XiaoMi-AI文件搜索系统
World File Search System粒度
粒度和形状对粉末堆积密度的影响
在基于粉末床的添加剂制造（AM）中粉末扩散的不确定性在制造零件的质量和重复性方面提出了挑战。这些挑战由于粉末床颗粒之间存在的空隙而导致高孔隙率。这项工作着重于使用SS316L作为模型材料在粉末流动性上引起的粒径分布（PSD）引起的不确定性。分析了各种尺寸的颗粒，范围为10 µm至100 µm，以及双峰比为70:30的球形和卫星形颗粒。将使用USP 616确定每个样品的挖掘密度，表观密度和Hausner比率。较小的粒径已显示可降低体积密度和表观密度。同时，颗粒的形状也有助于粉末颗粒之间的包装能力。卫星粉已被证明可以增加粉末的直径，从而增强了粉末颗粒的散装密度。已显示双峰颗粒同时增加体积和挖掘的密度，而较小的粉末无法填充较大颗粒之间存在的空隙。但是，随着粉末颗粒之间的尺寸比的增加，大量密度降低，表明较小的粉末能够填补颗粒之间的间隙。在用Hausner比值来比较粉末颗粒时，双峰颗粒已显示出最差的流动性，值为1.19856。这是由于以下事实：较大颗粒之间的较小颗粒会增加粉末之间的摩擦。因此，本研究说明了粒度和形状如何影响粉末堆积密度，这对于优化材料设计和加工技术至关重要
语音生成的细粒度定量情绪编辑
摘要 - 它仍然是一个重大的挑战，如何在语音产生中进行定量控制语音情感的表现力。在这项工作中，我们提出了一种方法来定量操纵情感的情感，以编辑语音生成。我们应用层次情感分布提取器，即层次结构，可以量化不同粒度水平的情绪强度。层次结构ED随后集成到FastSpeech2框架中，指导模型以在音素，单词和话语水平上学习情感强度。在合成过程中，用户可以手动编辑生成的声音的情感强度。客观和主观评估都证明了拟议网络在细粒度的定量情绪编辑方面的有效性。
siwis：使用单WiFi设备的细粒度检测
抽象的Sub-6GHz无线电传感提供了几种引人注目的优势，例如对较差的照明条件，隐私保护和透过墙壁看的能力。然而，在室内环境中，sub-6GHz ISM频谱被WiFi设备占据了很大，几乎没有用于感应目的的可用频谱。在本文中，我们介绍了Siwis，这是一种将无线电传感能力整合到单个WiFi设备中以进行细粒度人类活动的新方法。siwis包括两个主要组件：（i）一个可以轻松安装在离式wifi设备上的新硬件组件，以及（ii）优化的双分支深度神经网络（DNN），以进行同时的人掩膜掩护和姿势估计。我们已经建立了Siwis的原型，并将其安装在商业WiFi路由器上以进行评估。广泛的实验结果表明，基于WiFi通道状态信息（CSI）的传感方法的性能有所改善。更重要的是，零击实验证实可以将Siwis直接传输到看不见的现实环境中。
检测具有细粒度不一致的视听深击
现有的视听深击检测方法主要集中于高级效率，以建模音频和视觉数据之间的矛盾。因此，这些副本通常忽略了更精细的视听伪像，这些伪影是深击所固有的。在此，我们提出了引入细粒机制，以检测空间和时间域中的微妙人物。首先，我们引入了一个本地视听模型，该模型能够捕获容易与音频不一致的小空间区域。为此，采用了基于空间本地距离与注意模块的细粒机制。第二，我们引入了一个暂时的伪假增强，以包括在训练集中结合暂时性不一致的样品。在DFDC和FakeAvceleb数据集上进行的实验证明了所提出的方法在泛化方面与在数据库和交叉数据库设置下的最新技术相比，在概括方面具有优越性。
细粒度授权（FGA）：技术底漆
REBAC和PBAC方法包含相似的组件（例如，引擎和模式/语言模型）；但是，它们在评估授权的方式方面有所不同。使用REBAC，访问基于存储在集中式引擎/数据库中的资源之间的关系（图），使公司可以基于诸如层次结构或嵌套关系的唯一关系类型实施授权。
呼吁提供细粒度的原产地保证- ...
我们，以下签名组织，代表行业领袖、解决方案提供商和倡导者，我们坚定地致力于加速实现欧盟的脱碳目标。我们写信表达我们的集体支持，即在欧盟既定的发布机构内及时实施细粒度原产地保证 (GO)，作为先进清洁能源产品的自愿工具。《可再生能源指令》 1 的最新更新已启用并鼓励使用细粒度原产地保证。细粒度原产地保证的好处随着欧盟电力市场和脱碳目标的发展，原产地保证在确保电力原产地追踪和向消费者披露来源方面也应具有额外的属性。细粒度原产地保证将每小时以下的生产时间添加到仅包含当天生产日期的原产地保证中，从而能够按小时将生产的能源与消费相匹配。细粒度原产地保证可以通过多种方式促进清洁能源转型：
标签：在任何粒度上跟踪
我们在任何粒度（标签）中介绍跟踪：用于跟踪视频中任意目标的新任务，模型和数据集。我们寻求一种跟踪方法，将点，零件和对象视为同样可跟踪的目标类型，这是一个事实，即这些粒度之间的区别是模棱两可的。我们为任务介绍了通用的高容量变压器，作为输入视频和目标提示（指示要跟踪的内容，以单击，框或掩码的形式跟踪），并在每个帧上输出目标的分割时产生。为了训练模型，我们几乎汇总了我们所知道的几乎所有公共可用的跟踪数据集，目前总计75个，总计数百万的带有跟踪注释的剪辑，包括长长的稀有主题，例如昆虫上的身体关键点和显微镜数据。我们的模型在标准基准测试基准上具有竞争力，用于点跟踪，掩盖跟踪和盒子跟踪，但更重要的是，在很大程度上要归功于数据工作。我们将公开发布我们的代码，模型和汇总数据集，以提供运动和视频理解的基础模型，并促进该方向的未来研究。
混合机器学习模型用于细粒度的空气...
1,2,3 CSE工程技术学院，印度大诺伊达市Sharda University，摘要空气污染已成为一个主要的环境问题，每年导致许多死亡，并使环境和人类健康处于严重的风险。 它会导致温室效应，导致全球变暖，并增加影响肺癌和其他影响呼吸系统（包括过敏）的疾病的风险。 设置和维护严格的空气质量标准对于有效打击空气污染至关重要。 空气质量指数（AQI）是用于确定大气中污染物量的测量值。 通过利用机器学习算法的功能，可以使细粒度AQI的精确预测可行。 为了预测AQI，已经使用了许多算法，包括逻辑回归，决策树回归，KNN，SVR和线性回归。 该项目的主要目标是使用机器学习算法创建模型，并确定哪种模型最适合AQI预测。 关键字：空气质量，预测，算法，随机森林，线性回归1。 引入由于所有身体细胞起作用都是必要的，因此它是生活中最重要的方面。 空气是我们星球上重要的组成部分，具有巨大的意义。 尽管人类可以在没有水的情况下生存几天，但我们的存在仅限于仅三分钟而没有空气。 通过循环温暖和潮湿的空气，它在地球表面保持稳定的温度。 此外，空气在影响水周期中起着至关重要的作用。1,2,3 CSE工程技术学院，印度大诺伊达市Sharda University，摘要空气污染已成为一个主要的环境问题，每年导致许多死亡，并使环境和人类健康处于严重的风险。它会导致温室效应，导致全球变暖，并增加影响肺癌和其他影响呼吸系统（包括过敏）的疾病的风险。设置和维护严格的空气质量标准对于有效打击空气污染至关重要。空气质量指数（AQI）是用于确定大气中污染物量的测量值。通过利用机器学习算法的功能，可以使细粒度AQI的精确预测可行。为了预测AQI，已经使用了许多算法，包括逻辑回归，决策树回归，KNN，SVR和线性回归。该项目的主要目标是使用机器学习算法创建模型，并确定哪种模型最适合AQI预测。关键字：空气质量，预测，算法，随机森林，线性回归1。引入由于所有身体细胞起作用都是必要的，因此它是生活中最重要的方面。空气是我们星球上重要的组成部分，具有巨大的意义。尽管人类可以在没有水的情况下生存几天，但我们的存在仅限于仅三分钟而没有空气。通过循环温暖和潮湿的空气，它在地球表面保持稳定的温度。此外，空气在影响水周期中起着至关重要的作用。我们目前的呼吸不仅可以维持我们的生活，而且在我们对生活的满意程度中起着至关重要的作用。低空气质量有可能显着影响健身。在其他呼吸系统疾病中，受污染的空气可导致肺癌，支气管炎，肺炎，结核病和哮喘。根据估计，由于空气污染，全世界约有700万个人每年都在悲惨地丧生。此外，除了对温度和海平面的不利影响外，空气污染还可以在加剧全球变暖的情况下发挥作用，这在热量被困在大气中时会发生。这可能导致传染病的传播以及温度升高和海平面升高。可以量化空气的质量。空气质量的数值指标是空气质量指数或AQI。这是0到500之间的数值，代表空气污染的水平和保持拟合的困难。五十或更低的AQI被认为是精确的空气，而三百或更多的AQI被归类为有害的一流。基于潜在的健康风险，AQI分为六个类别。为了易于解释，每个类别都有不同的颜色。绿色（零50），黄色（51-100），橙色（100和100五十）和深红色是六个类。
抓紧的无实际监督的细粒度分割
自动从单个深度进一步检测可抓地的区域是布操作中的关键要素。布料变形的巨大变异性促使当前大多数方法专注于识别特定的握把而不是半偏零件，因为当地区域的外观和深度变化比较大的区域更小，更易于建模。但是，诸如折叠或辅助敷料之类的任务需要识别较大的细分市场，例如语义边缘带有更多信息，而不是点。因此，我们首先仅使用深度图像来解决变形衣服中细粒区域检测的问题。我们实施了T恤的方法，并最多定义了多达6个不同程度的语义区域，包括领口，袖袖和下摆的边缘，以及顶部和底部的握把。我们引入了一个基于U-NET的网络，以细分和标记这些部分。我们的第二个贡献与培训拟议网络所需的监督水平有关。大多数方法都学会
MCCSTN：主题驱动样式转移的多尺度对比度和细粒度融合网络
艺术图像的抽象风格转换是当前图像处理字段的重要组成部分。为了访问样式图像的美学艺术表达，最近的研究将注意机制应用于样式转移领域。这种方法通过计算注意力然后通过解码器迁移图像的艺术风格来将样式图像转换为令牌。由于原始图像和样式图像之间的语义相似性非常低，因此导致许多细粒度的样式特征被丢弃。这可能导致不一致的人工制品或明显的文物。为了解决这个问题，我们提出了MCCSTN，这是一种新型样式表示和转移框架，可以适应现有的任意图像样式转移。具体来说，我们首先将功能融合模块（MCCFORMER）引入样式图像中的美学特征，并在内容图像中具有细粒度的特征。特征地图是通过MCCFORMER获得的。然后将功能图馈入解码器以获取我们想要的图像。为了减轻模型并迅速训练，我们考虑了特定样式与整体样式分布之间的关系。我们引入了一个多尺度的增强对比模块，该模块从大量图像对中学习了样式代表。代码将发布在https://github.com/haizhu12/mccstn