XiaoMi-AI文件搜索系统
World File Search System模态分析
灵长类动物前额叶皮质发育过程中神经元成熟的多模态分析
Yu Gao 1 †, Qiping Dong 1 †, Kalpana Hanthanan Arachchilage 1,2 †, Ryan D. Risgaard 1 , Jie Sheng 1,2 , Moosa Syed 1 , Danielle K. Schmidt 1 , Ting Jin 1,2 , Shuang Liu 1 , Dan Doherty 2 , Ian Glass 2 , Birth Defects Research Laboratory 3 , Jon E. Levine 4,5 , Daifeng Wang 1,2,6 *, Qiang Chang 1,7,8 *, Xinyu Zhao 1,4 *, André M. M. Sousa 1,4 *
血浆游离 DNA 中甲基组学和片段组学的多模态分析用于多癌症早期检测和定位
保留所有权利。未经许可不得重复使用。 （未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。
模拟玻璃驾驶舱环境中眼球运动和疲劳的多模态分析
摘要：飞行员疲劳是与人为错误有关的航空事故的一个重要原因。如果可以利用飞行员的眼球运动测量来预测疲劳，那么与人有关的事故可能会减少。眼动追踪是一种非侵入式的可行方法，不需要飞行员暂停当前任务，并且设备不需要与飞行员直接接触。在本研究中，研究了心理运动警觉测试 (PVT) 测量（即反应时间、误报次数和失误次数）与眼球运动测量（即瞳孔大小、眼球注视次数、眼球注视持续时间、视觉熵）之间的正相关或负相关。然后，开发了疲劳预测模型，使用通过前向和后向逐步回归确定的眼球运动测量来预测疲劳。所提出的方法已在涉及新手和专家飞行员的模拟短途多阶段飞行任务中实施。结果表明，测量值之间的相关性因专业知识而异（即新手与专家）；因此，据此开发了两个预测模型。此外，回归结果表明，单个或部分眼球运动测量值可能足以预测疲劳。结果显示了使用非侵入式眼球运动作为疲劳预测指标的前景，并为我们更接近开发近乎实时的预警系统以防止重大事故奠定了基础。
机器人人体检测的跨模态分析
摘要 — 感知和学习算法的进步已使机器人进行人体检测的解决方案越来越成熟，特别是在某些用例中，例如自动驾驶汽车的行人检测或消费者环境中的近距离人体检测。尽管取得了这些进展，但一个简单的问题：哪种传感器-算法组合最适合手头的人体检测任务？仍然很难回答。在本文中，我们通过对机器人技术中常用的传感器-算法组合进行系统的跨模态分析来解决这个问题。我们比较了最先进的人体检测器在具有挑战性的工业用例中对 2D 范围数据、3D 激光雷达和 RGB-D 数据及其选定组合的性能。我们进一步解决了工业目标领域数据稀缺的相关问题，并且最近对 3D 点云中人体检测的研究主要集中在自动驾驶场景上。为了将这些方法上的进步用于机器人应用，我们利用一种简单但有效的多传感器迁移学习策略，通过扩展强大的基于图像的 RGB-D 检测器，以弱 3D 边界框标签的形式为激光雷达检测器提供跨模态监督。我们的结果表明，在检测性能、泛化、帧速率和计算要求方面，不同方法之间存在很大差异。由于我们的用例包含代表广泛服务机器人应用的困难，我们相信这些结果为进一步研究指出了相关的开放挑战，并为从业者设计他们的机器人系统提供了宝贵的支持。