XiaoMi-AI文件搜索系统
World File Search System姿势
氟化的卡托普利类似物抑制金属β-乳糖酶，并促进NDM-1结合姿势的结构测定
对大多数临床使用的β -lactam抗生素的细菌耐药性是一种全球健康威胁，并且，依次将金属β-乳糖酶（MBL）抑制剂的发展驱动力。新MBLS的快速发展需要新的策略和抑制剂开发工具。在这项研究中，我们设计并开发了一系列三氟甲基化的Capteropril类似物作为酶抑制剂结合的结构研究的探针。新化合物的活性与针对新德里的非氟化抑制剂相当。最活跃的化合物是D-Captopril的衍生物，表现出0.3μM的IC 50值M。几种化合物表现出协同作用，恢复了MeropeNem的效果，并降低了NDM-1中的最小抑制浓度（MIC）值（MIC）值（MIC）（MIC）（最高64倍），vim-2（最高为8基）和IMPCHRI和8-FORSERIIA（至8-FORCHIA）（至8-FORCERIA）（至8-foldice），至8倍。NMR光谱和分子对接确定了NDM-1中的结合姿势，表明抑制剂的氟化类似物是MBL抑制剂复合物结构研究的有价值工具。
学习典型形状空间以进行类别级 6D 物体姿势和尺寸估计
我们提出了一种类别级 6D 物体姿势和大小估计的新方法。为了解决类内形状变化，我们学习了规范形状空间 (CASS)，它是特定物体类别的大量实例的统一表示。具体而言，CASS 被建模为具有规范化姿势的规范 3D 形状的深度生成模型的潜在空间。我们训练变分自动编码器 (VAE) 以从 RGBD 图像在规范空间中生成 3D 点云。VAE 以跨类别的方式进行训练，利用公开可用的大型 3D 形状存储库。由于 3D 点云是以规范化姿势（具有实际大小）生成的，因此 VAE 的编码器学习视图分解的 RGBD 嵌入。它将任意视图中的 RGBD 图像映射到与姿势无关的 3D 形状表示。然后，通过将物体姿势与使用单独的深度神经网络提取的输入 RGBD 的姿势相关特征进行对比来估计物体姿势。我们将 CASS 的学习和姿势和尺寸估计集成到端到端可训练网络中，实现了最先进的性能。
气候变化参数数据集（CCPD）
摘要。人类的姿势估计是不断观察一个人的动作和运动以跟踪和监视一个人或物体活动的过程。人类姿势估计通常是通过限制描述一个人姿势的关键点来完成的。一个指导练习框架，使人们能够在没有私人教练的帮助的情况下远程准确地进行远程准确的人类识别来学习和运动等活动。这项工作提出了一个框架，以检测和认识到各种瑜伽和锻炼姿势，以帮助个人正确实践。流行的Blaze Pose模型从学生端提取了关键点，并将其与讲师的姿势进行比较。提取的关键点被馈送到人姿势并置模型（HPJT），以将学生姿势与讲师进行比较。该模型将通过比较提取的关键点来评估姿势的正确性，并在需要进行任何校正时向学生提供反馈。提出的模型经过40+瑜伽和运动姿势训练，并通过地图评估了模型的性能，该模型的精度为99.04％。结果证明，任何人都可以实时使用拟议的框架来练习锻炼，瑜伽，舞蹈等。在没有精确和准确性的物理讲师的帮助下，在他们的位置，导致健康的生活。
利用人工智能进行瑜伽指导
计算机视觉中的姿势估计是研究恢复身体姿势的策略和系统。在项目背景下确定给定图像中人体部位和关节位置的技术称为身体姿势估计。预训练的姿势估计模型包含面部识别、面部网格、姿势、整体、头发分割、物体识别等解决方案，并与 MediaPipe 的数据一起使用。主要目标是创建一个瑜伽指导系统，分析和记录用户的活动和姿势，以寻找瑜伽计划中的缺陷。之后，通过显示面板告知用户其不良姿势。瑜伽是一种注重身体、心理和精神联系的运动，对健康有益。另一方面，如果练习不当，瑜伽可能会导致健康问题，包括肌肉扭伤和酸痛。我们建议在本研究中开发一个采用交互式迁移学习方法的 Android 或基于网络的平台的瑜伽姿势教学系统。
使用计算机视觉和物联网
摘要。解决姿势不良的广泛问题及其具有很大的健康影响时，我们的创新解决方案采用了先进的跨学科方法和物联网技术来实时不良姿势检测。通过将智能传感器和可穿戴设备集成在战略上，以连续监视身体定位，我们的系统超越了传统方法。收集的姿势数据通过处理单元进行了分析，并结合了从生物力学和人类计算机相互作用等领域吸引见解的高级算法。这种整体方法不仅可以通过视觉提示或通知来确定姿势不良的实例，而且还可以立即向用户提供反馈，从而促进自我意识并鼓励姿势校正。我们解决方案的多功能性和可扩展性使其适用于各种环境，包括办公室，医疗保健和教育。本文深入研究了我们基于物联网的系统的设计，实施和挑战，强调了它的潜力减轻与长期良好姿势相关的健康风险。通过接受先进的跨学科方法，我们为与姿势相关的复杂性有了更全面的了解，通过促进更好的姿势习惯为未来的公共卫生发展铺平了道路。
厨房：用于6D物体姿势估算厨房环境中的现实世界基准和数据集
摘要 - 尽管最近在6D对象构成了机器人抓握的方法方面取得了进展，但在现有数据集中这些甲基多种多样的能力与现实世界中的握把和移动操作任务之间的功能之间存在很大的表现差距，尤其是当机器人完全依靠其单声学egocentric领域（Fov）。现有的现实世界数据集主要关注桌面抓地力方案，其中机器人臂放在固定位置，并且对象集中在固定外部相机的FOV中。评估此类数据集上的性能可能无法准确反映厨房环境中日常抓握和移动操作任务所面临的挑战，例如从较高的架子，水槽，洗碗机，烤箱，冰箱，冰箱或微波炉中检索物体。为了解决这一差距，我们提出了厨房，这是一种专门估算厨房环境中各个位置的物体的6D姿势的新颖基准测试。为此，我们录制了一个全面的数据集，该数据集包含约205K现实世界的RGBD图像，用于在两个不同的厨房中捕获的111个厨房对象，利用具有以自我为中心的人的人形机器人。随后，我们开发了一个半自动的注释管道，以简化此类数据集的标签过程，从而产生2D对象标签，2D对象分割掩码和6D对象，并以最少的人为努力构成。基准，数据集和注释管道可在https：//kitchen-dataset.github.io/kitchen上公开获得。
在不同姿势下的外源空间注意力的触觉 - 视觉联系：心理物理学和ERP的收敛证据
空间注意力的机制优先考虑与其他位置相对于其他位置的感官信息。这些机制已通过多种方法进行了深入的研究，包括心理物理学，事件型大脑电位，功能成像和单细胞记录（例如，参见Parasuraman，1998年，有关所有这些方法的发现）。这项工作导致了许多可复制的发现和一些重要的区别。的秘密关注转移（例如Mangun，Hillyard和Luck，1993； Posner，1978）。刺激驱动的外源机制已与预期驱动的内源性机制区分开来（例如Hopfinger＆Mangun，1998; Jonides，1981; Posner，1978）。通常通过使用空间非预测的外围提示来研究前者，后者通过中央提示或指示可能目标位置的指令进行研究。两种形式的提示都可以在提示的位置带来性能优势，但是外源和内源性机制被认为在几种方面有所不同，包括其效果的时间过程（例如，外源性效应通常更短暂地遵循
标题：在姿势恢复期间的皮质活动，响应单程和双任务条件下的外部扰动：定量
这是一个“刚刚接受的”手稿，已通过同行评审过程对其进行了检查，并已被接受以进行出版。“刚刚接受的”手稿在接受后不久在线发布，该手稿是在技术编辑和格式化和作者证明之前的。基本和临床神经科学提供“刚刚接受的”作为可选和免费服务，使作者能够在接受后尽快向研究社区提供结果。在用技术编辑和格式化了手稿后，它将从“刚刚接受”的网站中删除，并作为已发表的文章发表。请注意，技术编辑可能会对可能影响内容的手稿文本和/或图形引入较小的更改，以及所有适用于期刊有关的法律免责声明。
master.pdf
4自适应局部计划，以改善主动大满贯33 4.1姿势改善。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34 4.1.1姿势改善的策略。。。。。。。。。。。。。。。。。。。34 4.1.2新的姿势成本功能。。。。。。。。。。。。。。。。。。。36 4.2姿势熵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。39 4.2.1 GMAPPED中的当前方法。 。39 4.2.1 GMAPPED中的当前方法。。。。。。。。。。。。。。。。。。。39 4.2.2限制和改进的基本原理。。。。。。。。。。。。。39 4.2.3替代方法的审查。。。。。。。。。。。。。。。。。。40 4.2.4预期地图平均信息。。。。。。。。。。。。。。。。。。。41 4.3平衡目标导向导航和姿势改进。。。。。。。。47 4.3.1系统和可变分析。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 4847 4.3.1系统和可变分析。。。。。。。。。。。。。。。。。。。。。48
使用基于 AI 的姿势识别支持的 MOCAP 系统辅助观察人体工程学评估方法
摘要。观察性人体工程学评估方法具有固有的主观性。即使使用相同的数据集，观察者的评估结果也可能不同。虽然运动捕捉 (MOCAP) 系统提高了运动数据收集的速度和准确性，但用于计算评估的算法似乎依赖于预定义的条件来执行它们。此外，这些条件的创作并不总是很清楚。利用人工智能 (AI) 和 MOCAP 系统，计算机化的人体工程学评估可以变得更像人类观察，并且随着时间的推移而改进，只要有适当的训练数据集。人工智能可以协助人体工程学专家进行姿势检测，这在使用需要姿势定义的方法（例如 Ovako 工作姿势评估系统 (OWAS)）时很有用。本研究旨在证明人工智能模型在进行人体工程学评估时的实用性，并证明拥有专门的数据库用于当前和未来的人工智能训练的好处。使用 Xsens MVN MOCAP 数据集训练了几种算法，并比较了它们在用例中的性能。人工智能算法可以提供准确的姿势预测。所开发的方法旨在提供基于对多名工人的观察来进行人工智能辅助人体工程学评估的指导方针。