XiaoMi-AI文件搜索系统
World File Search System扫视
磁铁溅射的无定形硅– SIO2量化纳米胺
规格作为基于差异较小的材料的设计。除了折射指数外，材料还必须满足其他要求，其中的材料在波长范围内具有可忽略的损失。但是，在介电材料中，折射率和吸收边缘是连接的。[1]具有高折射率的材料在长波长下具有吸收边缘，而低折射率材料在短波长下具有吸收边缘。tio 2是具有最高折射率的介电材料，在频谱的可见范围（VIS）中，开始在≈400nm处发射。具有更高折射率的处置材料，而在VIS中保持透明，将具有广泛的实际相关性，因为它将允许使用层较低的层且整体厚度降低的干扰设计。如本文所示，纳米胺的沉积速率超过了TIO 2之一。预计厚度降低和高沉积速率都会导致涂料系统的生产率提高和制造成本降低。除了制造纳米酰胺外，一种将折叠指数与散装材料特性脱离的方法是扫视角度沉积，[2,3]中形成了柱状纤维结构，从而减少了有效的折射率。因此，将在散装层和具有相同材料的柱状结构的层面层之间发生干扰效应。[4,5]。在2016年[7]由于没有不同材料之间的接口，这打开了有趣的效果，例如板极化器或更高的激光损伤抗性。如参考文献所述，一种可比较的方法是由有机膜的离子蚀刻形成的自组织结构。再次，通过蚀刻降低了层的有效折射率，该蚀刻引入了局部和未定位的多孔结构。[6]如果将层用作抗反射设计中的最外层，则此效果是有益的。至于瞥见角度沉积，自组织层的缺点是对环境条件的敏感性提高。一个最近克服两个特征之间联系的概念是量化纳米胺（QNL）的，这是Willemsen，Jupé等人首次报道的。
切换机制的建模和推理方法——...
摘要。要实现能够在自然行为期间跨多个时空尺度进行长期神经记录的神经技术，需要新的建模和推理方法，这些方法可以同时解决两个挑战。首先，这些方法应该从多个记录源（例如脉冲和场电位）汇总所有活动尺度的信息。其次，这些方法应该检测自然场景和长期记录期间行为和/或神经动力学状态的变化。先前的状态检测方法是针对单一活动尺度而不是多尺度活动开发的，先前的多尺度方法没有考虑状态切换并且适用于静止情况。在这里，我们通过开发切换多尺度动力系统模型和相关的过滤和平滑方法来应对这两个挑战。该模型描述了多尺度尖峰场活动中未观察到的大脑状态的编码。它还允许使用未观察到的状态状态进行状态切换动力学，该状态决定每个时间步的动态和编码参数。我们还设计了相关的切换多尺度推理方法，从同时发生的尖峰场活动中估计未观察到的状态和大脑状态。我们在大量数值模拟和记录在猴子身上的前额叶脉冲场数据中验证了这些方法，猴子为了获得流体奖励而进行扫视。我们表明，这些方法可以成功地结合脉冲和场电位观测，同时准确地跟踪状态和大脑状态。这样，与单尺度切换方法或固定多尺度方法相比，这些方法可以更好地估计状态。这些建模和推理方法有效地结合了状态检测和多尺度观测。因此，它们可以促进对潜在切换神经群体动态的研究，并通过在出现状态依赖的多尺度活动和行为的自然场景中进行推理来改善未来的脑机接口。
面部表情线索整合过程中错误监测的神经元 θ 波特征
错误监控是一种元认知过程，通过这一过程，我们能够在做出反应后检测并发出错误信号。监控我们的行为结果何时偏离预期目标对于行为、学习和高阶社交技能的发展至关重要。在这里，我们使用脑电图 (EEG) 探索了面部表情线索整合过程中错误监控的神经基础。我们的目标是研究依赖于面部线索整合的响应执行之前和之后错误监控的特征。我们遵循中额叶 theta 的假设，认为它是错误监控的强大神经元标记，因为它一直被描述为一种发出认知控制需求的信号机制。此外，我们假设 EEG 频域分量可能有利于研究复杂场景中的错误监控，因为它携带来自锁定和非锁相信号的信息。应用了一个具有挑战性的 go/no-go 扫视范式来引出错误：需要整合面部情绪信号和凝视方向来解决这个问题。我们从 20 名健康参与者处获取了脑电图数据，并在反应准备和执行期间以 θ 波段活动水平进行分析。尽管 θ 调制在错误监控过程中一直得到证实，但它开始发生的时间尚不清楚。我们发现正确和错误试验之间中额通道的 θ 功率存在差异。错误反应后 θ 波段立即升高。此外，在反应开始之前，我们观察到了相反的情况：错误之前的 θ 波段较低。这些结果表明 θ 波段活动不仅是错误监控的指标（这是增强认知控制所必需的），也是成功的必要条件。这项研究通过在复杂任务中甚至在执行反应之前就揭示与错误相关的模式并使用需要整合面部表情线索的范例，为 θ 波段在错误监控过程中的作用增加了先前的证据。
制造业和服务业中的人为因素和人体工程学
Crundall, D. E., & Underwood, G. (1998).经验和处理需求对驾驶员视觉信息获取的影响。人体工程学，41 (4)，448 – 458。Ellis, S. R., & Stark, L. (1986)。视觉扫描中的统计依赖性。人为因素：人为因素和人体工程学学会杂志，28 (4)，421 – 438。Green, P. (2015)。驾驶员在驾驶时看哪里（以及看多长时间）。交通安全中的人为因素，77 – 110。Harris Sr, R. L., Glover, B. J., & Spady Jr, A.A.(1986)。飞行员扫描行为的分析技术及其应用 (NASA Tech.报告号2525)。弗吉尼亚州汉普顿：兰利研究中心。Haslbeck, A., & Zhang, B.(2017)。我用我的小眼睛观察：在手动仪表飞行场景中分析航空公司飞行员的注视模式。应用人体工程学，63，62 – 71。Hillier，F. S.（2012）。运筹学简介。Tata McGraw - Hill Education。国际标准化组织。（2002）。ISO 15007 - 1：道路车辆 - 测量与运输信息和控制系统相关的驾驶员视觉行为 - 第 1 部分：定义和参数。摘自 http://www.iso.org Itoh，Y.，Hayashi，Y.，Tsukui，I.，& Saito，S.（1990）。飞机飞行员眼球运动和心理工作负荷的人体工程学评估。人体工程学，33 (6)，719 – 732。Jeong, H.，& Liu, Y.(2019)。非驾驶相关任务模式和道路几何形状对驾驶时眼球运动、车道保持性能和工作量的影响。交通研究 F 部分：心理学和行为，60，157 – 171。Kang, Z.，& Landry, S. J.(2014)。使用扫描路径作为多目标跟踪冲突检测任务的学习方法，56 (6)，1150 – 1162。Kang, Z., & Landry, S. J.(2015)。多元素目标跟踪任务的眼动分析算法：基于最大转换的聚集层次聚类。IEEE 人机系统学报，45 (1)，13 – 24。Krejtz, K., Duchowski, A., Szmidt, T., Krejtz, I., González Perilli, F., Pires, A., … Villalobos, N. (2015)。凝视转换熵。ACM 应用感知通讯 (TAP)，13 (1)，4 – 20。Liang, Y.、Horrey, W. J. 和 Hoffman, J. D. (2015)。开车时阅读文本：了解驾驶员对分心的战略和战术适应。人为因素：人为因素和人体工程学学会杂志，57 (2)，347 – 359。Liang, Y., Lee, J. D., & Yekhshatyan, L. (2012)。视线偏离道路有多危险？算法根据自然驾驶中的扫视模式预测碰撞风险。人为因素：人为因素和人体工程学学会杂志，54 (6)，1104 – 1116。Liechty, J., Pieters, R., & Wedel, M. (2003)。全局和局部隐性视觉注意：来自贝叶斯隐马尔可夫模型的证据。Psycho- metrika，68 (4)，519 – 541。Marchitto，M.，Di Stasi，L. L.，& Cañas，J. J.(2012)。任务负荷操纵下的眼球运动：几何形状对空中交通管制模拟任务中扫视的影响。制造业和服务业的人为因素和人体工程学，22 (5)，407 – 419。Milton，J.，& Mannering，F. (1998)。公路几何形状、交通相关元素和机动车事故频率之间的关系。交通运输，25 (4)，395 – 413。Mourant, R. R. 和 Rockwell, T. H. (1970)。将眼球运动模式映射到驾驶中的视觉场景：一项探索性研究。人为因素：人为因素和人体工程学学会杂志，12 (1)，81 – 87。Noton, D. 和 Stark, L. (1971)。眼球运动和视觉感知。《科学美国人》 ，224 (6)，34 – 43。Pradhan, A. K.、Hammel, K. R.、DeRamus, R.、Pollatsek, A.、Noyce, D. A. 和 Fisher, D. L. (2005)。使用眼球运动评估驾驶员年龄对驾驶模拟器中风险感知的影响。《人为因素：人为因素和人体工程学学会杂志》 ，47 (4)，840 – 852。
自然句子阅读过程中情绪处理的神经动力学
阅读时，我们的眼睛通过一系列注视和高速扫视浏览文本，以提取视觉信息。这一过程使大脑能够获得意义，例如关于书面文本中表达的情绪或情感价。大脑在自然阅读过程中如何提取单个单词的情感在很大程度上是未知的。这是由于自然成像的挑战，这导致研究人员之前采用高度控制、定时的逐字呈现缺乏生态效度的定制阅读材料。在这里，我们旨在评估自然阅读英语句子时词语情绪处理的电神经相关性。我们使用了一个公开的数据集，包括同步脑电图 (EEG)、眼动追踪记录和 400 个句子中的 7129 个单词的词级语义注释（苏黎世认知语言处理语料库；Hollenstein 等人，2018 年）。我们计算了注视相关电位 (FRP)，即与注视开始时间锁定的诱发电反应。对从视觉和运动诱发活动中清除的 FRP 进行一般线性混合模型分析，结果显示，在注视开始后 224 – 304 毫秒间隔内，左中和右后电极簇中的积极和消极情绪条件之间存在地形差异。包括单词、短语和句子级情绪预测因子的额外分析显示，单词级情绪的 FRP 差异相同，但短语和句子级情绪没有额外的 FRP 差异。此外，从情绪匹配的 40 次试验平均 FRP 中对单词情绪（积极或消极）进行分类的解码分析显示平均准确率为 0.60（95% 置信区间：[0.58, 0.61]）。控制分析排除了这些结果是基于眼球运动或语言特征的差异而不是词语情绪。我们的研究结果扩展了以前的研究，表明词汇语义刺激的情感价会在自然阅读过程中对单词注视产生快速的电神经反应。这些结果为在生态有效条件下识别词汇语义处理的神经过程提供了重要的一步，并可用于改进自然语言处理的计算机算法。
评论：阿尔法同步和空间注意力的神经反馈控制
α 波段活动是一种神经特征，长期以来人们推测它与使神经处理偏向于所关注的信息有关（参见 Van Diepen 等人，2019 年）。许多研究提出 α 侧化，即一个半球的 α 波段功率同时下降而另一个半球的 α 波段功率增加，是视觉空间注意力转移的神经标志。在最近的研究中，Bagherzadeh 等人 (2019) 研究了 α 波段调节对视觉空间注意力部署的潜在因果作用。在一项神经反馈任务中，参与者学会了上调顶叶 α 波段幅度侧化，同时测量了注意力转移的标志。至关重要的是，左侧和右侧顶叶 MEG 传感器的 α 侧化增强有利于在方向匹配样本任务中取得好成绩，因为它增加了要记忆的刺激的对比度。核心问题是上调的 alpha 侧化是否会导致相应的视觉空间注意转移。通过不同的测量方法，提供了这种转移的证据：（1）对于神经反馈任务，作者报告了与半球对侧的探测相关诱发反应增强，而 alpha 被下调。在神经反馈任务中，（2）alpha 波段功率和（3）反应时间仍然描绘了后续波斯纳范式中性试验的侧化。最后，（4）凝视方向转移到半球对侧，在自由观看任务中显示 alpha 降低。这些测量使作者得出结论，神经反馈期间 alpha 侧化的增加导致了空间注意的转移（见图 1A）。但是，声称 alpha 侧化导致注意力反向转移，即部署隐蔽空间注意以增加 alpha 侧化的策略，必须排除。在我们看来，作者的论证思路存在一些缺陷，数据确实提供了一些证据，表明受试者使用空间注意力（通过关注中枢刺激的侧化方面）来改变他们的 alpha 侧化（图 1B）。作者表示，目前尚不清楚参与者使用了哪些策略来侧化 alpha 幅度，并提出转移注意力本身对于该任务来说并不是必需的，因为它只涉及一个中枢呈现的刺激，因此参与者依赖于偶然反馈来学习改变 alpha 侧化。尽管如此，隐性转移注意力代表了一种有效的策略，可以产生可靠的可测量 alpha 波段活动调节，这种调节通常在 BCI 中得到利用（Jensen 等人，2011；Treder 等人，2011）。为了控制受试者确实避免使用与空间注意相关的策略，作者比较了微扫视的方向作为隐性空间注意的标志
基于虚拟现实的空间能力评估
在虚拟现实（VR）研究领域，方法论进步，技术创新和新颖应用的协同作用至关重要。我们的工作在VR环境中进行的空间能力评估背景下封装了这些方面。本文提出了VR，眼睛跟踪和脑电图（EEG）的全面综合框架，该框架无缝地结合了测量参与者的行为性能，并同时收集时间戳记的眼球跟踪和EEG数据，以促进某些条件和增加这种态度的潜在影响，以使空间能力在某些条件和增加的范围内都受到影响和注意力的影响。该框架涵盖了参与者的凝视模式（例如固定和扫视），脑电图数据（例如Alpha，Beta，Gamma和Theta波模式）以及心理测试和行为测试的测试。在技术方面，我们利用Unity 3D游戏引擎作为通过模拟更改空间探索条件来运行空间能力任务的核心。我们模拟了两种类型的空间探索条件：（1）微重力条件，其中参与者的白痴（身体）轴静态和动态地与其视觉轴进行了错位； （2）火星地形的条件，提供视觉参考框架（用于）但有限且陌生的地标物体。我们特别针对人类的空间能力和空间感知。对于空间感知，我们应用了大小和距离感知测试的数字化版本来衡量参与者对大小和距离的主观感知。To assess spatial ability, we digitalized behav- ioral tests of Purdue Spatial Visualization Test: Rotations (PSVT: R), the Mental Cutting Test (MCT), and the Perspective Taking Ability (PTA) test and integrated them into the VR settings to evaluate participants' spatial visualization, spatial relations, and spatial orientation abil- ity, respectively.C＃脚本的套件策划了VR体验，实现了实时数据收集和同步。这项技术创新包括从不同来源的数据流（例如Vive控制器，远射设备和EEG硬件）集成，以确保具有凝聚力和全面的数据集。我们的研究中的一个关键挑战是同步来自脑电图，眼睛跟踪和VR任务的数据，以促进全面的分析。为了应对这一挑战，我们采用了Opensync库的统一接口，该工具旨在统一心理学和神经科学领域中不同的数据源。这种方法可确保所有收集的措施共同参考，从而对参与者绩效，凝视行为和脑电图活动有意义分析。基于统一的系统无缝地包含任务参数，参与者数据和VIVE控制器输入，提供了一个多功能平台，用于在不同域中进行评估。
射手达利亚·韦斯特 epub 免费
克里斯“射手”沙利文在伊拉克受重伤后回到了南达科他州拉皮德城的家中。他想专注于重建生活，帮助他的旧部队恢复，并经营他的车库，在那里他修理定制汽车和自行车。克里斯试图把过去抛在脑后，尤其是他父亲的摩托车帮派的记忆，那帮派已经不复存在了。海莉·特纳，一个有着痛苦历史的年轻女子，来到镇上寻找工作和住处。她想与所有人保持距离，包括克里斯，他似乎不喜欢她。尽管他们最初有抵抗，但情况迫使他们越来越依赖彼此。随着他们彼此的了解越来越深，克里斯发现保持超然越来越困难，而海莉意识到她已经孤独了这么久，可能永远无法恢复。霍克·红云站在镜子前，擦洗指甲下的发动机润滑油。这是一份乏味的工作，但他并不介意。在他的前世，油脂代表着其他人的鲜血，这并没有让他太过困扰。他喜欢把发动机拆开再组装，直到完美。拆完后，霍克打开淋浴，脱掉衣服，包括发带。他闪亮的黑发披散在肩膀上，与他按照陆军条例剪短之前的长度相差甚远。失去长发让他心情不好了一段时间。霍克用发带扎起马尾辫，坐在黑色哈雷摩托车破旧的皮座椅上。七月的夜晚空气温暖，但带着一丝微风，让他保持凉爽。当他坐在摩托车座位上时，霍克的靴子启动了引擎，他感到身下有一股力量涌动。他的全黑装束对他来说并不罕见——它隐藏了多年军队服役留下的污渍，以及偶尔溅出的油脂或灰尘。在城郊的玛丽亚酒吧，周五晚上的情况难以预测，但霍克总是做好了一切准备。他已经习惯了人们认为他的务实是为了表现出威胁性，他并不介意。他与众不同的不是他的衣着，而是他带来的技能——这些技能让他和他的朋友们成为了玛丽亚酒吧的非官方保护者。即使他们不在巡逻，他们的存在也会让潜在的麻烦制造者望而却步。没有他们，有人决定考验玛丽亚的决心只是时间问题。酒吧本身以主人玛丽亚的名字命名——玛丽亚是一个金发女郎，言辞尖刻，脾气暴躁。她不怕为自己挺身而出，但她也知道什么时候退缩。当霍克走进酒吧时，他扫视着房间寻找熟悉的面孔。他发现一个瘦小的女孩在托盘上平衡饮料，并引起了两个粗鲁的男人的注意，他们似乎喝醉了，根本不关心周围的环境。酒保介入了，他猛地将男人的手腕从女孩的手中挣脱出来，然后露出一个能让十步之外的水都结冰的表情。霍克从房间的另一边看着另一个巨人站了起来，目光锁定在酒吧女招待身上。霍克需要在台球比赛中战胜射手，并与牛仔交锋，然后才能找到人来消耗他多余的精力。他滑到女服务员旁边的凳子上，一只手臂搂住她的腰，环顾着现场，感觉着熟悉的肾上腺素激增。霍克俯身问斯利克：“怎么样了？”他的眼睛一直盯着他们对面的两个男人。她依偎在他怀里，轻轻叹了口气，简单地回答道：“很好。”霍克认为她很好，除了有点恼火。他瞥了一眼那个大个子的男人，他仍然站着，但没有向前走。他们这个团体中只有两个人曾经近距离夺走别人的生命：霍克本人，他在伊拉克杀死了一名叛乱分子，而斯利克的杀戮更为残忍。斯利克想要一杯啤酒，于是伸手去拿一杯给 Handsy 先生，然后递给了霍克。霍克笑了，注意到萨拉·沙利文的无礼，尽管受到这么多的戏弄，她的丈夫还是设法跟上了。霍克转向桌边的另一个男人，态度变得冷酷而威胁，促使那个男人退缩。“付钱走人，”霍克平静地说，并提醒他不要给大笔小费。霍克最后一次拥抱斯利克后，拿着啤酒离开了。穿过吧台，霍克坐在身材高大的苏族人克里斯“射手”沙利文旁边，克里斯对霍克的到来表示赞赏，并承认斯利克的自卫技能有所提高。射手瞥了一眼正在教斯利克这些新动作的吉米·特恩布尔，点头表示同意。谈话转到了射手过去和斯利克的冲突，当时他们还在约会，他用冷水烫伤了她。这件事促使他要求 Easy 教 Slick 自卫技能，而不是教他自己。尽管 Easy 身有残疾，但他仍是一股不可忽视的力量，Slick 知道他不会在课上伤害他。在台球桌上，牛仔、Tex 和他的女人 Vegas 正全神贯注地玩着一场激烈的九球游戏。气氛很紧张，Shooter 试图判断 Vegas 的下一步行动。Hawk 插话道，建议使用粉红色指甲油进行戏剧性的结果。Tex 认真对待他的比赛，经常因为作弊而输给 Vegas。他们的玩笑中夹杂着调侃，但在表面之下，Hawk 相信 Tex 会支持他。在之前的一次遭遇中，Hawk 被两名男子包围，Tex 击倒了第三名袭击者，救了他一命。Vegas 不会回报这种善举。当她和 Tex 在一起时，她似乎很开心，而 Tex 不会建立长期关系。Hawk 扫视着酒吧，正在寻找他的下一个征服对象，他们不知道克里斯“枪手”沙利文已经回到拉皮德城，被他在伊拉克的过去所困扰，而海莉·特纳，一个有着自己痛苦历史的年轻女子，现在在酒吧里，试图保持低调。他成功地让她相信她是个麻烦。但生活另有安排，这两个人被迫越来越依赖对方。随着克里斯对海莉的了解越来越多，他越来越难以保持距离。与此同时，海莉开始意识到她已经独自生活了多久——也许太久了，她永远无法找到有别人陪伴的正常生活。
Chameleo：利用人工智能检测变色龙行走方式
[4] Linda Evans、Fred Hardtke、Emily Corbin 和 Wouter Claes。2020 年。伪装的变色龙：在埃及 el-Hosh 遗址的新发现。《考古学和人类学》12，8 (2020)，1–9。[5] 欧洲宠物食品工业联合会 (FEDIAF)。2020 年。事实与数据 2020。https://www.fediaf.org/images/FEDIAF_Facts_and_Figures_2020.pdf [6] Martin S Fischer、Cornelia Krause 和 Karin E Lilje。2010 年。变色龙运动能力的进化，或如何成为树栖爬行动物。《动物学》113，2 (2010)，67–74。[7] Olivier Friard 和 Marco Gamba。 2016. BORIS：一款免费、多功能的开源事件记录软件，可用于视频/音频编码和实时观察。《生态学与进化方法》7，11（2016），1325–1330。[8] Klaus Greff、Rupesh K Srivastava、Jan Koutník、Bas R Steunebrink 和 Jürgen Schmidhuber。2016. LSTM：搜索空间漫游。《IEEE 神经网络与学习系统汇刊》28，10（2016），2222–2232。[9] Anthony Herrel、Krystal A Tolley、G John Measey、Jessica M da Silva、Daniel F Potgieter、Elodie Boller、Renaud Boistel 和 Bieke Vanhooydonck。2013. 缓慢但坚韧：变色龙奔跑和抓握能力分析。 《实验生物学杂志》216，6（2013），1025–1030。[10] Timothy E Higham 和 Bruce C Jayne。2004。蜥蜴在斜坡和栖木上的运动：树栖专化者和陆栖通才者的后肢运动学。《实验生物学杂志》207，2（2004），233–248。[11] Mayank Kabra、Alice A Robie、Marta Rivera-Alba、Steven Branson 和 Kristin Branson。2013。JAABA：用于自动注释动物行为的交互式机器学习。《自然方法》10，1（2013），64–67。 [12] Mary P Klinck、Margaret E Gruen、Jérôme RE del Castillo、Martin Guillot、Andrea E Thomson、Mark Heit、B Duncan X Lascelles 和 Eric Troncy。2018 年。通过随机临床试验，开发了供看护人/主人 MI-CAT (C) 使用的蒙特利尔猫关节炎测试工具，并对其初步效度和信度进行了评估。《应用动物行为科学》200 期 (2018)，第 96-105 页。[13] JB Losos、BM Walton 和 AF Bennett。1993 年。《肯尼亚变色龙的冲刺能力与粘着能力之间的权衡》。《功能生态学》(1993)，第 281-286 页。[14] Tom Menaker、Anna Zamansky、Dirk van der Linden、Dmitry Kaplun、Aleksandr Sinitica、Sabrina Karl 和 Ludwig Huber。 2020 年。面向数据驱动的动物行为模式自动分析方法。第七届动物-计算机交互国际会议论文集。1-6。[15] Nikola Mijailovic、Marijana Gavrilovic、Stefan Rafajlovic、M Ðuric-Jovicic 和 D Popovic。2009 年。从加速度和地面反作用力识别步态阶段：神经网络的应用。Telfor 杂志 1, 1（2009 年），34-36。[16] Hung Nguyen、Sarah J Maclagan、Tu Dinh Nguyen、Thin Nguyen、Paul Flemons、Kylie Andrews、Euan G Ritchie 和 Dinh Phung。2017 年。使用深度卷积神经网络进行动物识别和鉴别，用于自动野生动物监测。2017 年 IEEE 数据科学与高级分析国际会议 (DSAA)。IEEE，40–49。[17] Matthias Ott。2001 年。变色龙有独立的眼球运动，但在扫视猎物追踪过程中双眼会同步。实验脑研究 139，2（2001 年），173–179。[18] Veronica Panadeiro、Alvaro Rodriguez、Jason Henry、Donald Wlodkowic 和 Magnus Andersson。2021 年。28 款免费动物追踪软件应用程序回顾：当前功能和局限性。实验室动物（2021 年），1–9。[19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020. 揭示未知：使用深度学习实时识别加拉帕戈斯蛇类。动物 10, 5 (2020), 806。[20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan Shuman 和 Denise J Cai。2019. ezTrack：用于研究动物行为的开源视频分析流程。科学报告 9, 1 (2019), 1–11。[21] Talmo D Pereira、Diego E Aldarondo、Lindsay Willmore、Mikhail Kislin、Samuel SH Wang、Mala Murthy 和 Joshua W Shaevitz。2019. 使用深度神经网络快速估计动物姿势。自然方法 16, 1 (2019), 117–125。[22] Jane A Peterson。 1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1-42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用智能与信息学会议上。Springer，216-231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016. 您只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779-788。 [25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。一种新型活动监测器在评估猫的身体活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。实验动物（2021），1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知：利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack：用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16，1（2019），117–125。[22] Jane A Peterson。1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。实验动物（2021），1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知：利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack：用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16，1（2019），117–125。[22] Jane A Peterson。1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次：统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次：统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。