XiaoMi-AI文件搜索系统
World File Search System物体
学习典型形状空间以进行类别级 6D 物体姿势和尺寸估计
我们提出了一种类别级 6D 物体姿势和大小估计的新方法。为了解决类内形状变化，我们学习了规范形状空间 (CASS)，它是特定物体类别的大量实例的统一表示。具体而言，CASS 被建模为具有规范化姿势的规范 3D 形状的深度生成模型的潜在空间。我们训练变分自动编码器 (VAE) 以从 RGBD 图像在规范空间中生成 3D 点云。VAE 以跨类别的方式进行训练，利用公开可用的大型 3D 形状存储库。由于 3D 点云是以规范化姿势（具有实际大小）生成的，因此 VAE 的编码器学习视图分解的 RGBD 嵌入。它将任意视图中的 RGBD 图像映射到与姿势无关的 3D 形状表示。然后，通过将物体姿势与使用单独的深度神经网络提取的输入 RGBD 的姿势相关特征进行对比来估计物体姿势。我们将 CASS 的学习和姿势和尺寸估计集成到端到端可训练网络中，实现了最先进的性能。
使用电阻记忆和超声波换能器进行神经形态物体定位
现实世界的传感处理应用需要紧凑、低延迟和低功耗的计算系统。混合忆阻器-互补金属氧化物半导体神经形态架构凭借其内存事件驱动计算能力，为此类任务提供了理想的硬件基础。为了展示此类系统的全部潜力，我们提出并通过实验演示了一种用于现实世界对象定位应用的端到端传感处理解决方案。从仓鸮的神经解剖学中汲取灵感，我们开发了一种生物启发的事件驱动对象定位系统，将最先进的压电微机械超声换能器传感器与基于神经形态电阻式存储器的计算图结合在一起。我们展示了由基于电阻式存储器的巧合检测器、延迟线电路和全定制超声传感器组成的制造系统的测量结果。我们使用这些实验结果来校准我们的系统级模拟。然后使用这些模拟来估计对象定位模型的角度分辨率和能量效率。结果揭示了我们的方法的潜力，经评估，其能量效率比执行相同任务的微控制器高出几个数量级。
SFOD：脉冲融合物体探测器 - CVF 开放存取
事件相机具有高时间分辨率、高动态范围、低功耗和高像素带宽等特点，为特殊环境中的物体检测提供了独特的功能。尽管有这些优势，事件数据固有的稀疏性和异步性对现有的物体检测算法提出了挑战。脉冲神经网络 (SNN) 受到人脑编码和处理信息方式的启发，为这些困难提供了潜在的解决方案。然而，在当前的实现中，它们在使用事件相机进行物体检测方面的性能受到限制。在本文中，我们提出了脉冲融合物体检测器 (SFOD)，一种基于 SNN 的简单有效的物体检测方法。具体而言，我们设计了一个脉冲融合模块，首次实现了应用于事件相机的 SNN 中不同尺度特征图的融合。此外，通过整合我们在 NCAR 数据集上对主干网络进行预训练期间进行的分析和实验，我们深入研究了脉冲解码策略和损失函数对模型性能的影响。从而，我们建立了基于 SNN 的当前最佳分类结果，在 NCAR 数据集上实现了 93.7% 的准确率。在 GEN1 检测数据集上的实验结果表明，SFOD 实现了 32.1% 的当前最佳 mAP，优于现有的基于 SNN 的方法。我们的研究不仅强调了 SNN 在事件摄像机物体检测中的潜力，而且推动了 SNN 的发展。代码可在 https://github.com/yimeng-fan/SFOD 获得。
透明物体的非破坏性光学测量
图3。透明对象识别和分割的光场失真功能在允许的情况下重现26。版权所有2015，Elsevier Inc.（a）背景失真来自不同对象，（b）背景失真从改变观点而变形，表明光场的失真与对象本身密切相关。（c）光场传播，表明透明对象的参与会改变光场的分布和相位。
基于视觉的导航系统使卫星能够接近或避开太空中的其他物体
GNC 测试设施的 Joris Belhadj 补充道：“实验室的模型卫星（称为 BlackGEO）的制造包含了地球静止卫星地形的典型元素，并采用了包括多层绝缘和太阳能电池在内的典型卫星表面材料，以增强其光学代表性。这颗卫星也是由 Blackswan 根据 ESA 合同生产的，我们实验室的任何客户现在都可以使用它。”
科学家开发出一种新的计算机语言来模拟生物体特征
大自然最美丽的一面是生物体展现出无穷无尽的形状、颜色和行为。这些特征有助于生物体生存和寻找配偶，例如雄孔雀多彩的尾巴如何吸引雌孔雀，或者它的翅膀如何帮助它飞离危险。了解特征对于生物学家来说至关重要，他们研究这些特征是为了了解生物体如何进化并适应不同的环境。
科科佩利突变体在植物体内诱导单倍体
Jiang J, Stührwohldt N, Liu T, Huang Q, Li L, Zhang L, Gu H, Fan L, Zhong S, Schaller A 等 (2022) 卵细胞分泌的天冬氨酸蛋白酶 ECS1/2 促进配子附着，使卵细胞优先于中心细胞受精。J Integr Plant Biol. doi: 10.1111/jipb.13371 Google Scholar：仅限作者 仅限标题 作者和标题
说实话吗？零售商提供的负面反馈对消费者的产品选择和购物体验的影响
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
物体检测可改善罕见脑肿瘤 MR 图像中的肿瘤分割
摘要：肿瘤病变分割是从 MR 神经放射图像中研究和描述癌症的关键步骤。目前，许多深度学习分割架构已被证明在它们所训练的特定肿瘤类型上表现良好（例如，大脑半球的胶质母细胞瘤）。然而，在给定肿瘤类型上进行大量训练的高性能网络可能在没有标记病例允许训练或迁移学习的罕见肿瘤类型上表现不佳。然而，由于常见肿瘤和罕见肿瘤在病变内和周围存在一些视觉相似性，因此可以将问题分为两个步骤：物体检测和分割。对于每个步骤，在常见病变上训练过的网络可以按照域自适应方案用于罕见病变，而无需额外的微调。这项工作提出了一种弹性肿瘤病变描绘策略，该策略基于实现检测和分割的已建立的基本网络的组合。我们的策略使我们能够在训练期间对位于未见肿瘤背景区域中的罕见肿瘤实现稳健的分割推断。以弥漫性内生性脑桥胶质瘤 (DIPG) 为例，我们无需进一步训练或网络架构调整即可实现 0.62 的平均骰子分数。
高能双能计算机断层扫描，用于表征大而厚的物体
通常的计算机断层扫描（CT）系统提供有关组成对象的材料的布局和性质的信息。但是，此信息仅限于材料的明显线性衰减µ。要以有效的原子数z eff和电子密度ρe的形式达到更精确和准确的描述，可以使用双能量成像。常规的双能计算机计算机（DECT）技术是：（a）进行预处理的双能数据集并执行常规CT重建[1]，（b）重建双能量数据集并分析获得的线性衰减数据集的比例，并在A上进行了一定的材料[2，3]和（C）[2，3]，3]和（C） [4-6]。第二种技术相对方便地设置，但并非完全独立于能量。第三种技术已被证明相当有效；但是，它提出了一个用于分解的材料基础选择的问题。检查由大量不同材料组成的复杂物体时，此选择可能至关重要。因此，这项工作着重于将第一个技术扩展到高能，因为它不需要对材料进行任何假设，并通过系统频谱响应考虑了光束硬化效应。DEV源通常是X射线管，将诊断能范围限制在几百kV中。对于大而厚的物体，必须具有等效的X射线衰减，高达1 m的混凝土，高能（> 6 mV）的扫描仪是强制性的。[1]和Azevedo等。[7]需要扩展。在这样的能量下，E + E - 对生产优先于光电效果，而Alvarez等人启动了双能分解的工作。由于E + E - 对生产横截面𝜎 𝜎没有分析公式，该模型以第二阶多项式𝑔𝑔（）的形式将贡献与原子数Z分开，并从能量E分开，并提出了第三阶多项式𝑔𝑃𝑃（）和第三阶多项式1𝑓（and）。