XiaoMi-AI文件搜索系统
World File Search System提炼
提炼、形成和一致的资源措施
量子资源理论 (QRT) 为理解在量子信息处理中充当资源的固有量子力学属性提供了一个统一的理论框架，但由物理驱动的资源可能具有数学上难以分析的结构，例如最大资源状态的非唯一性、缺乏凸性和无限维度。我们在最小假设下研究一般 QRT 中的状态转换和资源度量，以找出物理驱动的量子资源的普遍属性，这些资源可能具有这种数学结构，其分析是难以处理的。在一般设置中，我们证明了一次性状态转换中最大资源状态的存在。同样通过分析渐近状态转换，我们发现了量子资源的催化复制，其中资源状态可以通过自由操作无限复制。在不假设最大资源状态唯一性的 QRT 中，我们制定了量子资源的提炼和形成任务，并分别基于提炼和形成引入了可提炼资源和资源成本。此外，我们引入了一致的资源度量来量化量子资源的数量，而不会与状态转换率相矛盾，即使在具有非唯一最大资源状态的 QRT 中也是如此。在先前的工作的基础上，我们展示了加性资源度量的唯一性定理，证明了一致资源度量的相应唯一性不等式；也就是说，量子状态的一致资源度量取值介于可提炼资源和状态的资源成本之间。这些公式和结果建立了
利用在线相互知识提炼实现跨模态医学图像分割
深度卷积神经网络的成功部分归功于海量带注释的训练数据。然而在实践中，获取医疗数据注释通常非常昂贵且耗时。考虑到具有相同解剖结构的多模态数据在临床应用中广泛可用，在本文中，我们旨在利用从一种模态（又称辅助模态）学到的先验知识（例如形状先验）来提高另一种模态（又称目标模态）的分割性能，以弥补注释的稀缺性。为了缓解由模态特定外观差异引起的学习困难，我们首先提出一个图像对齐模块（IAM）来缩小辅助和目标模态数据之间的外观差距。然后，我们提出了一种新颖的相互知识蒸馏（MKD）方案，以充分利用模态共享知识来促进目标模态分割。具体来说，我们将我们的框架制定为两个独立分割器的集成。每个分割器不仅从相应的注释中显式提取一种模态知识，而且还以相互引导的方式从其对应部分中隐式探索另一种模态知识。两个分割器的集合将进一步整合来自两种模态的知识，并在目标模态上生成可靠的分割结果。在公共多类心脏分割数据（即 MM-WHS 2017）上的实验结果表明，我们的方法通过利用额外的 MRI 数据在 CT 分割方面取得了很大的改进，并且优于其他最先进的多模态学习方法。