XiaoMi-AI文件搜索系统
World File Search System摄像
grnade：3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。
用于家庭康复的个性化负责任人工智能
摘要：COVID-19 后的社会经济原因要求进行无人监督的家庭康复，特别是需要个性化的人工智能来支持参与和激励。人工智能还必须符合问责制、责任制和透明度 (ART) 要求，以获得更广泛的接受。本文介绍了一种以患者为中心的个性化家庭康复支持系统。为此，计时起立行走 (TUG) 和五次坐立 (FTSTS) 测试评估了在存在或发展合并症的情况下的日常生活活动表现。我们提出了一种生成合成数据集的方法，以补充实验观察并减轻偏见。我们提出了一种增量混合机器学习算法，该算法结合了集成学习和混合堆叠，使用极端梯度提升决策树和 k-最近邻来满足个性化、可解释性和 ART 设计要求，同时保持较低的计算占用空间。该模型在预测相关患者医疗状况时，FTSTS 和 TUG 的准确率高达 100%，在预测测试部分中的困难区域时，准确率分别达到 100% 或 83.13%。与以前使用摄像头等侵入式监控手段的方法相比，我们的结果显示，FTSTS 和 TUG 测试分别提高了 5% 和 15%。
基于优化模糊的 Ant-Hocnet 路由协议...
无人机或无人驾驶飞机通常被称为无人驾驶飞行器 (UAV)，由这些无人机组成的自组织网络通常被称为飞行自组织网络 (FANET)。无人机和飞行自组织网络最初与军事监视和情报收集有关；此外，它们现在被广泛用于民用领域，包括搜索和救援、交通监控、消防、摄像和智能农业。然而，由于其独特的架构，它们带来了相当大的设计和部署挑战，主要与路由协议有关，因为传统的路由协议不能直接用于飞行自组织网络。例如，由于高移动性和稀疏拓扑，频繁的链路中断和路由维护会导致高开销和延迟。在本文中，我们采用基于优化模糊逻辑的生物启发式蚁群优化 (ACO) 算法“Ant-Hocnet”来改进飞行自组织网络的路由。模糊逻辑用于分析无线链路状态信息（例如可用带宽、节点移动性和链路质量），并在没有数学模型的情况下计算最佳无线链路。为了评估和比较我们的设计，我们在 MATLAB 模拟器中实现了它。结果表明，我们的方法在吞吐量和端到端延迟方面有所改进，从而提高了 FANET 的可靠性和效率。
转导零射击和少量剪辑-CVF Open Access
转导的推论已通过几片图像分类进行了广泛研究，但在最近的，快速增长的文献中，有关适应视觉模型（如剪辑）的文献被完全忽略了。本文介绍了转换零射击和少量剪辑的分类，其中在其中共同进行推理，在一批无标记的查询样品中共同执行，而不是独立处理每个实例。我们最初构建了信息性的文本概率特征，从而在单元单元集中导致分类问题。受期望最大化（EM）的启发，我们基于优化的分类目标使用Dirichlet定律对每个类别的数据概率分布进行模型。然后使用一种新颖的块最小化最小化算法来解决最小化问题，该算法同时估计分布参数和类分配。在11个数据集上进行的广泛的Numerical实验强调了我们批处理推理方法的效果和效率。在带有75个样本的测试批次的零摄像任务上，我们的APARCH产量比Clip的零弹性性能提高了20％的ImageNet准确性。此外，我们在几次设置中胜过最先进的方法。代码可在以下网址提供：https：//github.com/ segolenemartin/trandductive-clip。
3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。
速率：带有事件摄像机的实时异步跟踪
摘要 - 基于视觉的自定位是一种至关重要的技术，用于在GPS剥夺环境中实现自主机器人导航。但是，标准帧摄像机会受到运动模糊的影响，并且动态范围有限。这项研究着重于使用基于事件的摄像机进行自定义的有效特征跟踪。这样的摄像机不提供环境的常规快照，而是异步收集与每个像素中每个像素中一小部分照明的事件，从而解决了在快速运动和高动态范围内运动模糊问题的问题。特别是，我们提出了一个基于连续的实时异步性异步跟踪管道，名为速率。此管道集成了（i）使用活动事件表面的时间切片连续初始化跟踪器，以及（ii）带有建议的“跟踪管理器”的跟踪器节点，由基于网格的分销商组成，以减少冗余跟踪器并删除差质量差的质量。使用公共数据集进行评估表明，我们的方法保持了稳定的跟踪功能，并且与仅限的事件跟踪方法相比，在维护甚至改进跟踪准确性的同时，进行实时跟踪有效。我们的ROS实施以开放源为：https：//github.com/mikihiroikura/rate
研究论文 基于优化模糊逻辑的 FANET 无人机群 Ant-Hocnet 路由协议
无人机或无人驾驶飞机通常被称为无人驾驶飞行器 (UAV)，由这些无人机组成的自组织网络通常被称为飞行自组织网络 (FANET)。无人机和飞行自组织网络最初与军事监视和情报收集有关；此外，它们现在被广泛用于民用领域，包括搜索和救援、交通监控、消防、摄像和智能农业。然而，由于其独特的架构，它们带来了相当大的设计和部署挑战，主要与路由协议有关，因为传统的路由协议不能直接用于飞行自组织网络。例如，由于高移动性和稀疏拓扑，频繁的链路中断和路由维护会导致高开销和延迟。在本文中，我们采用基于优化模糊逻辑的生物启发式蚁群优化 (ACO) 算法“Ant-Hocnet”来改进飞行自组织网络的路由。模糊逻辑用于分析无线链路状态信息（例如可用带宽、节点移动性和链路质量），并在没有数学模型的情况下计算最佳无线链路。为了评估和比较我们的设计，我们在 MATLAB 模拟器中实现了它。结果表明，我们的方法提高了吞吐量和端到端延迟，从而提高了 FANET 的可靠性和效率。
研究文章 基于优化模糊逻辑的 FANET 无人机群 Ant-Hocnet 路由协议
无人机或无人驾驶飞机通常被称为无人驾驶飞行器 (UAV)，由这些无人机组成的自组织网络通常被称为飞行自组织网络 (FANET)。无人机和飞行自组织网络最初与军事监视和情报收集有关；此外，它们现在被广泛用于民用领域，包括搜索和救援、交通监控、消防、摄像和智能农业。然而，由于其独特的架构，它们带来了相当大的设计和部署挑战，主要与路由协议有关，因为传统的路由协议不能直接用于飞行自组织网络。例如，由于高移动性和稀疏拓扑，频繁的链路中断和路由维护会导致高开销和延迟。在本文中，我们采用基于优化模糊逻辑的生物启发式蚁群优化 (ACO) 算法（称为“Ant-Hocnet”）来改进 FANET 中的路由。模糊逻辑用于分析有关无线链路状态的信息，例如可用带宽、节点移动性和链路质量，并在没有数学模型的情况下计算最佳无线链路。为了评估和比较我们的设计，我们在 MATLAB 模拟器中实现了它。结果表明，我们的方法可以提高吞吐量和端到端延迟，从而提高 FANET 的可靠性和效率。
基于新型人工智能的蜂巢视觉监测在生态毒理学和景观结构监测中的当前成就和未来发展
简介 蜜蜂群落可以充当有害物质的探测器，通过高死亡率发出有毒分子存在的信号，或者在花粉、花蜜或幼虫中积累非急性致命物质（如重金属、杀菌剂和除草剂）的残留物（Celli，1983 年；Porrini 等人，2002 年）。它们于 1935 年首次被用作监测环境质量的生物指标（Crane，1984 年）。农药使用检测是蜜蜂监测应用的研究领域之一（Atkins 等人，1981 年；Celli，1983 年；Mayer 和 Lunden，1986 年；Mayer 等人，1987 年；Celli 等人，1988 年；Celli 和 Porrini，1991 年；Celli 等人，1991 年；Porrini 等人，1996 年）。由于蜂群中约四分之一的居民是活跃的觅食者，因此蜂群的状况反映了其栖息地的状态。使蜂群成为特别合适的环境指标的必要条件包括：养蜂人可以轻松饲养蜂群，觅食者可以覆盖大片区域，并且出于自身利益而收集花粉或花蜜等样本。（Celli 和 Maccagnani，2003 年）。蜜蜂群的发展取决于许多因素，包括但不限于蜂王年龄、营养、蜂群强度、病原体和寄生虫以及区域特性。因此，需要大量样本才能客观地了解蜜蜂危害的因果关系。在旨在了解蜜蜂群落崩溃原因的德国蜜蜂项目中，2004 年至 2009 年间，在全国 125 个地方监测了 1,200 多个蜂巢。这项研究揭示了许多相关性，但也留下了一些问题。作者推测，适合记录亚致死或慢性影响的研究设计可能会揭示出杀虫剂对蜂群崩溃的负面影响，而他们无法检测到这种负面影响。（Genersch 等人，2010 年）。因为使用蜜蜂作为生物指标的大规模研究非常耗时耗力，所以它们的数量仍然很少。1978 年，Giordani 等人证明了氯化烃杀虫剂硫丹的剧毒作用。然而，需要很多年的时间和几项研究才能提供足够的证据来改变对该物质的使用限制。后来，在意大利北部的一个大规模监测项目中，记录了数百个蜂巢在农业产生的高和低化学压力下的蜜蜂死亡率。通过分析伤亡人数特别多的蜂巢中的死蜂，能够确定造成 76% 已记录的大规模死亡的分子。然而，作者提到的设计的一个缺点是，收集到的死蜂数量只是一个保守估计，因为无法记录现场致死剂量造成的损失。（Celli 和 Maccagnani，2003 年）。这些研究展示了蜜蜂监测在各个领域的潜力，从农药监管到蜜蜂健康研究的普遍进展。然而，它们是先驱项目，并不代表通常的研究方式。到目前为止，因子分析和预防活动主要建立在少数蜂巢的快照数据上，这些数据可以更经济地收集。技术的使用可以帮助降低劳动强度，从而降低此类项目的成本。最近开发了一些基于不同技术的系统，但仍然存在缺陷。有些计数系统试图量化入口处的进出蜜蜂，例如带电容检测的 BeeCheck（Gombert 等人，2019 年）。由于它们的设计，计数系统只能记录短距离内的传粉者。它们的感官原始数据的信息内容大大减少，无法用成像方法进行评估。在复杂的情况下，例如蜜蜂相互踩踏或形成群体，它们很容易出现测量不准确，因此不适合对死亡率进行可靠的评估。借助视觉系统，可以通过一系列图像跟踪每只动物。第一批科学研究已经可以展示原型系统，该系统使用蜂巢入口处的摄像系统来确定寄生虫感染情况（Schurischuster 等人，2018 年）。从 2017 年到 2020 年，欧盟资助的 IoBee 项目旨在通过蜂群数据联网来确定全球蜜蜂种群的变化。该项目使用蜂巢入口处的摄像系统来确定寄生虫感染情况（Schurischuster 等人，2018 年）。从 2017 年到 2020 年，欧盟资助的 IoBee 项目旨在通过蜂群数据联网来识别全球蜜蜂种群的变化。该项目使用蜂巢入口处的摄像系统来确定寄生虫感染情况（Schurischuster 等人，2018 年）。从 2017 年到 2020 年，欧盟资助的 IoBee 项目旨在通过蜂群数据联网来识别全球蜜蜂种群的变化。
Open3DSG：带有可查询对象和开放式关系的点云的开放式vocabulary 3D场景图
3D场景图预测的当前方法依赖于标记的数据集来训练固定的对象类和关系类别的固定模型。我们提供Open3DSG，这是一种在开放世界中学习3D场景图预测的替代方法，而无需标记的场景图数据。我们将3D场景图预测主链的功能与功能性开放世界2D Vision Language Foundation Models的功能空间相结合。这使我们能够通过从开放的词汇查询对象类，并以零摄像的方式从3D点云中预测3D场景图，并从接地的LLM中预测与场景图fea的接地LLM相对的关系，并查询对象类作为上下文。Open3DSG是第一个3D点云方法，不仅可以预测显式开放式唱机对象类，而且还可以预测不限于预定标签集的开放式关系 - 使得在预测的3D场景图中表达稀有物以及特定的对象和关系。我们的实验表明，Open3DSG可以有效地预测Arbitary对象类别及其复杂的对象间关系，描述了空间，支持性，语义和比较关系。