XiaoMi-AI文件搜索系统
World File Search System深度图
FAME：基于片段的条件分子生成，用于表型药物发现
摘要 由于化学空间的复杂性，从头分子设计是药物发现中的一个关键挑战。随着分子数据集的可用性和机器学习的进步，许多深度生成模型被提出来生成具有所需特性的新分子。然而，现有的大多数模型只关注分子分布学习和基于靶标的分子设计，从而阻碍了它们在实际应用中的潜力。在药物发现中，表型分子设计比基于靶标的分子设计具有优势，特别是在同类首个药物发现中。在这项工作中，我们提出了第一个针对表型分子设计，特别是基于基因表达的分子设计的深度图生成模型（FAME）。FAME 利用条件变分自动编码器框架从基因表达谱中学习条件分布生成分子。然而，由于分子空间的复杂性和基因表达数据中的噪声现象，这种分布很难学习。为了解决这些问题，首先提出了一种采用对比目标函数的基因表达去噪 (GED) 模型来降低基因表达数据中的噪声。然后设计 FAME 将分子视为片段序列并学习以自回归的方式生成这些片段。通过利用这种基于片段的生成策略和去噪的基因表达谱，FAME 可以生成具有高有效率和所需生物活性的新型分子。实验结果表明，FAME 优于现有的表型分子设计方法，包括基于 SMILES 和基于图的深度生成模型。此外，我们研究中提出的降低基因表达数据噪声的有效机制可应用于一般的组学数据建模，以促进表型药物的发现。关键词：片段、条件生成、基因表达、变分自动编码器、对比学习。
牙科杂志
目标：本研究旨在利用深度学习（DL）技术探索和讨论牙齿重建方面的最新进步。进行了对新的DL方法论的综述，并进行了全牙重建。数据/来源：PubMed，Google Scholar和IEEE Xplore数据库从2003年到2023年进行了文章。研究选择：评论包括2018年至2023年发表的9篇文章。所选文章展示了用于牙齿重建的新型DL方法，而仅专注于DL方法的应用或审查的文章被排除在外。审查表明，数据是通过口腔内扫描或实验室扫描牙齿石膏模型获取的。常见数据表示是深度图，点云和体素化点云。使用来自相邻牙齿或整个下巴的数据，重点是单牙。一些文章包括拮抗牙齿数据和咬合凹槽和间隙距离等特征。主要网络体系结构包括生成对抗网络（GAN）和变压器。与常规数字方法相比，基于DL的牙齿重建报告错误率降低了两倍。结论：生成DL模型通过将洞察力提取到模式和结构中，分析牙科数据集以重建缺失的牙齿。通过专门应用，这些模型在形态和功能上声音牙科结构上重建，从现有牙齿中利用信息。所报告的进步有助于基于DL的牙冠重建的可行性。除了具有点云或体素的gan和变压器之外，最近的研究表明，具有基于扩散的架构和创新数据表示（如3D形状完成和推理问题）的有希望的结果。临床意义：用于分析和重建牙科结构的生成网络体系结构表现出明显的熟练程度。基于DL的框架的准确性和效率的提高具有增强临床结果并提高患者满意度的潜力。减少的重建时间和对手动干预的要求减少可能会导致节省成本和改善牙科服务的可及性。
能源转换与管理
介绍了季节性地下储能系统的最佳设计。本研究包括在 100 至 500 m 深度范围内使用天然结构的可能性。出于安全原因，考虑的储能流体是初始温度为 90 ◦ C 的水。使用收集到的土壤热性能数据进行了有限元法模拟。作为该方法的一个实际示例，对在西班牙阿维拉地区收集的数据进行了分析。使用在该区域测量的数据生成了温度-深度图。通过从地面进行的电磁场扩散技术获得了地下物质组成的 3D 模型。这允许分析可用的储能策略解决方案，这些解决方案根据现场的具体条件量身定制，具有足够的精度，无需进行深挖即可进行初步评估。本研究显示了交替的沙子和粘土区域，其中天然结构可在 500 m 深度范围内使用。考虑了水的热性能取决于温度和压力。各种尺寸配置表明，在圆柱形几何结构中，半径超过 2 米的存储系统在每单位质量存储的能量方面并不提供显著的优势。与被沙子包围然后在存储 6 个月后再被粘土包围的空腔相比，粘土包裹的优势显而易见。根据地下温度和运输存储液体所需的能量，结果表明，在 50 米到 100 米的深度之间，热性能并没有显著改善。然而，在 100 米到 200 米之间取得了明显的改善，从那里到 500 米，改善可以忽略不计。分析了几种用于容纳存储液体和用于热隔离的材料。对于超过 14 天的时间，热塑性塑料的热性能是相关的，如在模拟中表现出最佳性能的丙烯腈-苯乙烯-丙烯酸酯的情况。在最佳配置下，可以看到，通过将水储存在 90 ◦ C（在 1 月至 2 月期间与环境温度下的典型系统进行交换可获得 138.78 kJ/kg），与将水储存在地下温度 25 ◦ C（获得 77.08 kJ/kg）的情况相比，每公斤储水可以储存 1.8 倍的能量，而不会影响周围介质。最后，根据将流体温度从环境温度升高到初始储存温度 90 ◦ C 所需的输入能量，可以根据可能回收的热能计算出存储系统的效率。由于底土中粘土的热性能，先前的效率（𝜂 = 0。46 ) 报告称，含水层能量热能储存可以通过相对较小的储存量获得，而不需要像大多数季节性热能安排那样连续的能量入口，在储存腔的最佳条件下，有潜力回收 70% 的入口热能。
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
职位描述智能结构实验室的计算机愿景（https://cviss.net）在滑铁卢大学的民用与环境工程学，
职位描述由Chul Min Yeum博士领导的智能结构实验室的计算机愿景（https://cviss.net）在滑铁卢分校的民用与环境工程中，正在接受研究生学习的申请（MASC，Direct Direct Ph.D.，Ph.D。，Postdoc）。研究生将参与由实际应用驱动的研究，利用最先进的技术将智能注入物理建筑环境中。这项工作旨在增强基础设施的安全性和韧性，以确保其承受和适应挑战的能力。该职位的关键研究目标是设计，优化和部署2D和3D处理解决方案，从而从视觉数据中提取有意义的见解。学生将与一个由工程师和研究人员组成的多学科团队合作，以提供推动我们领域创新的最先进解决方案。有经验或了解深度学习和多浏览几何形状的学生申请此职位。资格要求•本科，MASC或博士学位。土木工程，计算机科学，软件工程或系统工程学位。•强大的机器学习开发技能（Tensorflow，Keras，Pytorch，Lightning）以及OPENCV，C ++和/和C＃的经验。•图像识别（例如DNN）和计算机视觉（例如，多视图几何，大满贯）中的知识，•在处理和分析来自各种来源的视觉数据的经验，包括图像，视频，深度图和点云。•熟练的英语，无论是说话还是书面的，都可以每天交流。•协助组织相关的研讨会和演示。首选资格•在计算机视觉，图像处理和结构健康监测领域的出版物记录•具有GPU加速计算机视觉算法的经验。•具有操作和操纵光学传感器（例如，颜色，深度相机，激光镜头）和感应硬件（例如DAQ）职责和职责的经验•协调研究项目并交付产出。•通过科学出版物和会议演讲来传播结果。•与政府的行业和利益相关者进行沟通和合作。•参加研究建议的起草和项目可交付成果。申请所有合格的个人都被鼓励申请此职位。候选人应将详细的简历发送给Yeum博士（cmyeum@uwaterloo.ca），并提供电子邮件主题“位置申请”。在申请职位之前，请查看我们实验室（https://cviss.net）的当前研究。Yeum博士可能会向候选人提供其他信息。Yeum博士将审查符合条件以安排面试的申请并与候选人联系。如果您没有收到我们的来信，则意味着您的申请并未进入面试阶段。选定的候选人将有机会在2024年秋季或2025年冬季开始该计划。如果您热衷于应用最新的计算机视觉技术来解决有影响力的土木工程问题，并希望有机会与领先的行业合作伙伴合作，请立即适用于我们的实验室！