XiaoMi-AI文件搜索系统
World File Search System深度
使用深度学习的知识实体感知模型
抽象课程推荐系统可以通过利用用户交互数据来帮助学生识别合适或有吸引力的课程，这显示了用户和课程之间以前的参与。但是，现有课程推荐系统的普遍问题是它们倾向于优先考虑准确性而不是解释性。这些复杂模型的“黑框”性质提出了一个挑战：准确表征和建模用户的偏好，同时还提供明确的，具有预性和可解释的用户配置文件。为了解决这种限制，我们为课程推荐提出了一个新颖的知识实体感知模型，该模型称为KEAM，该模型基于知识图的详细信息支持明确的用户个人资料生成，以增强学生对建议背后的理由的理解。具体来说，我们利用知识图中编码的信息，通过更换隐藏单元来使用神经网络之间建立单位之间的连接。接下来，对模型进行了培训，可以捕获学生的偏好并创建用户配置文件，以提供可解释的建议。在两个现实世界的在线数据集上进行了全面的实验，以评估所提出的模型的有效性和解释。
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
自动驾驶的单视图和多视图深度的自适应融合
来自图像的深度估计是具有广泛应用的计算机视觉中的一个长期问题。对于基于视觉的自动驾驶系统，感知深度是理解道路对象和建模3D环境图的相关性的不可或缺的模块。由于深度神经网络用于求解各种视觉概率，因此基于CNN的方法[2-5，13，39 - 42，44，44，46，48，52]主导了各种深度基准。根据输入格式，它们主要将其分为多视图深度估计[3，13，23，26，44，45，51，53]和单视深度估计[14 - 16，19，37，38]。多视图方法估计深度的假设，即给定的深度，相机校准和摄像头姿势，这些像素应相似。他们依靠表现几何形状来三角形高质量深度。但是，多视图方法的准确性和鲁棒性在很大程度上依赖于相机的几何配置以及视图之间匹配的对应关系。首先，需要足够翻译相机以进行三角度。在自主驾驶的情况下，汽车可能会停在交通信号灯处或不移动而不移动，这会导致故障三角剖分。此外，多视图方法遭受动态对象和无动电区域的影响，它们在自动驱动方案中无处不在。另一个问题是对移动车辆的施加优化。在存在的大满贯方法中不可避免地噪声，更不用说具有挑战性和可取的情况了。具体来说，我们提出了一个两个分支网络，即例如，一辆机器人或自动驾驶汽车可以在不重新校准的情况下部署多年，原因是嘈杂的姿势。相比之下，作为单视图方法[14 - 16，19，37，38]依赖于对场景的语义理解和透视投影提示，它们对无纹理区域，动态对象，而不是依赖相机姿势更为易用。但是，由于规模歧义，其性能仍然远非多视图方法。在这里，我们倾向于考虑是否可以很好地结合两种方法的好处，以实现自主驾驶场景中的稳健和准确的单眼视频深度估计。尽管已经在先前的工作中探索了基于融合的系统[1，9]，但他们都假定了理想的相机姿势。结果是融合系统的性能甚至比单视深度估计的噪声姿势还差。为了解决这个问题，我们提出了一个新型的自适应融合网络，以利用多视图和单视图方法的优势，并减轻其缺点，以保持高度的精度，并在噪声姿势下提高系统的影响力。一个靶向单眼深度提示，而另一个则利用多视图几何形状。两个分支都预测了深度图和置信图。补充语义提示和边缘细节在多视图分支的成本汇总中丢失了
Spheroscan：用于球体图像分析的用户友好的深度学习工具。
近年来的抽象背景，三维（3D）球体模型在科学研究中变得越来越流行，因为它们提供了一种与生理相关的微环境，可以模仿体内条件。与传统的二维细胞培养方法相比，它可以更好地了解3D球体测定法具有优势，因为它可以更好地了解细胞行为，药物功效和毒性。但是，使用3D球体测定法受到了用于球体图像分析的自动化和用户友好的工具的阻碍，这会对这些测定的可重复性和吞吐量产生不利影响。为解决这些问题的结果，我们开发了一种完全自动化的，基于Web的工具，称为Spheroscan，该工具使用了带有卷积神经网络（R-CNN）的名为“掩码区域”的深度学习框架进行图像检测和细分。为了开发一个可以从一系列实验条件中应用于球体图像的深度学习模型，我们使用使用Incucyte Live细胞分析系统和常规显微镜捕获的球体图像训练了该模型。使用验证和测试数据集对经过培训模型的性能评估显示出令人鼓舞的结果。结论Spheroscan允许轻松分析大量图像，并提供交互式可视化功能，以更深入地了解数据。我们的工具代表了球体图像分析的重大进步，并将促进科学研究中3D球体模型的广泛采用。可在https://github.com/funtionalurosology/spheroscan上获得有关Spheroscan的源代码和详细的Spheroscan教程。
使用深度学习模型预测mRNA翻译的当前局限性
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
物理3D对抗攻击自动驾驶中的单眼深度估计
广泛应用于自主驾驶中的基于深度学习的单眼深度估计（MDE）很容易受到对抗性攻击的影响。先前针对MDE模型的物理攻击依赖于2D广泛的补丁，因此它们仅影响MDE地图中的一个小型局部区域，但在各种观点下都失败了。为了解决这些限制，我们提出了3D深度傻瓜（3d 2傻瓜），这是对MDE模型的第一个基于3D纹理的对抗性攻击。3d 2傻瓜被专门优化，以生成3D对抗纹理对型号的车辆类型，并在恶劣天气条件（例如雨水和雾）中具有改善的鲁棒性。实验结果验证了我们3d 2傻瓜在各种情况下的出色性能，包括车辆，MDE Mod-els，天气状况和观点。现实世界中使用打印3D纹理的实验实验进一步表明，我们的3d 2傻瓜可能会导致超过10米的MDE误差。该代码可在https://github.com/gandolfczjh/3d2fool上找到。
与计算机视觉的深度学习
深度学习和神经网络：多层感知器：多层感知器体系结构，什么是隐藏的层？每一层中有多少层和多少个节点？激活函数：线性传输函数，重型阶跃功能（二进制分类器），sigmoid/logistic函数，软马克斯函数，双曲线切线函数（TANH），整流的线性单元，泄漏的relu。前馈过程：前馈计算，特征学习。错误函数：错误函数是什么？，为什么我们需要一个错误函数？错误总是正面的，均为正方形错误。跨凝性，关于错误和权重优化算法的最终说明：什么是优化？，批处理梯度下降，随机梯度下降，微型批次梯度下降，梯度下降点击。反向传播：什么是反向传播？，反向传播外卖。
深度学习在计算机视觉中的作用 - Easy Chair
本文探讨了深度学习在计算机视野领域的关键作用。计算机视觉是对启示机感知和理解视觉信息的研究，随着深度学习技术的出现，已经取得了重大进步。传统的计算机视觉方法在处理复杂的视觉任务时面临局限性，激发了对高级方法的需求。深度学习，由神经网络和卷积神经网络（CNN）提供支持，通过提供端到端的学习，功能表示和适应性来彻底改变计算机视觉。本文讨论了深度学习在计算机视觉中的各种应用，包括图像分类，对象检测，语义细分和视频分析。它还解决了深度学习的优势，例如其处理大规模数据集和概括的能力。但是，研究了挑战和局限性，包括对标记数据和计算要求的需求。本文通过强调最近的进步和未来的方向，例如转移学习，生成对抗网络（GAN）和注意机制，强调了在这个迅速发展的领域中正在进行的研发的重要性。总体而言，深度学习已成为计算机视觉中的关键工具，并有可能显着影响各种领域和应用。