XiaoMi-AI文件搜索系统
World File Search System性能提高
基于RFACONV和TRIPLET的注意自主驾驶图像检测的优化
Yolov8由于其高速目标检测，精确的识别和定位以及多个平台的多功能兼容性，在自主驾驶领域中起着至关重要的作用。通过实时处理视频流或图像，yolov8迅速准确地确定了诸如车辆和行人在公路上的障碍，为自主驾驶系统提供了必要的视觉数据。此外，Yolov8支持各种任务，包括实例细分，图像分类和态度估计，从而为自主驾驶提供了全面的视觉感知，最终提高了驾驶安全性和效率。认识到对象检测在自主驾驶场景中的重要性以及现有方法所面临的挑战，本文提出了一种整体方法来增强Yolov8模型。该研究引入了两个关键修改：C2F_RFACONV模块和三重态注意机制。首先，在方法论部分中详细阐述了所提出的修改。C2F_RFACONV模块替换了原始模块以提高特征提取效率，而三重态注意机制则增强了功能焦点。随后，实验过程描述了培训和评估过程，涵盖了培训原始的Yolov8，整合了修改的模块以及使用指标和PR曲线评估性能改进。结果证明了修饰的功效，改进的Yolov8模型表现出显着的性能提高，包括增加的MAP值和PR曲线的改善。最后，“分析”部分阐明了结果并将其归因于引入的模块。C2F_RFACONV提高了特征提取效率，而三重态注意力提高了功能焦点，以增强目标检测。C2F_RFACONV提高了特征提取效率，而三重态注意力提高了功能焦点，以增强目标检测。
湍流射流的人工智能控制
开发了一种人工智能 (AI) 控制系统，以最大限度地提高湍流喷射的混合率。该系统由六个独立操作的非稳定微型喷射执行器、两个放置在喷射器中的热线传感器和用于无监督学习近乎最优控制律的遗传编程组成。该定律的假设包括多频率开环强迫、传感器反馈及其非线性组合。混合性能通过喷射中心线平均速度的衰减率来量化。有趣的是，人工智能控制的学习过程按性能提高的顺序逐一发现了传统控制技术可实现的经典强迫，即轴对称、螺旋和拍打，最终收敛到迄今为止未探索过的强迫。仔细检查控制环境可以揭示学习过程中产生的典型控制定律及其演变。最佳 AI 强制产生复杂的湍流结构，其特点是周期性生成的蘑菇结构、螺旋运动和振荡射流柱，所有这些都提高了混合率并且远远优于其他结构。这种流动结构以前从未被报道过，我们从各个方面对其进行了检查，包括速度谱、平均和波动速度场及其下游演变，以及三个正交平面中的流动可视化图像，并与其他经典流动结构进行了比较。除了对微射流产生的流动及其对主射流初始条件的影响的了解之外，这些方面还为我们了解这种新发现的流动结构高效混合背后的物理原理提供了宝贵的见解。结果表明，人工智能在征服许多执行器和传感器的控制律的巨大机会空间以及优化湍流方面具有巨大潜力。
系统生物学 手术期间脑肿瘤边缘评估的靶向代谢组学分析
动机：在脑肿瘤手术期间识别和去除微尺度残留肿瘤组织是胶质瘤患者生存的关键。为此，基于高分辨率魔角旋转核磁共振 (HRMAS NMR) 光谱的肿瘤边缘评估是一种有效的方法。然而，代谢物定量所需的时间以及手术期间需要病理学家等人类专家在场是该技术的主要瓶颈。虽然以非针对性方式（即使用完整的原始信号）分析 NMR 光谱的机器学习技术已被证明可以有效地自动化这种反馈机制，但 NMR 信号的高维和噪声结构限制了所达到的性能。结果：在本研究中，我们表明，识别 HRMAS NMR 光谱中的信息区域并将其用于肿瘤边缘评估可提高预测能力。我们使用经 ERETIC（电子参考获取体内浓度）方法标准化的光谱，该方法使用外部参考信号来校准 HRMAS NMR 光谱。我们训练模型来预测来自该光谱注释区域的代谢物数量。使用这些预测进行肿瘤边缘评估可使 ROC 曲线下面积 (AUC-ROC) 和精确召回曲线下面积 (AUC-PR) 的性能提高高达 4.6% 。我们验证了各种肿瘤生物标志物的重要性，并确定了 7.97 ppm 和 8.09 ppm 之间的一个新区域作为神经胶质瘤生物标志物的新候选者。可用性和实施：代码发布于 https://github.com/ciceklab/targeted_brain_tumor_margin_assessment 。本文所基于的数据可在 Zenodo 中找到，网址为 https://doi.org/10.5281/zenodo.5781769。联系方式：cicek@cs.bilkent.edu.tr 补充信息：补充数据可在生物信息学在线获取。
用于高分辨率的生物聚合物水凝胶的热收缩3D打印肾小管
组织工程中微管结构的有效复制仍然是一个巨大的挑战。在这项研究中，通过探索2种热敏感水凝胶 - 凝集素甲基丙烯酰基（gelma）和丝晶（Sill-Floyl）（用丝晶（丝晶），研究了通过收缩机制来创建复杂的高分辨率肾小管结构的温度反应性特征（PNIPAM），以创建复杂的高分辨率管状结构。系统的研究揭示了在高温（33-37°C）上对缩小行为的精确控制，这是聚合物浓度的函数。两种水凝胶类型的水凝胶尺寸从室温（RT）降低至33°C，从RT降低至37°C的40％。萎缩的效果可将机械性能提高，使凝胶凝胶凝胶的压缩模量增加约2.8倍，silkma-pnipam凝胶在37°C下在37°C上增加5.1倍。与体积打印相结合，这些材料的分辨率为≈20％的分辨率增强，可实现≈70％的功能，从而实现了≈70％的功能。秒，带有开放通道（≈50μm）。Gelma-PNIPAM水凝胶与Silkma-PNIPAM水凝胶相比显示出更好的细胞兼容性，从而促进细胞粘附和生存能力。这项研究证明了热敏化水凝胶具有工程师复杂的高分辨率管状结构的能力，具有大量打印 - 一种有效的途径，用于制造微观环境，模仿具有开发相关体外模型的天然组织。
胶体锡卤化物钙钛矿纳米结构的结构动力学和可调性
以铅（Pb 2 +）[1,2]为二价阳离子的金属卤化物钙钛矿纳米晶体（NC）由于其尺寸和形貌可调、光学性能增强和化学稳定性，在光伏、[3]光发射和检测、[4,5]激光[5]和水分解[6]等应用方面具有吸引力。然而，据报道，当用毒性较低的[7,8]二价金属（如Sn 2 +）[9,10–12,13]取代铅时，所得NC的化学稳定性较差，缺乏可调性，光学性能也不太理想。相比之下，自50多年前首次被探索以来，Sn卤化物钙钛矿块体[14,15,16]和薄膜[17]已经得到了强有力的发展。 [18] 它们在光伏电池中的性能提高是由于使用添加剂（如SnF2 [19]和离子液体[20]）或通过从三维结构转换为二维混合钙钛矿（Dion-Jacobson [8,21]和Ruddlesden-Popper（RP）[22,23]）成功稳定了活性层。由于两个主要挑战，块体材料中获得的稳定性增强不能简单地转化为纳米尺度：i）对于 L 1 = 10 nm 以下的 NC，表面体积比很高（其中 L 1 是长方体的最小横向尺寸），这会导致大量金属离子从 Sn 2 + 氧化为 Sn 4 + ，以及 ii）存在光学带隙相差多达 1.25 eV 的多晶型物 [15,16]（即具有强光致发光 (PL) 的高导电黑色立方相 (Pm3m)、γ-正交相 (Pnma) 和非导电黄色正交相 (Pnma)）。[15,16,24]
带有PV，电池存储和网络柴油发电机的微电网的韧性和经济学
当前的微电网设计和评估忽略了组件的可靠性，从而导致了在岛时预测微电网性能的重大错误。现有关于混合微电网的生命周期成本研究（结合了光伏（PV），电池存储和网络紧急柴油发电机）也没有确定所有潜在的经济机会。通过依赖PV和电池，零售账单节省以及需求响应和批发市场收入来减少紧急柴油发电机的数量非常重要。本文提供了一种新的统计方法，该方法可以计算分布式能量可靠性和可变性对微电网性能的影响，以及对优化平台REOPT的新颖使用，以探索多种成本节省和收入流。我们研究了加利福尼亚，马里兰州和新墨西哥州微电网的影响，并表明混合微电网比仅柴油系统更具有弹性和成本效率的解决方案。在现实条件下，混合微电网在岛屿上可以提供更高的系统可靠性，并且在多个市场条件下的生命周期成本低于传统的基于柴油发电机的系统。混合系统的性能提高对过去20年中太阳辐照度所经历的状况有弹性，并且在飓风过后，绩效几乎没有降解。与仅柴油的微电网相比，可节省的成本可提供更弹性的备用电源系统。新墨西哥州混合微电网的净现在成本比仅柴油微电网低19％，而马里兰州的净成本却低35％。在加利福尼亚州，混合微电网的净现在成本为负，因为与仅柴油微电网不同，混合微电网的生命周期成本低于没有微电网的电力成本。
3D堆叠paves方法，用于较小的，动力包装的计算
违反摩尔法律计算绩效的限制正在努力跟上不懈的驱动力，以实现高性能芯片，因为性能瓶颈已经出现了，扩展范围在所有方面都达到了极限。扩展摩尔定律的一种方法是通过异质整合，这可以随着性能水平的提高铺平到未来设备的道路。随着芯片的变小，越来越强大，连接不断增长的晶体管数量的电线变得越来越薄且包装更密集。产生的阻力增加和过热会导致信号延迟，并限制中央处理单元（CPU）时钟速度。其他问题包括大规模集成电路（LSI）操作中的频率限制，与电池相关的电源限制和冷却问题。在改善移动计算和图形处理系统中的性能时，一个考虑因素是确保工作频率和功耗均未增加。另一个考虑因素是，通过功耗效率改善内存访问带宽，因此必须具有广泛的输入/输出（I/O）内存总线而不是高频接口。此外，随着系统性能的改善，此类系统中的内存能力变得越来越重要。3D芯片技术有助于解决几个问题，这些问题挑战了芯片的性能提高和加工尺寸的减少。这种方法通过称为晶圆键的过程在另一个芯片或集成电路（IC）上层。TSV还可以实现更有效的散热并提高功率效率。与此使用透过的硅VIA（TSV）制造方法垂直堆叠多个芯片组件，从而产生更快，更小和更低的CPU。
![arxiv：2403.16520v1 [CS.CV] 2024年3月25日](/simg/8\8cb841217ed2eb429029410da59fc3a242748727.webp)
arxiv：2403.16520v1 [CS.CV] 2024年3月25日
摘要。阿尔茨海默氏病（AD）是一种无法治愈的神经退行性疾病，导致认知和功能恶化。鉴于缺乏治愈，及时和精确的AD诊断至关重要，这是一个取决于多个因素和多模式数据的复杂过程。尽管已经做出了将多模式表示学习整合到医疗数据集中的成功努力，但对3D医学图像的关注很少。在本文中，我们提出了对比度的蒙版VIM AU-TOENCODER（CMVIM），这是针对3D多模式数据量身定制的第一种有效表示学习方法。我们提出的框架建立在蒙版的VIM自动编码器上，以学习3D医学图像中包含的统一的多模式代表和长依赖性。我们还引入了一个模式内对比度学习模块，以增强多模式VIM编码器的可容纳性，以建模相同模态中的判别特征，并提高模式间的对比度学习模块，以减轻模态之间的误匹配。我们的框架由两个主要步骤组成：1）将视觉MAMBA（VIM）纳入掩码自动编码器中，以有效地重建3D掩盖的多模式数据。2）将多模式表示与模式内和模式间方面的对比学习机制相结合。我们的框架已进行了预训练和验证的ADNI2数据集，并在下游任务上进行了广告分类验证。与其他状态方法相比，所提出的CMVIM可在2.7％的AUC性能提高。
对空间应用的MEMS陀螺仪的热效量稳定性
在过去的二十年中，MEMS陀螺仪广泛用于消费电子产品，汽车安全性，机器人技术和稳定，这是由于其尺寸较小和功耗低[1，2]。随着性能的提高，它们也具有巨大的潜力，可以启用更高级的应用程序，例如空间应用。出于这个原因，MEMS陀螺仪有望在大型卫星中检测到故障检测，或者在微卫星，电信卫星和行星流浪者中进行态度传播和速率确定[3-5]。尽管如此，尽管其性能提高，但MEMS陀螺仪仍需要主要的技术适应性适合空间应用，尤其是相对于航空航天环境的高阻力特征。许多研究工作已专门用于MEMS可靠性的领域。通常，大多数特定空间的可靠性问题是热循环和热冲击，辐射，振动和机械冲击，在发射和阶段 /隔热罩分离时[6-9]。微卫星的寿命主要是一年。一方面，陀螺仪必须具有最佳的成本，尺寸，重量和功率（CSWAP）。另一方面，陀螺仪在卫星使用寿命期间应稳定起作用。由于其成本优势，大气包装的MEMS陀螺仪是最好的候选者之一。然而，空间环境的高真空是带有大气包装的MEMS陀螺仪无法忽略的因素。陀螺仪包装中的气压将在非常高的真空状态下的一段时间内下降。MEMS陀螺仪的偏置漂移与工作压力有关[10]。MEMS陀螺仪的另一个偏见漂移来源是它们对温度变化的固有敏感性[11]。因此，工程师应充分注意陀螺仪对热效环境的敏感性。
使用图像
本研究旨在使用混合溶液方法诊断出视网膜底面图像的糖尿病性视网膜病。更具体，混合方法依赖于结合深度学习和图像处理以获得更好的结果。可靠的糖尿病性视网膜病变（DR）从数字眼底图像中检测被认为是医疗图像处理中的一个开放问题，需要开发替代溶液。失明和视觉丧失可能来自DR。本研究采用径向基函数（RBF）神经网络分类器来自动识别视网膜图像是与疾病相关或非药物相关的。糖尿病性视网膜病（DR）会导致视觉损害的视网膜病变，通常与糖尿病有关。如果未及时检测到它，则可能导致失明。早期诊断和治疗DR可以帮助防止视力丧失。深度学习已成为最近最受欢迎的方法之一，显示了各种应用程序的性能提高，尤其是在医学图像的分析和分类中。由于其出色的有效性，卷积神经网络越来越多地用作医学图像分析中的深度学习技术。图像处理在研究的建议的解决方案方法中使用。然后将卷积神经网络分类以进行诊断。使用Eyepacs数据库的33000个视网膜底面图像来验证该技术。深度学习模型使用彻底的方法来训练和评估Alexnet检测糖尿病性视网膜病的模型。模型精度为0.7349，结果表明了值得注意的性能指标和成功的准确分类。