XiaoMi-AI文件搜索系统
World File Search System目标识别
合成声纳图像模拟具有各种海床条件的自动目标识别
在域内领域内的沟通环境有限，因此需要使用自主权和自动化目标识别（ATR），以便允许无人车辆在没有操作员的情况下做出可行的决定[1] - [3]。水下环境特性使声传感器成为开发自主系统的最重要的传感器工具，如车辆协调[4]和水下大满贯[5]所示。但是，相同的荒凉环境使得用于机器学习算法的大型数据集的收集变得难以正确训练基于机器学习的算法。因此，在基于侧扫声纳图像运行的训练自主系统中使用了具有声学精确的数据[6] - [9]。生成模拟数据的一种方法是使用基于物理学的声学建模，以模拟声音传播和原始声纳数据收集[10]，[11]。这具有捕获声纳数据的低级细微差别以生成声纳图像的好处，但这些模型通常很复杂且计算昂贵。另一种方法是近似将
基于主动激光照明的GISC光谱成像目标识别技术研究
针对光谱成像技术在卫星遥感、生物医学诊断、海洋探测与救援、农林监测与分类、军事伪装识别等方面的应用需求，本文采用532和650 nm激光器作为光源，利用多光谱强度相关成像设备——基于稀疏性约束鬼成像（GISC）的快照式光谱相机实现目标的精确识别。本文阐述了快照式GISC光谱成像原理，并开展了基于主动激光照明的GISC光谱成像目标识别技术实验研究工作。实验结果表明，采用532 nm激光作为光源照射目标物体可以准确识别绿色目标字母“I”；采用650 nm激光作为光源照射目标物体可以准确识别红色目标字母“Q”。并给出了GISC光谱相机在446~698nm波长范围内单次曝光获取的彩色目标“QIT”的光谱成像结果，包括伪彩色图和彩色融合图。为了进一步说明实验的可行性，对重建图像的光谱分布进行了分析，具有重要的实际意义和工程价值。
使用CANSAT中的深度学习从10 m距离进行目标识别的新方法
在这项研究中，我们提出了一种方法，可以使Cansat识别和指导一个目标，即甚至距目标10 m，并描述说明性评估的结果，以确保该方法的有效性。我们第一次将深度学习图像分类应用于Cansat中的目标识别，并在2019年Arliss Arliss中使用了几乎一路指导它，在所有三场比赛中都将其引导到目标，并赢得了第一个位置，成为整体胜利。然而，常规方法具有回溯性，因为当Cansat距离目标超过6-7 m时，目标识别率显着下降，这使得由于各种因素，因此很难将Cansat转移到目标时。为了使目标识别距离目标10 m的距离，我们研究了感兴趣的划分水平区域的数量以及图像识别过程中垂直移动的方法，并使用实验确定了有效的划分和识别率的数量。尽管对象检测通常用于通过深度学习从图像中检测对象的位置，但我们确定了该方法在长时间差异时具有更高的识别率，而计算时间比SSD Mo-Bilenet V1更短。此外，我们还参加了《 Cansat竞赛法案》 2020年，以评估拟议方法的有效性，并在所有三场比赛中实现了零距离的目标，并通过在复出类别中赢得第一名来证明其有效性。
使用化学蛋白质组学方法的抗癌天然产物的目标识别
在各种植物提取物（树皮，根，叶，种子等）中发现了几种具有药理活性的化合物。从世界各地的角落。在2006年至2013年中，发现大量生物活性成分（17 000）正在临床前试验中，并且发现许多传统药物对肿瘤和癌细胞具有很高的影响。5从天然产物或基于天然产物的衍生物的新型抗癌剂的开发已经增加了基于天然产物的衍生物的数量在过去30年中，在136中的136个衍生物数量已增加。6中很少有人表现出有希望的抗癌活性，此类例子是紫杉醇，多西他赛（乳腺癌），长黄质，长春新碱（膀胱癌和乳腺癌），Cab- Azitaxel和Romidepsin（肺癌）等。，目前可作为商业药物使用。7然而，由于多种因素（DNA修复，药物代谢，表观遗传修饰等），现有药物正在各种癌细胞中发展抗性。）。8为了减轻此问题，有持续不断的效果来带来具有高效率和选择性的新抗癌药（图1）。举例来说，在上一年中，已广泛开处方了两种重要的市售他莫昔芬和ibrutinib，但目前，他莫昔芬尚无对人类乳腺癌的抗癌活性的显着性抗癌活性，这可能是由于ER A突变（雌激素受体 - A）的耐药性而引起的。9同样，由于BTK（布鲁顿的酪氨酸激酶）的变形，伊布鲁替尼也对慢性淋巴细胞性白血病产生了分析。10目前，许多现有药物已经具有抵抗力，为了避免问题，已经使用基于目标的表型和基于探针的方法发现了许多管线候选药物。11中，通过化学蛋白质组学方法基于探针的药物设计有助于我们鉴定靶蛋白质和机制
用于目标识别的贝叶斯多传感器数据融合
摘要：军事指挥和控制系统必须处理各种不同的传感器和来源。除了传统信息源（如 IFF、战术数据链和 ESM 传感器）之外，AIS、蓝军跟踪和 GMTI 雷达等其他来源也成为目标识别和分类的重要来源。正确识别是防止误伤和平民附带损害以及完成态势感知的重要先决条件。本文概述了我们扩展贝叶斯识别过程的解决方案，以便为海军以及空中和地面目标建立战术图景。对于一些传感器和重要的识别源，如自动识别系统 (AIS)、自动目标识别 (ATR) 和 GMTI 雷达，我们将详细介绍解决方案。
面向自动目标识别的图像理解研究
1 显示了可用于 ATR 应用的各种传感器类型、武器平台类型、目标类型和先验信息。电磁波谱中能量的大气吸收决定了效用，并指导了常用于 ATR 应用的可见光、前视红外 (FLIR)、激光雷达、微波/毫米波雷达和声学传感器的开发。表 2 显示了这些传感器用于目标识别的工作原理和性能特征。术语 ATR 包括自主识别和辅助识别（或“人员在环”的提示）。在提示中，获取由瞄准系统完成，但最终识别由人完成。尽管许多研究人员希望自主执行各种各样的任务，但服务只会勉强自动化关键的操作员功能。人们天生就偏向于人类操作员的灵活性（例如，尽管拥有出色的陆基和海基战略导弹，但空军仍然依赖有人驾驶的战略核轰炸机）。人们更愿意将操作员从人类生存能力较低的任务中移除。士兵可能会远离“行动”，但预计不会放弃控制权。有“人在回路中”的辅助系统将优先于自主系统。现在已经确定，ATR 是一个多学科领域，需要在传感器、处理算法、架构、实施和软件和硬件系统评估方面拥有多样化的技术和专业知识。相关的计算机视觉和模式识别技术和系统已经从使用统计模式识别方法发展到基于模型的视觉，再到基于知识的系统。最近，实验室也在开发针对部分 ATR 问题的自适应和学习系统。图像理解 (IU) 与计算机视觉同义。IU 的重要目标之一是开发技术