XiaoMi-AI文件搜索系统
World File Search System空间关系
量子信息和心身问题
现代量子理论从根本上重新确定了那些熟悉它的人的方式。也许对量子物理学学生来说最大的挑战之一在于，与理论的反直觉概念对物理世界的看法和解。我们将物理世界视为由物体组成，在太空中进行了范围，独立于我们自己的主观现实，具有良好的位置和结构。了解这种“古典”现实是如何从量子理论中出现的，这是物理学家的持续挑战，而定量的进步仅是最近才取得的，特别是在不断增长的变形理论领域[1-4]。另一方面，我们感官的世界被古典物理学很好地描述，目前我们可能会认为这是欧几里得几何和牛顿力学的意思。欧几里得对空间的公理描述为我们提供了这些对象之间空间关系的极为准确的模型，而牛顿力学将有形实体动力学的直觉概念重新确定为一种优雅且建立了良好的数学理论。如此有说服力的是我们以古典物理学的形式进行的看法和数学重新研究，这些形式对我们许多人来说，这些都确定了我们对物理现实的基本概念。也就是说，我们得出的结论是，物理世界由外部空间中存在的对象组成。将其与我们自己的内部主观经验进行比较，然后很明显我们的心理现实似乎是
geols：图像分割的地球标签平滑
平滑标签分配已成为训练犯罪模型的流行策略。然而，大多数现有方法通常是为分类任务而设计的，忽略了密集的预测问题的潜在属性，例如医疗图像分割。首先，这些策略通常忽略给定像素及其邻居之间的空间关系。和第二，与每个标签相关的图像上下文都被忽略了，这可以传达有关分割掩模中潜在错误或歧义的重要信息。为了解决这些局限性，我们在这项工作中提出了Geodesic标签平滑（GEOLS），该工作通过利用图像的地理距离变换来将图像信息整合到标签平滑过程中。作为生成的标签分配基于计算的测量图，软标签中的类别关系是更好的建模，因为它考虑了两个或多个类别的边界的图像梯度。此外，空间像素的关系是在地球差异转换中捕获的，比诉诸于像素之间的欧几里得距离更丰富的信息。我们在两个公开可用的分割基准标记上评估了我们的方法，并将它们与流行的分割损失函数进行比较，该功能直接修改标准硬牌分配。所提出的测量标签的平滑性提高了现有软标记策略的分割精度，证明将图像信息整合到标签平滑过程中的有效性。重现我们的结果的代码可在以下网址获得：https：//github.com/adigasu/geols关键字：图像分割，地球距离，标签平滑
可再生能源视角下的区域可持续发展及空间效应
绿色发展是推动经济社会高质量可持续发展的关键，在中国，绿色发展是实现美丽中国和中华民族伟大复兴的国家目标的关键。本研究采用基于松弛度的测度数据包络分析方法，测算了2005—2020年中国安徽省面板数据的绿色发展效率值，并利用Malmquist指数对安徽省16个地市的绿色全要素生产率及其分解指数进行动态分析。采用探索性空间数据分析法，测度安徽省各省绿色发展效率值的空间关系。然后，根据空间相关性建立空间滞后模型，并对其影响和溢出效应进行综合分析。结果表明：安徽省各城市总体绿色发展效率呈现波动趋势，但多数城市表现出中、高等绿色发展效率；各类城市表现出空间聚集性，存在绿色发展效率高值、高值、低值分布；产业结构、数字经济发展水平、城镇化水平与区域经济发展水平呈现较为显著的正相关关系，能源结构和对外开放水平呈现显著的负相关关系，环境管理和科技发展水平的影响不显著；产业结构、城镇化率对本地绿色发展呈现正向影响，但对周边地区呈现负向溢出效应，能源结构、相对经济发展水平、对外开放水平则产生正向溢出效应。
马尼拉的“危险地带”、“死亡地带”和基础设施空间建设的悖论
基于城市化分裂的遗产和随后的城市基础设施建设工作，我们反思了马尼拉的基础设施发展轨迹及其实施产生的空间关系。空间工作基础设施在融入城市结构时所起的作用表明，城市空间的多种共同生产模式正在发挥作用。在本文中，我们通过全球南方城市的经验探讨了基础设施空间的悖论及其影响。我们关注两种基础设施空间建设模式：通过城市“危险区”驱逐实现的基础设施剥夺，以及在边缘地区的“死亡区”维持基础设施。第一种模式是，为实现世界一流、具有韧性的城市建设愿望，大规模基础设施项目建设导致城市贫民被迫迁离，贫民窟被划定为“危险地带”——国家指定为不适合居住且有洪水危险的边缘空间，因此计划进行清理（Alvarez and Cardenas，2019 ）。第二种模式以匮乏和缺失为框架，城市贫民在“死亡地带”——偏远的城市边缘地区——为获得居住空间和获取重要服务而进行的共同斗争，被驱逐者在这些地方过着更加凄惨的生活（Dalisay and De Guzman，2016 ；Ortega，2020 ）。这两种基础设施模式产生了剥夺性和维持性的逻辑、政治和想象，城市贫民与之产生了矛盾的共鸣。因此，城市基础设施将中心和边缘的生产联系在一起，
可解释的 AI Holodeck 中的 CLIP 引导 3D 场景生成
简介文本到场景生成的一个主要挑战是生成多样化但又与用户输入保持相关的场景。 先前关于 3D 场景生成的工作主要集中于使用用户明确提到的对象或相关对象（而不考虑基础环境）的场景的可信度（Chang 等人，2015 年；Coyne 和 Sproat，2001 年）。 然而，虚拟场景也可以包含隐式对象（即通过常识与其他对象相关并从隐式场景知识中得出的对象（¨ Ohlschl¨ager 和 V˜o，2020））。 隐式对象可以通过特定于环境或特定于实例的知识收集，并且可以通过描绘多样化和人口密集的物理空间的真实感来提高生成场景的可信度。我们之前曾介绍过 AI Holodeck (Smith 等人，2021) 的初始阶段，这是一个使用通过带注释的数据集收集的环境特定知识从自然语言输入生成虚拟 3D 场景的应用程序。在本文中，我们介绍了 AI Holodeck 应用程序的新版本，它通过两个层次收集常识性知识。首先，如前一版本所示，带注释的图像数据集为系统提供了与用户明确定义的对象隐式相关的对象。其次，CLIP 引导 (Radford 等人，2021) 搜索从与用户输入相关的参考图像中提取对象及其空间关系。由于存在令人惊讶的隐式对象或其位置，这一添加也增加了我们系统对可解释性的需求。对于
基于 CapsNet 的脑 MRI 图像中胶质瘤的精确自动分割
摘要 — 胶质瘤是一种高度侵袭性的脑肿瘤，出现在大脑的不同部位，大小、形状各异，边界模糊。因此，在 MRI 图像中识别肿瘤的确切边界是一项艰巨的任务。近年来，基于深度学习的 CNN 方法在图像处理领域越来越受欢迎，并已用于医学应用中的精确图像分割。然而，CNN 的固有局限性使得在训练阶段需要数万张图像，而收集和注释如此大量的图像带来了巨大的挑战。在这里，我们首次优化了一个基于胶囊神经网络（称为 SegCaps）的网络，以实现 MRI 图像中的精确胶质瘤分割。我们将我们的结果与使用常用的 U-Net 进行的类似实验进行了比较。两个实验都是在 BraTS2020 挑战性数据集上进行的。对于 U-Net，网络训练是在整个数据集上进行的，而 SegCaps 使用的子集仅包含整个数据集的 20%。为了评估我们提出的方法的结果，我们使用了 Dice 相似系数 (DSC)。SegCaps 和 U-Net 在胶质瘤肿瘤核心分割上分别达到了 87.96% 和 85.56% 的 DSC。SegCaps 使用卷积层作为基本组件，具有概括新观点的内在能力。网络使用胶囊的动态路由来学习特征之间的空间关系。胶囊神经网络的这些功能使胶质瘤分割结果提高了 3%，数据更少，而其参数比 U-Net 少 95.4%。
快速轨道虚拟现实软件，可促进先天性心脏病的三维重建
计算机生成的3维（3D）重建正在成为先天性心脏病（CHD）中不断增长的技术。已经清楚地证明了虚拟现实（VR）或3D打印模型的好处，尤其是在处理复杂的解剖学或计划最小入侵程序的情况下[1]。的确，对不同的解剖结构之间的空间关系有更深入，更广泛的理解，可以采用出色的手术方法，在某些情况下完全改变它[2]。然而，需要进一步的大规模研究来消除3D重建的潜力，以减少手术时间或预防先天性心脏手术的并发症，就像其他外科手术领域已经达到的那样[3-4]。尽管如此，这些系统的临床使用的一个局限性是使用当前可用软件所需的相对较高的成本和专业知识的程度。此外，由于缺乏标准化方法，较长的处理时间和缺乏心脏周期的动态代表，这些技术的传播受到了限制。随着该领域的发展，新的选项已成为获取虚拟模型所需平台的复杂性的潜在简化。DIVA软件（增强和虚拟环境中的数据集成和可视化，巴黎研究所）是一种新的VR技术，允许快速且用户友好的3D重新建立CHD [5]。我们以前将该软件与标准3D渲染技术进行了比较，并得出结论，Diva是系统的一致性和更快的[6]。在本研究中，我们分析了具有有限专业知识的用户对该软件的使用，以评估CHD中3D重建的潜力。
möbius变换，用于减轻表示的视角扭曲
摘要。透视失真（PD）导致形状，大小，方向，角度和其他空间关系的前所未有的变化。精确地估计摄像机的固有和外在参数是一项防止综合透视失真的挑战任务。专用培训数据的不可利用性为开发强大的计算机vi-sion方法带来了关键的障碍。此外，失真校正方法使其他计算机视觉任务成为多步骤的方法，并且缺乏性能。在这项工作中，我们通过对Möbius变换的特定家族进行精细颗粒的Pa-Rameter控制来构成减轻透视扭曲（MPD），以模拟现实世界中的失真，而无需估计摄像机的内在和外在参数，并且没有估算实际静止数据的需求。此外，我们提出了一个专用的透视图基准数据集Imagenet-PD，以基准对该新数据集的深度学习模型的鲁棒性。所提出的方法优于ibendement-e和imagenet-X的基准。此外，它显着提高了Imagenet-PD的性能，同时始终如一地在标准数据分布上执行。值得注意的是，我们的方法在三种受PD影响的现实世界应用程序（牛仔计数，Fisheye Image补充和人员重新识别）上的性能提高，以及一个受PD影响的具有挑战性的CV任务：对象检测。源代码，数据集和模型可在https://prakashhipa.github.io/projects/mpd上的项目网页上找到。
DeepGoplus推断的数值稳定性
卷积神经网络（CNN）目前是可用的最广泛使用的深神经网络（DNN）架构之一，并实现了许多问题的最新性能。最初应用于计算机视觉任务，CNN可与具有空间关系的任何数据（图像之外）很好地运行，并且已应用于不同的领域。然而，最近的作品强调了DNN中的数值稳定性挑战，这也与它们对噪声注入的已知敏感性有关。这些挑战可能会危害其性能和可靠性。本文研究了预测蛋白质功能的CNN DeepGoplus。deepgoplus已经达到了最先进的性能，并可以成功利用并注释蛋白质组学中出现的蛋白质序列。我们通过量化基础流量数据扰动而产生的数值不确定性来确定模型推理阶段的数值稳定性。此外，我们探索了使用降低精确的浮点数格式进行DeepGoplus推断的机会，以减少记忆消耗和延迟。这是通过使用Monte Carlo Arithmetic仪器执行的来实现的，该技术可以在实验上量化点功能操作误差和VPREC，该工具以可自定义的流量流动点上的精度格式模仿结果。焦点放在推理阶段，因为它是DeepGoplus模型的主要交付，广泛适用于不同环境。总的来说，我们的结果表明，尽管DeepGoplus CNN在数值上非常稳定，但只能通过较低精确的流动点格式选择性地实现。我们得出的结论是，从预先训练的DeepGoplus模型中获得的预测在数值上非常可靠，并且有足够的现有旋转点格式有效。
在CMIP6模型的不同SSP方案下，印度的热浪及其未来预测
摘要。我们提出了可解释的深度学习技术，用于重建南亚palaeomonsoon雨 - 在过去的500年中，降落了，利用了南部和东亚的长期仪器降水记录和长期的乐器降水记录和古环境数据集以建立两种类型的模型：密集的Neu-neu-neu-ral网络（“区域模型”）和卷积神经网络（“区域模型”和Neural neveral newursal nevental alsal neveral alsal and anns（Cnns）。该区域模型是在七个区域降雨数据集上进行的，虽然它们具有衰落的阶级变异性和显着的干旱，但它们低估了年际变化。CNN旨在说明预测因子和目标中的空间关系，在重建降雨表和产生强大的时空重建方面表现出更高的技能。19世纪和20世纪的特征是季风的年间变异性明显，但较早的时期的特征是衰老到百年纪念的振荡。多年代干旱发生在17世纪中叶和19世纪中期，而18世纪的大部分时间（尤其是本世纪初）的特征是季风降水高于平均水平。极端的干旱往往集中在印度南部和西部，并且经常与记录的饥荒共同进行。大型体积喷发后的几年通常以明显弱的季风标记，但与ElNiño-Southern振荡（ENSO）的关系的符号和强度在百年纪念时间尺度上有所不同。通过应用解释性技术，我们表明模型同时利用了局部氢气候和天气尺度的动力学关系。我们对印度夏季季风的历史变化的发现，并强调了古气候重建中深度学习技术的潜力。