XiaoMi-AI文件搜索系统
World File Search System姿势
6D姿势估计未见物体的工业增强现实
土地利用变化和气候变化被认为是当前生物多样性下降的两个主要驱动力。保护区有助于保护景观免受其他拟人化障碍，并在正确设计后可以帮助物种应对气候变化的影响。当旨在保护区域生物多样性而不是保护焦点物种或景观元素时，受保护区需要覆盖区域生物多样性的代表性，并在功能上连接，从而促进网络中受保护区域中的个体移动，以最大程度地提高其有效性。我们开发了一种方法来定义有效的保护区，以生态代表性和功能连通性作为标准在区域网络中实施。我们在加拿大Que´bec的Gaspe'sie地区说明了这种方法。我们使用基于个体的模型模拟了濒临灭绝的大西洋天际驯鹿人群（rangifer tarandus caribou）的运动，以确定基于这种大型哺乳动物的功能连通性。我们创建了多个保护区网络方案，并评估了其生态反映性和对当前条件的功能连接性。我们选择了最有效的网络方案的子集，并提取了其中包括的保护区域。生态代表性与创建网络的功能连接之间的权衡。在最有效的网络中反复选择了可用的区域。最大化生态代表性和功能连通性的保护区代表了在有效保护区域网络中实施的合适区域。这些领域确保了该区域生物多样性的代表样本被网络涵盖，并最大程度地提高了保护区域之间和内部的随着时间的流动。
利用人类姿势估计来改善健康推荐系统
这种可穿戴健康设备和在线健康信息系统的广泛使用已经产生了对更个性化的健康建议的越来越多的需求，这是健康推荐系统（HRS）旨在解决的挑战。尽管有潜力，但目前的人力资源管理人员面临着将建议与用户的期望保持一致的挑战，这是建立对此类系统的信任的关键因素。hrs发现了与人姿势估计（HPE）的强大协同作用。的确，观察对用户健康的冒险风险对于提供有效的建议和支持以及应用于医疗保健领域的研究至关重要。例如，在职业医学领域采用HPE来进行人体工程学的姿势评估。的确，不纳入工作的主要原因之一是反复出现不当姿势和运动引起的健康问题[1]。为了解决这些问题，人体工程学家通过直接现场观察或分析执行常规工作任务的工人的视频记录来评估姿势。传统的姿势评估方法通常依赖于根据对各个方面的评估（例如生理角度，负载重量和重复次数）提供得分的标准化指数。在人力资源中，一个可能的创新方面是利用从HPE技术收集的数据，不仅可以提高性能，而且还可以根据用户的特征和动作提供更多个性化的解释。基于这些想法，我提出了一项初步工作[2]，重点是办公室工作人员的姿势校正。在文献中，许多研究共享了我们的姿势分类的目标[3,4,5]，但是他们的方法依赖于在严格的约束下收集的数据，例如使用专用摄像机，传感器或其他嵌入椅子中的数据。相比之下，我提出了一种基于从经典摄像机和轻巧，基于AI的快速分类模型的数据的简单方法。通过分析分类模型的结果，我们就可以建议对改善姿势改善改善工人的福祉。因此，我致力于在博士学位期间追求的目标。是引入一种新颖的方法，该方法将HPE的数据集成到人力资源管理中，为更精确和个性化的建议铺平了道路。
使用MITER ATT＆CK®矩阵改善移动网络安全姿势
MITER ATT＆CK®移动矩阵是一项综合指南，概述了攻击者用于进行基于移动的网络攻击的策略，技术和程序（TTP）。矩阵分为三个主要类别：攻击前，进攻和攻击。预攻击类别包括攻击者用来收集有关目标信息并计划攻击的技术。攻击类别包括攻击者用来访问目标设备，窃取数据或进行其他恶意活动的技术。攻击后类别包括攻击者用来维持目标设备访问或覆盖其轨道的技术。
d-pose：深度作为3D人姿势和形状估计的中间表示
我们提出了D置位（D EPTH作为3D人类PO SE和S HAPE E刺激的中间代码），这是一种单阶段方法，可估计来自单个RGB图像的人姿势和Smpl-X形状参数。最近的作品将较大的模型与变压器骨架和解码器一起提高人体姿势和形状（HPS）基准的准确性。d-pose提出了一种基于视觉的ap-porach，它使用估计的人类深度映射作为HPS和利用合成数据的培训的中间表示，并在训练过程中提供了与它们一起提供的地面深度映射。尽管在合成数据集中受过培训，但D-Pose在现实世界基准数据集，EMDB和3DPW上实现了最新的性能。尽管其简单的轻巧设计和CNN主链，但它的表现优于基于VIT的模型，这些模型的模型几乎较大。d-pose代码可用：https：//github.com/nvasilik/d-pose
ajile12：长期自然主义的人类颅内神经记录和姿势
了解自然主义情景中人类运动的神经基础对于将神经科学研究扩展到受约束的实验室范式之外至关重要。在这里，我们描述了12名人类参与者（AJILE12）数据集的长期电视学的注释关节，这是公开可用的最大人类神经行为数据集；在被动临床癫痫监测期间，数据集记录了机会性。ajile12包括在55个半连续运动的自然主义运动中的同步颅内神经记录和上身姿势轨迹以及相关的元数据，包括成千上万的手腕运动事件和注释的行为状态。神经记录可在每位参与者至少64个电极中获得500 Hz，总计1280小时。在9个上身关键点处的姿势轨迹估计为1.18亿个视频帧。为了促进数据探索和重复使用，我们在Neurodata中的Dandi档案中共享了Ajile12，而无需边界（NWB）数据标准，并开发了基于浏览器的仪表板。
对重定向步行的敏感性考虑凝视，姿势和亮度
图1：我们发现我们发现在重定向步行（RDW）期间发现与场景运动相关的生理信号的特性的可视化和生理信号的特性。（a）我们进行了心理物理实验，其中参与者完成了数百个试验的旋转任务，在旋转过程中，将不同量的额外场景运动注入虚拟环境中。参与者报告了他们是否认为额外的注射动作，我们计算了他们对这些动作的视觉敏感性。（b）我们的分析表明，随着注射动作的速度提高，参与者的凝视（左）和姿势（右）的稳定性下降。这些结果首次表明了重定向强度（注入视觉运动增长）和生理信号之间的直接相关性。
与变压器的全球和本地功能通信进行3D人姿势估计
最近，时空变压器结构已被广泛应用于3D人类姿势估计的问题，从而实现了最新的性能。这些方法中的许多方法都将单个框架中的单个关节视为令牌，并且在同一框架或相同轨迹的令牌上施加注意力。尽管这种结构可有效地计算单个关节之间的相关性，但它过于限制，因为诸如帧或轨迹之类的全局特征无法很好地传达。在本文中，我们建议Galformer解决此问题。Galformer由局部和全局变压器块组成，前者基于关节令牌，如先前的方法一样，而后者，即全局混合变压器，将所有关节混合在特定框架范围内的所有关节，以实施特征交换的电感偏见。在提出的方法中交替重复这两个变压器块，以计算关节，形状和轨迹之间的相关性。实验表明，与人类36M，MPI-INF-3DHP和HUMANEVA数据集的现有方法相比，我们的方法具有优越或至少具有竞争性能。
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
是由平山疾病引起的姿势震颤，模仿了本质震颤
姿势震颤是一个身体部位的非自愿节奏摇动，当个人保持对重力的位置时发生。姿势震颤通常会影响上肢，并且会大大损害日常活动。及时，准确的诊断对于有效治疗至关重要。基本震颤（ET）是姿势震颤的常见原因[1]。主要差异诊断包括必需的震颤，生理震颤，神经退行性疾病，药物诱导的震颤，遗传性疾病，结构性脑损伤和代谢障碍。临床医生经常遇到因重叠症状和非典型特征而导致的这些病因的困难。我们提出了由广山疾病引起的姿势震颤的案例，这是ET的一种罕见但重要的鉴别诊断。这种情况的独特特征强调了在评估手动震颤的年轻人时考虑考虑武山疾病的必要性。
用于报告和检测 3D 身体情绪姿势的移动应用程序
自动情绪检测正在成为自然人机交互的基石（Alonso-Mart´ın et al., 2013），并且通常集成到人机多模态通信系统中。许多作者研究了情绪的表达和检测（详情见（Zeng et al., 2009）的综述）。大多数视觉情绪检测方法都侧重于面部表情（Gunes and Hung, 2016）。然而，情绪也可以通过肢体语言来表达和感知（De Gelder, 2006）。可以通过考虑表情的运动或相应身体姿势的一些静态视图来分析情绪肢体语言。Saneiro 等人（2014）开发了一种用情绪标记身体动作的系统，所提供的信息可用于数据挖掘技术。此外，Garber-Barron 和 Si（2012）发现，变化后的身体姿势比静止的身体姿势更能代表情绪的自动检测。一些作者提出了将二维 (2D) 静态图像分类为一组情绪状态的自动技术 (Schindler 等人，2008 年；De Silva 和 Bianchi-Berthouze，2004 年)，在情感计算领域开启了一条具有挑战性的研究路线。现有的从身体姿势自动检测情绪的机制主要使用计算机视觉技术，其中从图像 (参见 (De Silva 和 Bianchi-Berthouze，2004) 中的示例) 或视频 (例如 (Garber-Barron 和 Si，2012)) 中提取相关信息。此视觉信息