中表达。 SOX2-阳性细胞，CD163阳性细胞，CD68阳性细胞和一个未知的细胞群，它是Sox2阴性CD163阴性和/或CD68阴性。数据通过重新建立了更多的生理学上的细胞共培养模型，提供了一种更好地模拟GBM组织的策略，包括BTK阳性/阴性癌和免疫细胞。这些数据也对使用BTK抑制剂的设计和/或解释新兴临床试验具有影响，因为GBM组织中的BTK表达与患者较长的生存有关。