XiaoMi-AI文件搜索系统
World File Search System空间信息
基于石墨烯的可调节非局部跨面
捕获和处理通过空间分辨的电磁信息基于生物学研究，医学诊断，机器视觉和遥感等领域的重要应用。使用长波红外光谱仪在可见波长处获得更容易获得的数据以外的洞察力非常有吸引力[1]。例如，在红外波长处进行空间解决数据，例如用于植物组织歧视和生物分子检测[2]，癌细胞研究[3]，机器视觉应用，包括自动驾驶汽车的实时数据处理[4]以及热卫星成像[5]。今天，这些应用程序中的大多数都依赖于使用常规光电探测器以强度的形式捕获空间信息，并随后应用数字处理。在大多数情况下，这些计算可以通过现代算法有效地执行，但生成大量高分辨率数据的应用可以将当前的电子系统推向其极限，并使用大量的时间和能量[6]。
IR-08-048 班达亚齐——地球观测数据的价值...
2004 年 12 月 26 日，印度尼西亚班达亚齐遭遇了人类历史上最严重的自然灾害之一。由于灾害性质极端，政府提供了大量资金和支持，规模之大前所未有。根据 RAN（亚齐 - 尼亚斯恢复）数据库 (http://www.rand.brr.go.id/RAND/)，截至 2008 年 1 月 10 日，共有 490 个机构承诺提供 38 亿美元 (USD)。在这笔巨额支持中，有各种类型的地球观测数据（即正射影像、卫星场景以及成立一个小组 — 空间信息和测绘中心 (SIM-Centre) 来管理这些数据）。收集最新的地理信息并为规划援助计划奠定基础，对于有效利用紧急援助资金以及随后的基础设施重建（道路、港口、桥梁等）至关重要（BlomInfo，2006 年）。
使用深度学习1
新型成像平台的开发提高了我们收集和分析36个三维（3D）生物成像数据集的能力。计算的进步已导致能力37从这些数据中提取复杂的空间信息，例如组成，形态和38个多模式结构的相互作用，稀有事件以及多模式特征的整合39结合解剖学，分子和分子和转录组的信息（以及其他）信息。然而，这些定量结果中的精度40在本质上受到输入图像的质量的限制，该输入图像的质量可能包含缺失或损坏的区域，或者由于机械，时间或42个财务限制而导致的分辨率差。在完整成像的应用中（例如灯页显微镜和43个磁共振成像）至基于截面的平台（例如串行组织学和串行第44部分传输电子显微镜），成像数据的质量和分辨率已成为45个至高无上的。46
利用复杂生物物理网络模型的活动模式来优化纹状体内深部脑刺激
在本研究中，我们开发了一个针对孤立纹状体的大规模生物物理网络模型，以通过使用网络产生的时空模式来优化潜在的纹状体内深部脑刺激，例如应用于强迫症。该模型使用改进的 Hodgkin-Huxley 小世界连接模型，而空间信息（即神经元的位置）是从详细的人体图谱中获得的。该模型产生将健康与病理状态区分开的神经元活动模式。使用三个指标来优化刺激方案的刺激频率、幅度和定位：整个网络的平均活动、腹侧纹状体区域的平均活动（使用模块化检测算法出现为定义的社区）以及整个网络活动的频谱。通过最小化上述指标与正常状态的偏差，我们指导深部脑刺激参数的位置、幅度和频率的优化。
SSA：一种新型的单细胞和空间转录组对齐方式
抽象的单细胞RNA测序（SCRNA-SEQ）提供了单个细胞的表达谱，但无法保留关键的空间信息。另一方面，空间杂交技术能够分析组织切片中的特定区域，但缺乏单细胞分辨率检查的能力。为了克服这些问题，我们提出了单细胞和空间转录组学对齐（SSA），这是一种新型技术，它采用最佳传输算法来根据其表达曲线将单个细胞从SCRNA-SEQ ATLAS分配到其在实际组织中的SPATIAL位置。SSA与现有方法相比，已经证明了具有100,064个细胞的高分辨率空间转录组人乳腺癌数据集的10个半模拟数据集。这一进步为研究人员提供了一种精致的工具，以深入了解细胞空间组织与基因表达之间的关系。
使用神经技术支持的智能级联 U-Net 模型进行脑肿瘤分割
据神经病学专家介绍，脑肿瘤对人类健康构成严重威胁。脑肿瘤的临床识别和治疗在很大程度上依赖于准确的分割。脑肿瘤的大小、形状和位置各不相同，这使得准确的自动分割成为神经科学领域的一大障碍。U-Net 凭借其计算智能和简洁的设计，最近已成为解决医学图片分割问题的首选模型。局部接受场受限、空间信息丢失和上下文信息不足的问题仍然困扰着人工智能。卷积神经网络 (CNN) 和梅尔频谱图是这种咳嗽识别技术的基础。首先，我们在各种复杂的设置中组合语音并改进音频数据。之后，我们对数据进行预处理以确保其长度一致并从中创建梅尔频谱图。为了解决这些问题，提出了一种用于脑肿瘤分割 (BTS) 的新型模型，即智能级联 U-Net (ICU-Net)。它建立在动态卷积的基础上，使用非局部注意力机制。为了重建脑肿瘤的更详细空间信息，主要设计是两阶段级联 3DU-Net。本文的目标是确定最佳可学习参数，以最大化数据的可能性。在网络能够为 AI 收集长距离依赖关系之后，将期望最大化应用于级联网络的横向连接，使其能够更有效地利用上下文数据。最后，为了增强网络捕捉局部特征的能力，使用具有局部自适应能力的动态卷积代替级联网络的标准卷积。我们将我们的结果与其他典型方法的结果进行了比较，并利用公开的 BraTS 2019/2020 数据集进行了广泛的测试。根据实验数据，建议的方法在涉及 BTS 的任务上表现良好。肿瘤核心（TC）、完整肿瘤、增强肿瘤分割BraTS 2019/2020验证集的Dice评分分别为0.897/0.903、0.826/0.828、0.781/0.786，表明在BTS中具有较高的性能。
在测量部门采用地理信息通信技术
地理空间信息和通信技术 (Geo-ICT) 势头强劲，彻底改变了测绘行业。由于地理技术不断发展，人们不断努力实现其多样化应用。大多数用户都相信数字技术以其易用性和改善工作流程的能力而闻名。测绘部门在过去五十二年的历史中，特别是过去二十年中，见证了全球技术和相应政策的巨大变化。在当前情况下，采用地理 ICT 已变得不可或缺。尽管测绘部门到目前为止尚未处于充分利用地理 ICT 的阶段，但现在已经开始考虑采用地理 ICT 应用。因为，更广泛地使用地理 ICT 可能是支持整个测绘业务的主要工具。地理信息通信技术高效应用的成功在很大程度上取决于能力建设、体制改革、权力下放、教育和持续培训，以及最终政府的承诺。
地理空间可持续发展目标路线图 - UN-GGIM
2020 年本应是全球可持续发展的一个里程碑。千年发展目标提出 20 周年，可持续发展目标提出 5 周年，无论目前的全球形势如何，实现 2030 年议程所要求的转型愿景和新数据要求尚未完全实现。这一挑战的严重性被低估了，而各国都需要的基础地理空间数据、领导力、知识和创新方面的差距和分配不均进一步加剧了这一挑战。虽然技术正在快速发展，但发展中国家的能力、技能和机会却没有相应提高，各国正在落后。这是一个必须弥合的差距；本可持续发展目标地理空间路线图为可持续发展目标跨机构专家组、会员国和托管机构提供了简单且可操作的指导，以弥合这一差距并实现使用地理空间信息及其相关技术为可持续发展目标带来的创新潜力。
Brain2Pix：根据大脑活动进行完全卷积自然视频重建
摘要 从大脑活动重建复杂而动态的视觉感知仍然是机器学习应用于神经科学的一大挑战。在这里，我们介绍了一种从非常大的单参与者功能性磁共振数据重建自然图像和视频的新方法，该方法利用了图像到图像转换网络的最新成功。这是通过利用从整个视觉系统的视网膜主题映射中获得的空间信息来实现的。更具体地说，我们首先根据其对应的感受野位置确定特定感兴趣区域中的每个体素在视野中代表什么位置。然后，将视野上大脑活动的 2D 图像表示传递给完全卷积的图像到图像网络，该网络经过训练以使用带有对抗性正则化的 VGG 特征损失恢复原始刺激。在我们的实验中，我们表明我们的方法比现有的视频重建技术有了显着的改进。
参会人员名单
Abel Lagivola 先生，海洋/航海制图师，航海制图，斐济水文办公室，斐济，电子邮件：abel.lagivola@gmail.com Meizyanne Hicks 女士，地理空间信息管理司司长，土地和矿产资源部，斐济，电子邮件：meizyanne.hicks@govnet.gov.fj Sanjesh Kumar 先生，测量师，土地和矿产资源部，斐济，电子邮件：sanjesh.kumar@govnet.gov.fj Sunia Ratulevu 先生，首席政策官员，风险管理与研究，国家灾害管理局，斐济，电子邮件：sunia.ratulevu@govnet.gov.fj Litia Gaunavou - Tuberi 女士，GIS 和遥感项目助理，太平洋共同体 (SPC) 海洋和海事计划，斐济，电子邮件：litiag@spc.int Andrick Lal 先生，高级大地测量师，地球科学、能源和海事，太平洋共同体 (SPC)，斐济，电子邮件：andrickl@spc.int Filimoni Yaya 先生，地理空间技术官员，海洋边界，地球科学、能源和海事，太平洋共同体 (SPC)，斐济，电子邮件：filimoniy@spc.int