XiaoMi-AI文件搜索系统
World File Search System端到端
基于端到端的基于学习的视觉大满贯
1）Zhu，Zihan等。“ Nice-Slam：神经隐式可扩展编码的猛击。”IEEE/CVF计算机视觉和模式识别会议的会议记录。2022。尼斯 - 萨克1）
端到端对象检测的内在解释性
抽象的深度学习模型正在自动执行许多日常任务，表明将来，即使是高风险的任务也将是自动化的，例如医疗保健和自动化驱动区。但是，由于这种深度学习模型的复杂性，了解其推理是一项挑战。此外，设计的深度学习模型的黑匣子性质可能会破坏公众对关键领域的信心。当前对本质上可解释的模型的努力仅着眼于分类任务，而在对象检测中留下了差距。因此，本文提出了一个深度学习模型，该模型可用于对象检测任务。这种模型所选的设计是众所周知的快速RCNN模型与ProtopNet模型的组合。对于可解释的AI实验，所选的性能度量是Protopnet模型的相似性评分。我们的实验表明，这种组合导致了一个深度学习模型，该模型能够以相似性得分来解释其分类，并使用视觉上的“单词袋”（称为原型）在训练过程中学习。此外，采用这种可解释的方法似乎并没有阻碍提出的模型的性能，该模型在Kitti数据集中获得了69％的地图，而GrazpedWri-DX数据集则获得了66％的地图。此外，我们的解释对相似性得分的可靠性很高。
交会和近距操作期间自主航天器导航和控制的自适应端到端架构
航天器间会合和近距操作 (RPO) 期间的机载制导、导航和控制 (GNC) 对相关算法提出了独特的挑战。未来的任务将需要更大的机载自主性，同时保持不同距离的在轨安全保障，感兴趣的场景可能涉及多个航天器，这些航天器可能是合作的，也可能是非合作的。本文介绍了一种用于分布式空间系统的新型 GNC 软件有效载荷的构想和开发，该有效载荷可在多个物体之间实现安全、自主的 RPO，并具有最大的灵活性和模块化。导航算法融合了远距离摄像机图像、近距离摄像机图像、差分载波相位全球导航卫星系统数据和卫星间交联数据，以估计整个感兴趣范围内的绝对轨道、相对轨道、目标姿势和辅助状态。控制算法套件提供了最佳机动解决方案，可在远距离实现有效的长期编队维持、近距离实现厘米级会合精度以及快速、稳健的防撞。远、中、近距离的合作和非合作目标原型模拟展示了分布式空间系统的强大 GNC 性能，也是实现航天器灵活自主 RPO 套件完全集成的重要一步。
Kik采用了端到端供应链的TradeBeyond ...
公司成立于1994年。Kik Textilien和非食品GmbH以负担得起的价格提供优质的女士，男士，儿童和婴儿服装。除了服装外，该系列还包括礼物，玩具，美容产品，配饰和家庭纺织品。在德国，奥地利，捷克共和国，斯洛文尼亚，匈牙利，斯洛伐克，克罗地亚，波兰，波兰，波兰，意大利，意大利，罗马尼亚，保加利亚，西班牙，西班牙和葡萄牙，拥有超过29,000名员工和4,100多家商店，该公司每年销售199亿欧元。Kik在德国十大纺织零售商中排名第一，并为客户提供了自2013年以来在线订购的选择。
3D互连的自动故障定位和表征的端到端卷积神经网络
条纹分割技术（FRIST）：在这里，边界框中包含使用自适应阈值的预处理特征模式。然后在预处理图像的中心考虑具有单位半径的圆。该圆的半径迭代增加，直到达到边界框的末端为止（请参阅补充图S11）。从C扫描图像中，有关TSV的信息主要位于内部两个条纹。在每个步骤中，都绘制位于该圆圈周长的黑色像素的总数。图中的第一个峰和第二个峰对应于感兴趣的边缘，因此，通过将所有像素的所有像素设置为超过这两个峰，以保留图像段的那些区域（请参阅补充图S11和S12）。这些步骤是
利用第四代英特尔® 至强® 可扩展处理器和 Kubernetes/Kubeflow 提升端到端企业 AI 的性能和可扩展性
在本设计测试中，我们使用 BERT-Large 无大小写（全词掩码）预训练模型作为模型检查点。该模型包含 3.4 亿个参数。我们使用斯坦福问答数据集 (SQuAD) v1.1 数据集进行微调分析。用例要求按照英特尔架构 Model Zoo 在线存储库文档 中所述执行。为了展示使用可扩展端到端企业 AI 堆栈解决方案进行 BERT-Large 微调的性能和可扩展性，我们使用了潜在的英特尔优化，例如针对 oneDNN 优化的 TensorFlow 和用于分布式训练的 Horovod。Horovod 与英特尔® MPI 库 一起部署，进一步利用了英特尔在 MPI 层的优化。我们使用容器映像和一组 MPIJob 规范文件在 Kubeflow 的训练运算符上运行 BERT-Large 工作负载。
发掘弱监督端到端的潜力......
中风后言语和语言障碍（失语症）严重影响患者的生活质量。许多症状轻微的患者仍未得到诊断，而且由于医疗费用和/或服务不足，大多数人没有接受建议的强化治疗。自动语音识别 (ASR) 可以通过提高诊断率和在定制治疗期间提供反馈来帮助克服这些困难。然而，由于言语错误的高度可变性和训练数据集的稀缺，其性能通常不令人满意。本研究评估了最近发布的端到端模型 Whisper 在中风后失语症 (PWA) 患者中的表现。我们调整了它的超参数以实现失语症语音的最低字错误率 (WER)。与年龄匹配的对照组相比，PWA 中的 WER 显着更高（10.3% vs 38.5%，p < 0.001）。我们证明，通过表达性（外显命名和自发性言语生成）和接受性（书面和口头理解）语言评估，更严重的失语症与更严重的 WER 相关。中风病变大小不会影响 Whisper 的性能。考虑人口统计学因素、治疗持续时间和中风后时间的线性混合模型证实，左半球额叶病变患者的 Whisper 性能更差。我们讨论了这些发现对于如何在 PWA 中改进未来 ASR 的意义。
用于可重复使用的基于人工智能的应用程序的可扩展端到端管理的网络架构
∗ 爱立信 AB，斯德哥尔摩，瑞典 电子邮件：flavio.brito、josue.castaneda.cisneros、neiva.linder@ericsson.com † 马尔凯理工大学，罗马，意大利 电子邮件：r.riggio@staff.univpm.it ‡ i2CAT 基金会，巴塞罗那，西班牙 电子邮件：estefania.coronado、javier.palomares@i2cat.com § 高性能网络和架构，卡斯蒂利亚-拉曼恰大学，阿尔瓦塞特，西班牙 电子邮件：estefania.coronado@uclm.es ¶ 意大利电信 SpA，都灵，意大利 电子邮件：jovanka.adzic@telecomitalia.it ∥ ATOS 研究与创新部门 (ARI)，Atos Spain SAE，马德里，西班牙；电子邮件：fco.renart@atos.net ∗∗ RISE Research Institutes of Sweden AB，瑞典斯德哥尔摩 电子邮件：anders.lindgren@ri.se †† Aerotools，西班牙马德里 电子邮件：miguel.rosa@aerotools-uav.es ‡‡ 隆德大学，瑞典隆德；电子邮件：per.odling@eit.lth.se
通过轻量级端到端技术实现高效的脑肿瘤检测...
摘要：在医学成像领域，深度学习取得了长足进步，尤其是在脑肿瘤诊断方面。医疗物联网 (IoMT) 使得将这些深度学习模型结合到先进的医疗设备中成为可能，以实现更准确、更高效的诊断。卷积神经网络 (CNN) 是一种流行的脑肿瘤检测深度学习技术，因为它们可以在大量医学成像数据集上进行训练，以识别新图像中的癌症。尽管深度学习具有更高的准确性和效率等优点，但它也存在一些缺点，例如计算成本高以及由于训练数据不足而导致结果出现偏差的可能性。需要进一步研究以充分了解深度学习在 IoMT 脑肿瘤检测中的潜力和局限性，并克服与实际实施相关的障碍。在这项研究中，我们提出了一种新的基于 CNN 的脑肿瘤检测深度学习模型。建议的模型是一个端到端模型，与早期的深度学习模型相比，它降低了系统的复杂性。此外，我们的模型很轻量，因为与其他以前的模型相比，它由较少的层构成，这使得该模型适合实时应用。准确率快速提高（二分类准确率为 99.48%，多分类准确率为 96.86%）的乐观结果表明，新的框架模型在比赛中表现出色。这项研究表明，所提出的深度模型在检测脑肿瘤方面优于其他 CNN。此外，该研究还提供了一个用于安全传输医学实验室结果的框架，并提出了安全建议，以确保 IoMT 的安全。