XiaoMi-AI文件搜索系统
World File Search System对象
流程 分钟 有效期 期限 持有人 对象 单位 注册价格
附件一，DGARP 经济通知第 01 号（2025 年 1 月）的一部分，根据第 56.144/2015 号法令第 6 条第 IV 款和第 62.100/2022 号法令第 92 条第 IV 款披露注册价格经济监测情况
基于对象检测性能评估的YOLO变体的比较分析
摘要。本研究的重点是分析和探索您只看一次（YOLO）算法。具体来说，本文分析了对象检测中三个版本（Yolov1，Yolov5和Yolov8）的演变和性能。研究开始于详细介绍对象检测的基本概念以及该领域常用的数据集。然后，它深入研究了与每个Yolo版本相关的特定体系结构和实验结果。分析表明，尽管Yolov8引入了高级功能和改进，但诸如Yolov5之类的早期版本在某些条件下可能会提供卓越的稳定性和性能，尤其是在特定任务（例如汽车检测）中。讨论强调了批处理大小等因素对模型性能的重要影响，这表明对这些参数进行微调可以优化特定应用的算法。该研究得出的结论是，Yolo发展的未来在于探索和完善不同的变体，尤其是Yolov8的变体，以更好地满足各种要求。通过专注于五个不同的Yolov8变体，该研究旨在增强Yolo框架在各种物体检测挑战中的适应性和有效性，从而对这项技术的持续发展产生宝贵的见解。
自主驾驶中的对象检测技术
摘要：本评论全面研究了自动驾驶的对象检测方法（OD）方法的最新进展，从而强调了它们在确保复杂环境中自动驾驶汽车的安全性和效率方面的关键作用。它讨论了各种方法，包括机器学习（ML）技术的应用，以及Lidar和Radar等传感器的集成，从而增强了系统的准确识别和跟踪附近物体的能力，例如行人，车辆，车辆和障碍，并实时实时。审查综合了从多项研究中的发现，展示了诸如对抗性学习技术的创新，以改善检测性能，尤其是在不良条件下。此外，它解决了重大挑战，包括环境变异性，计算效率以及对抗性攻击所带来的威胁，这可能会损害检测准确性。审查强调了开发更健壮和自适应模型的重要性，并概述了未来的方向，例如增强传感器融合方法，优化模型体系结构以及采用开放世界学习来为意外情况做准备，最终旨在提高自主驱动技术的可靠性和安全性。
适用于自主连接对象的超低功耗宽带 NMOS LC-VCO 设计
摘要 — 本文介绍了一种完全集成的亚阈值 LC 压控振荡器 (VCO)。还提出了一种设计方法来寻找降低功耗的最佳参数。该方法已应用于设计不同频带的振荡器。此外，自适应体偏置技术已用于改善启动约束并允许对 PVT（工艺、电压和温度）变化具有很高的免疫力。利用所提出的方法，在 0.13μm CMOS 中实现了在 5 GHz ISM（工业、科学和医疗）频段工作的 VCO。它在 0.39V 电源电压下仅消耗 468 μW。这使得满足自主连接对象和物联网应用所需的规格成为可能。测得的振荡频率可以从 5.14 GHz 调整到 5.44 GHz。获得的相位噪声在布局后仿真 (PLS) 中约等于 – 112 dBc/Hz，在测量中约等于 -104.5 dBc/Hz。
在农业环境中实现颜色功能的有效对象检测
在各种计算机视觉应用中，例如监视系统，自动驾驶汽车和环境监测，对象检测是非常重要的组件。为了进行有效的分析并做出正确的决策，至关重要的是，具有在田园环境中既准确又有效的对象识别方法，这些方法的特征是动物的存在和其他事物。这项研究的目的是通过利用颜色特征极限学习机（参见ELM）提出一种独特的方法来快速识别田园景观中的物体。为了在保持计算效率的同时达到较高的对象检测性能，CF-ELM将颜色特性与ELM算法相结合。如实验结果所证明的那样，所提出的方法在田园环境中检测对象是成功且有效的。
spar3d：来自单个图像的3D对象的稳定点感知重建
大约TB006 TB006是一种人源化的单克隆抗体，具有高度特异性并且对GAL-3具有高亲和力。在临床前评估中，GAL-3被证明可以内在促进Aβ和PTAU蛋白的聚集。在体内AD模型研究中，TB006证明了有希望的能力，大大降低了Aβ/TAU蛋白和神经炎症的聚集，同时也显着改善了认知性能。 这些发现表明TB006在解决AD的潜在病理和改善其进展方面的潜在治疗作用。 在临床试验中，通过单个剂量安全性和耐受性研究建立了TB006的人体安全性，在该研究中，发现高达5000 mg的剂量是安全且耐受性良好的剂量。 TB006已完成一项1B/2A期临床试验，用于治疗轻度至重度阿尔茨海默氏病，基线迷你群体检查（MMSE A）得分范围为2至24。。 主要终点是盒子的临床痴呆评级和盒子（CDR-SB B），结合了患者和护理人员的评估，显示出改善的趋势（p = 0.08），鉴于短期的单个月治疗持续时间，这是令人鼓舞的结果（图1A）。 在第15周，治疗组和安慰剂组之间的CDR-SB得分的变化显示，TB006组有0.44分的差异。 次级分析在很大程度上是一致的，MMSE得分显示了一个月的治疗后TB006组的统计学显着改善（图1B）。 图1。 AD患者（轻度，中度和严重）的2A期临床结果在体内AD模型研究中，TB006证明了有希望的能力，大大降低了Aβ/TAU蛋白和神经炎症的聚集，同时也显着改善了认知性能。这些发现表明TB006在解决AD的潜在病理和改善其进展方面的潜在治疗作用。在临床试验中，通过单个剂量安全性和耐受性研究建立了TB006的人体安全性，在该研究中，发现高达5000 mg的剂量是安全且耐受性良好的剂量。TB006已完成一项1B/2A期临床试验，用于治疗轻度至重度阿尔茨海默氏病，基线迷你群体检查（MMSE A）得分范围为2至24。主要终点是盒子的临床痴呆评级和盒子（CDR-SB B），结合了患者和护理人员的评估，显示出改善的趋势（p = 0.08），鉴于短期的单个月治疗持续时间，这是令人鼓舞的结果（图1A）。在第15周，治疗组和安慰剂组之间的CDR-SB得分的变化显示，TB006组有0.44分的差异。次级分析在很大程度上是一致的，MMSE得分显示了一个月的治疗后TB006组的统计学显着改善（图1B）。图1。AD患者（轻度，中度和严重）的2A期临床结果AD患者（轻度，中度和严重）的2A期临床结果
2型糖尿病中心血管疾病风险的模式和决定因素：尼日利亚当前糖尿病管理状态的见解增强微型对象检测而无需微调：具有最新YOLO模型和RT-DETR Transformer
高分辨率图像中的微小对象检测（TOD）在计算机视觉中提出了持续的挑战，包括低分辨率，遮挡和混乱的背景。本文介绍了动态自适应引导的对象推理切片（GOIS）框架，这是一种新型的两阶段自适应切片方法，该方法将计算资源转移到了感兴趣的区域（ROIS）。这种方法显着提高了检测精度和效率，在平均精度（AP）和小物体的平均回忆（AR）指标方面取得了3-4倍的改善。此外，该框架在其他指标中显示出50–60％的大量增长，从而确保了各种物体尺度的稳健性能。在特定的情况下注意到大型检测的略有下降，但戈伊斯在检测中小型物体方面始终表现出色，有效地解决了TOD固有的关键挑战。戈斯框架可以通过统一的效率和稳定的效率来整合自适应切片，多尺度的表示，以及启发了效率的效果。其体系结构 - 不合骨设计允许与包括Yolo11，Rt-Detr-L和Yolov8n在内的各种最新检测模型无缝集成，而无需大量的重新训练。对Visdrone2019-DET数据集进行了严格的验证，并通过对低分辨率图像，视频流和实时相机供稿进行评估，重点介绍了Gois的变革潜力。这些发现将其适用于关键领域，例如基于无人机的监视，自主导航和精确的Di-Nostics。代码和结果可在https：// github上公开获取。com/ mmuzammul/ gois，可在https：// youtu上进行实时演示。BE/ T5T5EB_ W0S4。
单眼3D对象检测基于空间关系和脱钩深度预测
自主驾驶是未来的趋势。准确的3D对象检测是实现自动驾驶的先决条件。目前，3D对象检测依赖于三个主要传感器：单眼相机，立体声摄像机和LIDAR。与基于立体摄像机和激光镜头的方法相比，单眼3D对象检测提供了优势，例如广泛的检测字段和低部署成本。但是，现有的单眼3D对象检测方法的准确性不是理想的，尤其是对于遮挡目标。为了应对这一挑战，本文引入了一种新颖的方法，用于单眼3D对象检测，称为SRDDP-M3D，旨在通过考虑目标之间的空间关系，并通过脱钩方法来改进深度预测，以改善单眼3D对象检测。我们考虑如何在环境中相对于对象相对于对象的定位，并编码相邻对象之间的空间关系，对于遮挡的目标，检测性能是专门提高的。此外，还引入了将目标深度预测到目标视觉深度和目标属性深度的两个组成部分的策略。此解耦旨在提高预测目标整体深度的准确性。使用KITTI数据集的实验结果表明，这种方法显着提高了闭塞靶标的检测准确性。
开发学习和验证的学习 - 对象 - iamed-at-...
通过将基于计算思维（CT）的数学推理与幼儿教育进行通过编程恐龙游戏，旨在通过使用学习对象（LOS）来提高服务前教师的教学技能。此外，还探索了LOS构造的框架，以与教学目标保持一致，并强调学生数学成果的重要性，对CT概念的理解以及教师用来帮助学生解决问题的过程。本研究利用评估网格工具来评估数字学习资源，发现表明57位职前教师评估的LOS高质量。我们的研究表明，如何创建和使用LO进行教师的教学发展，重点关注教学方法和在CT活动中的数学知识的应用。
在协作中有效的对象检测和跟踪
很快，混合现实（MR）和人工智能（AI）技术变得越来越好。这意味着它们在各个领域都有新的和重要的应用，包括医疗，教育和工人培训。这些作者提出了一种新的方法，可以在共享的MR环境中使用Yolov4深学习模型，以便可以实时跟踪和确定对象。这项工作解决了使用基本和复杂的计算机方法诸如遮挡，动态照明和空间对齐等问题的事实，可以区分它。主要的MR工具Microsoft Hololens以及单个相机饲料有助于拟议的系统进行对象检测。根据MS COCO数据集的测试，Yolov4模型的性能优于Yolov2和Yolov3模型。平均平均精度（MAP）为0.988，Yolov4模型是快速且相当精确的。基于统计数据，该策略似乎使小组可以在MR设置中进行协作，以提供在线帮助，培训和基于模拟的学习。对系统的未来研究将使它在更广泛的情况下更加灵活，并能够更好地识别附近的对象。