XiaoMi-AI文件搜索系统
World File Search System数据获取
地面穿透雷达的自主数据获取...
2 Public Works Department, Faculty of Engineering, Cairo University, Giza12613, Egypt amr-m.eldemiry@polyu.edu.hk , muhammad.muddassir@polyu.edu.hk , tarek.zayed@polyu.edu.hk Abstract – In this paper, we propose a ground mobile robot that can perform both surface mapping and subsurface mapping using三维激光雷达同时定位和映射系统（3D激光雷达大满贯系统）和地面穿透雷达（GPR）。机器人由配备3D激光雷达传感器的移动平台和安装在固定机箱上的GPR天线组成。机器人可以自主浏览环境并从表面和地下收集数据。表面映射是通过使用±3 cm范围精度的3D激光镜传感器来观察地形的点云，然后对其进行处理以生成3D表面图。地下映射是通过使用GPR天线将电磁脉冲发射到土壤中并接收反射的，然后对其进行处理以生成3D地下图。然后，我们可以融合表面和地下图以获得地形的全面表示。我们在现实世界中（例如桥梁）演示了机器人的性能。我们表明，我们的机器人可以在表面映射任务和GPR数据采集中实现高精度和效率。
优化数据获取以增强机器学习绩效
在本文中，我们研究了如何从大数据库中获取标记的数据点，以丰富增强监督机器学习（ML）性能的培训集。最新的解决方案是基于聚类的训练集选择（CTS）算法，该算法最初将数据点簇在数据库中，然后从集群中选择新的数据点。CTS的效率通过其频繁的目标ML模型进行了限制，并且该效率受到选择标准的限制，该标准代表了每个集群中数据点的状态，并施加了在每个迭代中仅选择一个群集的恢复。为了克服这些局限性，我们提出了一种新算法，称为CTS，具有自适应评分（IAS）的增量估计。ias采用了线路学习，通过使用新数据来实现增量模型更新，并消除了对目标模型进行充分重新培训的需求，从而提高了效率。为了提高IAS的有效性，我们引入了自适应得分估计，该评分估计是识别簇的新型选择标准，并通过平衡数据获取过程中的利用和探索之间的权衡取舍。为了进一步提高IAS的有效性，我们引入了一种新的自适应迷你批次选择方法，在每种迭代中，从多个群集中选择数据点，而不是单个群集，因此消除了仅使用一个群集而导致的潜在偏差。通过将此方法集成到IAS算法中，我们提出了一种新型算法，该算法称为IAS，具有自适应迷你批次选择（IAS-AMS）。实验结果突出了IAS-AM的卓越有效性，IAS也表现优于其他算法。在效率方面，IAS占据主导地位，而IAS-AMS的效率与现有CTS算法的效率相当。
世卫组织人类基因组数据获取、使用和共享原则草案 2
数据生命周期 数据生命周期是指数据使用的不同阶段，包括收集、生成、存储、使用、共享、访问以及随后的删除或归档。该术语旨在反映数据可以在数据来源个人的生命周期之外使用，并且这些原则适用于整个数据生命周期的数据使用，而不仅仅是个人的生命周期。38
遗传性肾细胞癌的遗传风险评估：临床共识声明
通讯作者：Gennady Bratslavsky MD，纽约州立大学上州医科大学泌尿外科系，750 E. Adams St.，Syracuse，NY 13210，bratslag@upstate.edu，Brian Shuch MD，加利福尼亚大学洛杉矶分校泌尿外科系，300 Stein Plaza Drive，3 楼，洛杉矶，CA 90095，bsuch@mednet.ucla.edu，。作者贡献：Gennady Bratslavsky：概念化；数据获取和解释；修改知识内容；写作 - 原始草稿，审查和编辑 Neil Mendhiratta：方法论；数据获取和解释；修改知识内容；写作 - 原始草稿，审查和编辑 Michael Daneshvar：方法论；数据获取和解释；修改知识内容；写作 - 原始草稿，审查和编辑 James Brugarolas：数据获取和解释；修改知识内容；写作 – 审查和编辑 Mark W. Ball：数据获取和解释；修改知识内容；写作 – 审查和编辑 Adam Metwalli：数据获取和解释；修改知识内容；写作 – 审查和编辑 Katherine L. Nathanson：数据获取和解释；修改知识内容；写作 – 审查和编辑 Phillip M. Pierorazio：数据获取和解释；修改知识内容；写作 – 审查和编辑 RonaldS. Boris：数据获取和解释；修改知识内容；写作 – 审查和编辑 Eric A Singer：数据获取和解释；修改知识内容；写作 – 审查和编辑 Maria I. Carlo：数据获取和解释；修改知识内容；写作 – 审查和编辑 Mary B. Daly：数据获取和解释；修改知识内容；写作 – 审查和编辑 Elizabeth P. Henske：数据获取和解释；修改知识内容；写作 – 审查和编辑 Colette Hyatt：数据获取和解释；修改知识内容；写作 — 审查和编辑 Lindsay Middleton：数据获取和解释；修改知识内容；写作 — 审查和编辑 Gloria Morris：数据获取和解释；修改知识内容；写作 — 审查和编辑 Anhyo Jeong：方法论；数据获取和解释；写作 — 审查和编辑 Vivek Narayan：数据获取和解释；修改知识内容；写作 — 审查和编辑 W. Kimryn Rathmell：数据获取和解释；修改知识内容；写作 — 审查和编辑 Ulka Vaishampayan：数据获取和解释；修改知识内容；写作 — 审查和编辑 Bruce H. Lee：数据获取和解释；修改知识内容；写作 — 审查和编辑 Dena Battle：数据采集和解释；修改知识内容；写作——审查和编辑 Michael J. Hall：数据采集和解释；修改知识内容；写作——审查和编辑 Khaled Hafez：数据采集和解释；修改知识内容；写作——审查和编辑 Michael Jewett：数据采集和解释；修改知识内容；写作——审查和编辑 Christina Karamboulas：数据采集和解释；修改知识内容；写作——审查和编辑 Sumanta K. Pal：数据采集和解释；修改知识内容；写作——审查和编辑 Ari Hakimi：数据采集和解释；修改知识内容；写作——审查和编辑 Alexander Kutikov：数据采集和解释；修改知识内容；写作——审查和编辑 Othon Iliopoulos：概念化；数据采集和解释；修改知识内容；写作——审查和编辑 W. Marston Linehan：数据采集和解释；修改知识内容；写作 – 审阅和编辑 Eric Jonasch：概念化；数据获取和解释；修改知识内容；写作 – 审阅和编辑 Ramaprasad Srinivasan：概念化；数据获取和解释；修改知识内容；写作 – 审阅和编辑 Brian Shuch：概念化；数据获取和解释；修改知识内容；写作 – 原始草稿、审阅和编辑概念化；数据获取与解释；修改知识内容；写作 - 审阅与编辑 Brian Shuch：概念化；数据获取与解释；修改知识内容；写作 - 原始草稿、审阅与编辑概念化；数据获取与解释；修改知识内容；写作 - 审阅与编辑 Brian Shuch：概念化；数据获取与解释；修改知识内容；写作 - 原始草稿、审阅与编辑
