XiaoMi-AI文件搜索系统
World File Search System码器
Multiturn绝对旋转编码器DVM78E
使用高度复杂的微电子，需要一贯实施的反干扰和布线概念。这变得越重要，建筑物的紧凑程度就越大，对现代机器性能的需求就越高。以下安装说明和建议适用于“普通工业环境”。对于所有干扰环境，没有理想的解决方案。应用以下措施时，编码器应处于完美的工作状态：•在串行线的开始和结束时，串行线终止了串行线（在接收/传输和接收/传输之间）（例如，控件和最后一个编码器）。•编码器的接线应与能量线的距离很大，这可能会引起干扰。•屏幕的电缆横截面至少4mm²。•电缆横截面至少0,14mm²。•屏幕的接线和0 V的接线应在可能的情况下径向排列。•请勿扭结或堵塞电缆。•遵守数据表中给出的最小弯曲半径，并避免拉伸和剪切负荷。操作说明由Pepperl+Fuchs制造的每个编码器都使工厂处于完美状态。为了确保这种质量以及无故的操作，必须考虑以下规范：•避免对外壳，尤其是对编码器轴以及编码器轴的轴向和径向超负荷的影响。•只有使用合适的耦合，才能保证编码器的准确性和使用寿命。•必须同时打开和关闭编码器和后续设备的操作电压（例如，控制设备）。•任何接线工作都必须在死亡情况下使用系统进行。•不得超过最大工作电压。这些设备必须以超低安全电压操作。关于将电筛查免疫与植物干扰的免疫力有关的注释取决于正确的筛选。在此字段中，安装故障经常发生。通常仅将屏幕应用于一侧，然后用电线将其焊接到接地端子上，这是LF工程中的有效过程。但是，如果有EMC，则适用HF工程规则。HF工程中的一个基本目标是将HF能量以尽可能低的阻抗传递到地球，以其他方式将能量放入电缆中。通过与金属表面的大面连接实现了低阻抗。必须观察到以下说明：•如果没有等值电流的风险，则将屏幕涂在大地面上的“普通地球”上。•必须将屏幕通过隔热材料后面，并且必须夹在张力缓解以下的大表面上。•如果电缆连接到螺丝型端子，则必须将张力缓解连接到接地的表面。•如果使用插头，则仅应安装金属化的插头（例如带有金属化外壳的子D插头）。请观察张力缓解与住房的直接连接。
用变量自动编码器作为yolo
摘要：对象检测是计算机视觉系统中的一项重要任务，包括多种应用程序，包括但不限于自动驾驶汽车导航和监视。尽管在诸如Yolo之类的对象检测模型中取得了很大的进步，但假阳性检测的问题仍然是一个令人担忧的问题，从而导致错误分类并降低这些系统的可靠性。这项研究努力提出一种创新方法，旨在通过将变量自动编码器（VAE）作为Yolo框架中的过滤机制来提高对象检测精度。这种整合旨在纠正假阳性检测的问题，最终促进了明显的检测精度增强，并增强了对象检测系统的整体可靠性。
视觉变压器带有遮盖自动编码器，用于基于大尺寸视网膜图像的引用糖尿病性视网膜病变分类
基于深度学习算法的计算机辅助诊断系统已显示出糖尿病性视网膜病快速诊断（DR）的潜在应用。由于变压器的出色表现而不是自然图像上的卷积神经网络（CNN），因此我们尝试开发一种新模型，以使用变压器使用有限数量的大型视网膜图像来对引用的DR进行分类。在本研究中应用了带有蒙版自动编码器（MAE）的视觉变压器（VIT），以提高参考DR的分类性能。我们收集了超过224×224的100,000张公共底面的视网膜图像，然后使用MAE在这些视网膜图像上进行了预训练的VIT。将预训练的VIT应用于对引用的DR进行分类，还将性能与使用ImageNet的VIT预先训练的性能进行了比较。通过使用MAE进行超过100,000个视网膜图像预先培训，模型分类性能的改善优于预先训练的Ima-Genet。本模型的精度，曲线下的面积，最高灵敏度和最高特异性分别为93.42％，0.9853、0.973和0.9539。本研究表明，MAE可以为输入图像提供更大的灵活性，并大大减少所需图像的数量。同时，这项研究中的预处理数据集量表比ImageNet小得多，并且不需要ImageNet的预训练权重。
轨迹预测的条件无气体自动编码器
摘要 - 条件变化自动编码器（CVAE）是自动驾驶轨迹预测中最广泛使用的模型之一（AD）。它将驾驶环境与其地面真理的未来之间的相互作用捕获到概率潜在空间中，并使用它来产生预测。在本文中，我们挑战了CVAE的关键组成部分。我们利用了变量自动编码器（VAE）的最新进展，即CVAE的基础，这表明采样过程的简单更改可以极大地使性能受益。我们发现，以确定性的方式从任何学习分布中绘制样本的无味抽样自然可以更适合轨迹预测，而不是潜在的随机随机抽样。我们走得更远，并提供了其他改进，包括更结构化的高斯混合物潜在空间，以及一种新颖的，可能更有表现力的方法来推断CVAE。我们通过在相互作用的预测数据集上评估模型的广泛适用性，超过了最新的状态，以及在Celeba数据集上的图像建模任务，优于基线Vanilla cvae。代码可在以下网址获得：https：//github.com/boschresearch/cuae-prediction。
田纳根：纯变压器编码器为从头分子的生成提供了有效的离散gan
使用离散数据（例如简化的分子输入线 - 输入系统（Smiles）字符串）的从头生成的深层生成模型吸引了药物设计中的广泛关注。然而，训练不稳定经常困扰生成的广告网络（GAN），导致可能崩溃和低偏移性等概率。这项研究提出了一个纯粹的变压器编码器GAN（宽度）来解决这些问题。宽度的发电机和鉴别剂是变压器启动器的变体，并与加固学习（RL）结合使用，以生成具有所需化学特性的分子。此外，变体微笑的数据增强是为了学习微笑字符串的范围和语法的宽度培训。在方面，我们引入了一个增强的田纳州的变体，称为十（w）gan，其中包含了微型批处理歧视，并提高了生成分子的能力。对QM9和锌数据集的实验结果和消融研究表明，所提出的模型以计算有效的方式产生了具有所需化学性质的高效和新颖的分子。
VLS“新太空”编码器——适用于现代商业航天工业的坚固、高性能技术
• 高性能：VLS 编码器提供高分辨率数字或模拟输出，角度分辨率高达 21 位，精度高达 ±0.001°。• 轻巧紧凑• 坚固：VLS 电容式编码器是空心浮轴设备，没有轴承或其他接触件。它们符合 MIL-STD-810F 的振动规范，并经过了 10 毫秒内高达 100g 的冲击载荷测试。• 适合太空使用：可承受轨道辐射条件以及高 EMI、RFI 和磁场• 对温度不敏感：能够承受极端的热波动• 真空兼容：特殊涂层可将排气量降至最低，达到 10ˉ⁵ 托的真空度• 经济：由于 VLS 编码器是经过改进的 COTS 设备，因此它们的成本比传统的专用太空级编码器要合理得多。大多数系统需要多个编码器，因此这种成本差异是一个很大的优势。 • 可用：VLS 编码器基于改进的 COTS 设计，因此我们可以大批量、快速地提供它们。
优质量子 LDPC 码解码器
arXiv:2206.06557, SG , C.A.Pattison, E. Tang arXiv:2306.12470, SG , E. Tang, L. Caha, S.H.Choe，Z.他，A.库比卡
自主驾驶中场景流网络的解码器
摘要 - 场景流估计通过预测场景中的点运动来确定场景的3D运动场，尤其是在自主驾驶中的帮助任务时。许多具有大规模点云的网络作为输入使用Voxelization来创建用于实时运行的伪图像。但是，体素化过程通常会导致特定点特征的丧失。这引起了为场景流任务恢复这些功能的挑战。我们的论文引入了Deflow，该文件可以从基于体素的特征过渡到使用门控复发单元（GRU）改进的点特征。为了进一步增强场景流量估计的性能，我们制定了一种新颖的损失函数，以解释静态点和动态点之间的数据不平衡。对Argoverse 2场景流量任务的评估表明，Deflow在大规模点云数据上取得了最新的结果，表明我们的网络与其他网络相比具有更好的性能和效率。该代码在https://github.com/kth-rpl/deflow上进行开源。
对比掩蔽自编码器是更强大的视觉学习者
摘要 — 蒙蔽图像建模 (MIM) 在各种视觉任务上都取得了令人鼓舞的结果。然而，学习到的表征的有限辨别能力表明，在构建更强大的视觉学习器方面仍有许多工作要做。为了实现这一目标，我们提出了对比蒙蔽自编码器 (CMAE)，这是一种新的自监督预训练方法，用于学习更全面、更强大的视觉表征。通过新颖的设计精心统一对比学习 (CL) 和蒙蔽图像模型 (MIM)，CMAE 利用它们各自的优势，学习具有强大实例辨别能力和局部可感知能力的表征。具体而言，CMAE 由两个分支组成，其中在线分支是非对称编解码器，动量分支是动量更新编码器。在训练期间，在线编码器从蒙蔽图像的潜在表示重建原始图像以学习整体特征。动量编码器以完整图像为输入，通过与在线编码器进行对比学习来增强特征辨别能力。为了使 CL 与 MIM 兼容，CMAE 引入了两个新组件：用于生成可信正视图的像素移位和用于补充对比对特征的特征解码器。得益于这些新颖的设计，CMAE 相比 MIM 有效地提升了表征质量和迁移性能。CMAE 在图像分类、语义分割和目标检测等竞争激烈的基准测试中取得了最佳性能。值得注意的是，CMAE-Base 在 ImageNet 上实现了 85.3% 的 top-1 准确率，在 ADE20k 上实现了 52.5% 的 mIoU，分别比之前的最好成绩提高了 0.7% 和 1.8%。源代码可在 https://github.com/ZhichengHuang/CMAE 公开访问。
通过功能编码器的零射击增强学习
摘要 - 采取有意义的AI问责制的最具体的措施之一是对系统的性能和影响。但是，“ AI审核”生态系统的实际性质被混乱和不精确，使得难以通过各种概念来工作并绘制出参与实践的利益相关者。首先，我们将监管机构，律师事务所，民间社会，新闻学，学术界，咨询机构完成的当前AI审计实践分类。接下来，我们评估每个域内利益相关者进行的审核的影响。我们发现，只有一部分AI审核研究将转化为所需的问责结果。因此，我们评估和隔离了有效的AI审核结果所需的实践，并阐明了AI审核设计，方法论和机构背景之间观察到的联系，以作为其有意义的责任机制。索引术语 - 评估，审计，问责制，人工智能，社会，法律，机器学习，数据科学