XiaoMi-AI文件搜索系统
World File Search System引导的
通过培训线引导的仿真影响护士的表现
背景：小儿人工耳蜗通过增强沟通来改善听力障碍儿童的生活质量。基于模拟的教育将课堂学习与现实世界实践联系起来，使护士能够为有人工耳蜗的儿童提供高质量的护理。这项研究旨在评估模拟引导的培训线对护士对人工耳蜗儿童的表现的影响。方法：使用了准实验研究设计（前/后随访）。设置：该研究是在2023年10月至2024年3月的Sohag University医院在耳朵，鼻子和喉咙住院和门诊诊所进行的。主题：一个方便的样本，由所有在前提到的设置中工作的50名护士组成。数据收集工具：（1）结构化访谈问卷表和（2）使用观察清单来评估护士的实践并收集数据。结果：关于知识和实践，护士之间存在统计学上的显着差异（p <0.001）。该研究的发现表明，在实施模拟引导的训练线之前，三分之二的护士对人工耳蜗的植入有很大的了解，其中一半以上在该领域具有无能的实践水平。在实施模拟指导培训线后，绝大多数被检查的护士都具有良好的知识水平，并且大多数人都具有胜任的实践水平。与受训练线指导的预仿真相比，护士的表现在统计学上有很大的差异和改善（p≤0.001）。结论：通过训练线指导的模拟对人工耳蜗手术对护士的知识和实践产生了积极影响。建议：纳入各种专业的护理人员的基于模拟的培训可以显着增强其在人工耳蜗植入方面的知识和能力，最终导致患者的护理和结果改善。
视觉引导的跟踪和无人机的紧急登陆
摘要：本文提出了一种基于视觉的自适应跟踪和降落方法，用于多轨无人机（UAV），该方法旨在在推进系统故障的情况下进行安全恢复，从而降低了可操作性和响应能力。该方法解决了外部干扰（例如风力和敏捷目标运动）所带来的挑战，特别是考虑了由推进系统故障引起的可操作性和控制限制。在我们先前在执行器故障检测和耐受性方面的研究中，我们的方法采用了修改的自适应纯追求指导技术，并具有额外的适应性参数来说明可操作性的降低，从而确保对移动物体的安全跟踪。此外，我们提出了一种自适应着陆策略，该策略适应跟踪偏差并最大程度地减少偏离靶向降落，这是由于横向跟踪误差和延迟响应引起的，并使用侧向偏置依赖依赖于偏置的垂直速度控制。我们的系统采用基于视觉的标签检测来确定与无人机相关的无人接地车辆（UGV）的位置。我们在中期紧急着陆情况下实施了该系统，其中包括对紧急降落的执行者健康监测。广泛的测试和模拟证明了我们方法的有效性，大大推动了由于执行器故障而导致具有受损控制权的无人机的安全跟踪和紧急登陆方法的发展。
结构引导的胆小微生物的分泌物分析提供见解1实用培养基制剂，用于快速生长乳杆菌和其他阴道细菌结直肠癌干细胞亚型编排不同的肿瘤微环境
总结几个分类系统已开发出来定义结直肠癌（CRC）中的肿瘤亚型。一个系统提出，肿瘤异质性部分源自不同的癌症干细胞种群，这些癌细胞群体与比例不同的混合物共存。然而，缺乏单细胞分辨率已禁止对这些类型的干细胞的明确识别，因此对每种干细胞如何影响肿瘤表型。这里报告了从SW480 CRC细胞系中两个癌症干细胞亚型的分离和表征。我们发现这些癌症干细胞是正常隐窝底座（CBC）的致癌版本和肠道隐窝的再生干细胞（RSC）群体，其基因特征与“混合物”和其他CRC分类系统一致。使用CRC患者的公开可用的单细胞RNA测序（SCRNASEQ）数据，我们确定RSC和CBC癌干细胞通常在人CRC中共同呈现。为了表征对肿瘤微环境的影响，我们开发了亚型特异性异种移植模型，并通过SCRNASEQ在高分辨率下定义了它们的肿瘤微环境。RSC会产生分化的，炎症，生长缓慢的肿瘤。CBC会产生增生，未分化的侵入性肿瘤。通过这种增强的分辨率，我们将当前的CRC患者分类模式与TME表型和组织统一。
ngs引导的乳腺癌和妇科肿瘤中的精确肿瘤学 - 回顾性分子肿瘤板分析
1妇科妇科科学系，吉恩大学医院和马尔堡校园马尔伯格，菲利普斯 - 大学，德国马尔堡35043； sebastian.grewing@uk-gm.de（S.G.）; jboekhof@med.uni-marburg.de（J.B。）; strohali@staff.uni-marburg.de（A.S。）; uwe.wagner@uk-gm.de（U.W.）2菲利普斯 - 大学分子肿瘤学研究所，德国马尔堡35043； stiewe@uni-marburg.de 3病理学院，大学医院吉恩和马尔伯格校园马尔堡，菲利普斯 - 大学，德国35043，德国马尔堡； fiona.rodepeter@uk-gm.de（F.R.R.）; teply@uni-marburg.de（J.T.-S。）; akira.hattesohl@uni-marburg.de（A.H.）; Anne-Sophie.litmeyer2@uk-gm.de（A.-S.L.）; marcel.romey@uni-marburg.de（M.R.）; carsten.denkert1@uni-marburg.de（C.D。）4血液学，肿瘤学和免疫学系，大学医院Gießen和Marburg Campus Marburg，Philipps-University，35043德国马尔堡； thomas.tarawneh@staff.uni-marburg.de（T.S.T. ）; jorge.riera-knorrenschild@med.uni-marburg.de（J.R.-K。）; petra.ross@staff.uni-marburg.de（P.R. ）; neubauer@staff.uni-marburg.de（A.N。 ）; elisabeth.mack@staff.uni-marburg.de（E.K.M.M.） 5内科，血液学和内部肿瘤学的实践，德国马尔堡35043； drbalser@gmx.de 6综合癌症中心马尔堡，大学医院和马尔堡校园马尔堡，菲利普斯 - 大学，德国马尔堡35043； middeke@med.uni-marburg.de（M.M. ）; thomas.wuendisch@uk-gm.de（T.W.） *通信：gremken@staff.uni-marburg.de†当前地址：血液学，医学肿瘤学和姑息医学系，圣玛丽安医院Siegen，德国57072 Siegen，德国57072。4血液学，肿瘤学和免疫学系，大学医院Gießen和Marburg Campus Marburg，Philipps-University，35043德国马尔堡； thomas.tarawneh@staff.uni-marburg.de（T.S.T.）; jorge.riera-knorrenschild@med.uni-marburg.de（J.R.-K。）; petra.ross@staff.uni-marburg.de（P.R.）; neubauer@staff.uni-marburg.de（A.N。）; elisabeth.mack@staff.uni-marburg.de（E.K.M.M.）5内科，血液学和内部肿瘤学的实践，德国马尔堡35043； drbalser@gmx.de 6综合癌症中心马尔堡，大学医院和马尔堡校园马尔堡，菲利普斯 - 大学，德国马尔堡35043； middeke@med.uni-marburg.de（M.M.）; thomas.wuendisch@uk-gm.de（T.W.）*通信：gremken@staff.uni-marburg.de†当前地址：血液学，医学肿瘤学和姑息医学系，圣玛丽安医院Siegen，德国57072 Siegen，德国57072。
AI引导的缺陷检测技术，以建模单晶
摘要。从过程发展的角度来看，通过化学蒸气沉积的钻石生长取得了显着的进步。但是，挑战在实现高质量和大区域材料生产方面持续存在。这些困难包括控制整个生长表面的均匀生长速率的控制条件。随着生长的进展，出现了各种因素或缺陷状态，改变了统一条件。这些变化会影响生长速率，并导致微观尺度上的晶体缺陷形成。但是，使用生长过程中拍摄的图像鉴定这些缺陷状态及其几何形状存在明显的方法。本文使用现场光学图像详细介绍了缺陷分割管道的开创性工作，以识别指示宏观上可见的有缺陷状态的特征。使用以前工作中应用的语义分割方法，这些缺陷状态和相应的导数特征是由其像素掩码隔离和分类的。使用注释以注释的人体软件体系结构来生成培训数据集，并使用主动学习，数据增强和模型辅助标记的模块进行选择性数据标记，我们的方法可实现有效的注释准确性，并大大降低了按幅度降低标签的时间和成本。在模型开发方面，我们发现基于深度学习的算法是最有效的。他们可以准确地从功能丰富的数据集中学习复杂的表示。基于Yolov3和DeepLabv3plus体系结构，我们表现最佳的模型为特定的特定特征实现了出色的精度。具体来说，中心缺陷的精度为93.35％，多晶缺陷的92.83％，边缘缺陷达到91.98％。
进化引导的生成流网络
生成流动网络（GFLOWNETS）是一个概率生成模型的家族，它们学会了与奖励成正比的组成对象进行采样。Gflownets的一个重大挑战是在处理长期视野和稀疏奖励时有效地训练它们。为了解决这个问题，我们提出了进化引导的生成流网络（EGFN），这是使用进化算法（EA）对Gflownets训练的简单但强大的增强。我们的方法可以通过使用EA训练一组代理参数，将所得的轨迹存储在优先级的重播缓冲液中，然后使用存储轨迹训练GFLOWNETS代理。我们对广泛的玩具和现实世界的基准任务进行了彻底的调查，以显示我们方法在处理长轨迹和稀疏奖励方面的有效性。
梯度引导的模态脱钩 - ...
具有不完整输入数据（缺少模态）的多模式学习是实用且具有挑战性的。在这项工作中，我们对这一挑战进行了深入的分析，发现模式优势对模型训练具有显着的负面影响，从而极大地降低了缺失的模态性能。是由Grad-CAM激励的，我们引入了一种新颖的指标，梯度，以监测和减少在缺失情景中广泛存在的模态主导性。为了帮助该指标，我们提出了一种新颖的梯度引导的模态解耦（GMD）方法，以促进对主导方式的依赖性。特定的是，GMD从不同模态中删除了冲突的梯度成分，以实现这种去耦，从而显着提高了性能。此外，要弹性处理模态分配数据，我们设计了一个参数有效的动态共享（DS）框架，该框架可以根据是否可用，可以根据是否可用来求解网络参数。我们对三个流行的多模式基准进行了广泛的实验，包括Brats 2018用于医学分割，CMU-MOSI和CMU-MOSEI进行情感分析。结果表明，我们的方法可以显着胜过竞争对手，表明所提出的解决方案的有效性。我们的代码在此处发布：https：//github.com/haowang420/gradient-gendient-gudide-modality-decoupling。
文本图像通过全局结构引导的扩散模型插图
现实世界文本可能会因环境或人为因素引起的腐蚀问题而损害，这阻碍了文本的完整样式（例如纹理和结构）的保存。这些腐蚀问题，例如涂鸦迹象和不完整的签名，在理解文本方面带来了困难，从而对下游应用构成了重大挑战，例如场景文本识别和签名识别。值得注意的是，当前的介绍技术通常无法充分解决此问题，并且难以恢复准确的文本图像以及合理且一致的样式。将其作为文本图像中绘画的一个开放问题，旨在建立一个基准来促进其研究。在这样做时，我们建立了两个特定的文本插图数据集，分别包含场景文本图像和手写文本图像。它们中的每个图像都由现实生活和合成数据集重新消除，其中包含成对的原始图像，损坏的图像和其他助手信息。在数据集的顶部，我们进一步开发了一种新型的神经框架，全局结构引导的扩散模型（GSDM），作为潜在的解决方案。利用文本的全局结构为先验，提出的GSDM开发了一个有效的扩散模型，以恢复干净的文本。通过彻底的经验研究证明了我们方法的效率，包括识别精度和图像质量的实质性提高。这些发现不仅高出了我们方法的有效性，而且强调了它增强文本图像所构图和处理的更广泛领域的潜力。代码和数据集可在以下网址提供：https：//github.com/blackprotoss/gsdm。
通过显着引导的贴片转移的遮挡人重新识别
近年来，仿制药的重新识别已取得了显着改善，但这些方法的设计是在人们可以使用的整个身体的假设下设计的。当由现实世界应用中的各种障碍物引起的遮挡时，这种假设会带来明显的表现降解。为了解决这个问题，已经出现了数据驱动的策略，以增强模型的遮挡性稳健性。在随机擦除范式之后，这些策略通常采用随机生成的噪声来取代随机选择的图像恢复以模拟障碍物。但是，随机策略对位置和内容不敏感，这意味着它们不能在应用程序方案中模仿现实世界的遮挡案例。为了克服此限制并充分利用数据集中的真实场景信息，本文提出了一种更直观，更有效的数据驱动策略，称为显着性贴片传输（SPT）。与视觉变压器结合使用，SPT使用显着贴片选择了人员实例和背景障碍。通过将人实例转移到不同的背景障碍物中，SPT可以轻松生成光真实的遮挡样品。此外，我们提出了一个与联合（OIOU）进行遮挡意识到的交叉点，以筛选面罩，以过滤更合适的组合和类临时策略，以实现更稳定的处理。对封闭和整体人士重新识别基准进行的广泛的实验评估表明，SPT在遮挡的REID上提供了基于VIT的REID算法的显着性能增长。