XiaoMi-AI文件搜索系统
World File Search System物体
关于物体检测、面部跟踪、数字测绘... 的调查
摘要 – 遥控航空系统 (RPAS) 用于遥感，是获取地理数据的重要方式，具有实时性、适应性、高分辨率、成本效益等优点，并且可以在危险环境中获取数据而不会危及机组人员。它具有巨大的潜力和光明的未来，因为 RPAS 遥感是机载和星载遥感的强大伴侣。这项工作全面介绍了具有机器学习功能的遥控航空系统 (RPAS) 领域的最新进展。重点是一些特定领域：面部跟踪、物体检测、监视。本文介绍了用于这些应用的方法和算法，讨论了它们的性能和准确性，并强调了在实施此类系统时面临的挑战。本文还概述了用于开发这些系统的各种平台和工具，包括硬件和软件组件。最后，回顾了该领域未来的研究和发展方向。索引词 – 遥控航空系统；遥感应用；物体检测；面部跟踪；
超柔性电极阵列可对啮齿动物体内数千个神经元进行长达数月的高密度电生理映射
✉ 通信和材料索取请发送至 Lan Luan 或 Chong Xie。lan.luan@rice.edu；chongxie@rice.edu。作者贡献 CX 构思并组织了整个研究；ZZ、HZ、XL、LL 和 CX 设计了实验，所有作者均参与其中；ZZ 和 XL 在 CX 的监督下设计和制作了 NET 设备；DFL、JEC 和 LF 与 SpikeGadgets LLC 合作设计了堆叠头戴式记录系统；ZZ 和 XL 在 JEC 和 DFL 的帮助以及 CX 和 LF 的监督下设计了 NET 探头与头戴式记录系统的集成；ZZ 和 XL 在 CX 的监督下开发并执行了手术程序；ZZ、XL 和 HZ 在 LS 和 FH 的帮助以及 CX 和 LL 的监督下进行了动物神经记录实验； HZ 和 ZZ 开发并实施了数据预处理，由 CX 监督，并得到了 JEC 和 LF 的意见；ZZ 和 HZ 执行了数据后分析，由 LL 和 CX 监督，并得到了 LF 的意见；ZZ 执行了组织学研究，由 CX 监督；ZZ、LL 和 CX 撰写并修改了手稿，得到了所有作者的意见。
生物体作为进化的推动者
韦氏词典将能动性定义为“行动或发挥力量的能力”，在机器人和人工智能研究中，能够以任何方式响应环境刺激的系统有时被认为是能动的。但在生物学中，通常需要更多的东西。Sultan 等人 (2022) 给出的定义很典型：他们说生物能动性是“系统通过调节自身结构和活动来响应所遇到的条件，从而参与自身的持久性、维护和功能的能力。” Moreno (2018) 列出的几个定义类似，许多定义都提到了代理的目标导向性及其与环境的交互。也许我们应该寻求的只是这一点：一组重叠的定义比过早尝试强加严格的界限能够进行更富有成效和更具包容性的调查。
人造太空物体数量不断增加对环境的影响
在人造卫星存在的大部分时间里，其环境效益（特别是通过提供遥感数据）似乎大大超过了其环境成本。随着目前和预计的地球观测卫星和其他低地球轨道卫星数量的急剧增长，现在需要更仔细地考虑这种权衡。这里我们重点介绍了卫星技术对环境的一系列影响，采用生命周期方法来评估从制造、发射到脱轨期间的燃烧的影响。这些影响包括可再生和不可再生资源的使用（包括与数据传输、长期存储和分发相关的资源）、火箭发射和卫星脱轨对大气的影响，以及夜空变化对人类和其他生物的影响。对某些影响规模的初步估计足以强调需要进行更详细的调查，并确定可以减少和缓解影响的潜在方法。
解决空间和时间中核心物体识别的神经机制；一种计算方法
各种研究都对物体识别（大脑的基本能力）的潜在机制进行了研究。然而，对识别速度和准确度之间的平衡的探索较少。大多数物体识别的计算模型都无法解释识别时间，因此只关注识别准确度，原因有两个：缺乏感官处理的时间表征机制，以及使用非生物分类器进行决策处理。在这里，我们提出了一个物体识别的分层时间模型，使用脉冲深度神经网络与生物学上合理的决策模型相结合，以解释识别时间和准确度。我们表明，所提模型的响应动力学可以类似于大脑的响应动力学。首先，在物体识别任务中，该模型可以模拟人类和猴子的识别时间和准确度。其次，该模型可以复制文献中观察到的不同速度-准确度权衡机制。更重要的是，我们证明了所提模型中不同抽象级别（上级、中级和下级）的时间表征与先前研究中观察到的大脑表征动态相匹配。我们得出结论，由分层前馈脉冲结构产生的脉冲的积累可以很好地解释决策的动态，也可以解释不同抽象级别的表示动态。关键词：时间对象识别、速度-准确度权衡、深度脉冲卷积神经网络、积累到边界模型、动态表示相异矩阵
基于人工智能的国土安全 X 射线图像中的物体检测...
数据集来自双能单视图 ECIL 制造的 X 射线行李扫描仪 ECX6040：SVXBIS。对现有数据应用了保留类别的平移和旋转变化，以使 CNN 模型在训练期间暴露于自然变化。计算投影的可行性以确定转换后的特色威胁图像是否完全位于行李区域内。使用威胁图像投影技术将平移和旋转的特色威胁图像投影到干净的图像块上。使用 Beer-Lambert 定律将威胁扫描中像素的强度分为来自威胁及其背景的贡献。使用威胁扫描中背景引起的衰减计算威胁掩模，没有任何容器。然后通过乘法将威胁掩模投影到 X 射线图像中。
数字双胞胎 - 人和物体的虚拟模型
有什么问题？云计算服务，软件和其他实施数字双胞胎的产品具有潜在的法律，道德和技术问题。根据专家的说法，对数据所有权和隐私的道德问题可能会导致公众信任较低。例如，如果一家制药公司未经同意出售了与数字双胞胎的健康相关数据，则可能会发生这种情况。当数字双胞胎用于决策时，数据质量或准确性等技术问题也可能会降低公众信心。例如，如果用于训练机器学习的数据不能准确反映患者人群的特征，则数字双胞胎的预测分析可能具有误导性甚至歧视性。
研究空间碎片、空间物体安全与
本文件由秘书处根据 2023 年 1 月 30 日从欧洲航天局 (ESA) 代表机构间空间碎片协调委员会 (IADC) 收到的信息编写。信息按收到时的形式复制。
通过多切片联合建模构建三维全生物体空间图谱
图 1：STitch3D 概览。a. 来自多个 ST 组织切片的原始数据和来自参考 scRNA-seq 数据集的细胞类型特异性基因表达谱作为 STitch3D 的输入。b. STitch3D 的预处理步骤包括对来自不同组织切片的斑点进行对齐以构建斑点的 3D 位置，以及构建全局 3D 图。STitch3D 的主模型结合这些结构来执行表示学习，用于 3D 空间域识别和 3D 细胞类型反卷积。c. STitch3D 输出 3D 空间区域识别结果和组织中不同细胞类型的 3D 空间分布估计。STitch3D 还支持多种下游分析，包括空间轨迹推断、低质量基因表达测量值的去噪、虚拟组织切片的生成以及具有 3D 空间表达模式的基因识别。d. STitch3D 对多个切片进行联合建模，并利用基于图注意的神经网络学习具有 3D 空间信息的斑点和细胞类型比例的潜在表示。
移动和静止物体检测...
摘要 机器学习中用于检测人体和分类的传统方法已被最近增强的深度学习物体检测方法所取代，这是通过成功构建卷积神经网络 (CNN) 实现的，而卷积神经网络是深度学习的一个组成部分。物体检测中的运动和站立是 CCTV 中的重要步骤。物体检测的性能对下一个更高级别的处理步骤有很大影响，例如物体的运动和站立。YOLO v5 是最流行的物体检测技术。YOLO 算法的性能取决于数据集的训练准确度。对象检测框架可解决实时问题。它们包括 You Look Only Once。我们的实验研究表明，对于使用 25 张图像训练的模型，YOLO V5 可提供最高 85% 的准确率。关键词：- CCTV、卷积神经网络 (CNN)、YOLO、深度学习、物体检测。