XiaoMi-AI文件搜索系统
World File Search System线性插值
巨石：评估机器人和载人应用的立体瞄准策略。TA Roseborough 1、AJ Sonke 2 和 MS Robinson 1、1 I
我们使用 3DF Zephyr 构建 3D 模型。对于每个序列，我们导入图像并掩盖巨石周围的区域。我们从图像中生成稀疏点云。在此阶段，我们通过创建地面控制点 (GCP) 将特征上的位置与纬度、经度和海拔值联系起来，从而对该特征进行地理参考。我们使用 30 厘米/像素的国家农业图像计划 (NAIP) 图像和 25 厘米/像素的航空激光雷达数字地形模型 (DTM) 在 ArcGIS Pro 中为每个站点标记了 3 个 GCP 位置 (图 1a) [5]。我们使用 ArcGIS Pro 确定 GCP 的坐标以及从 DTM 中提取这些位置的海拔，我们使用简单的双线性插值来完成此操作，以最好地近似该特定位置的海拔。我们导入了这些点并运行了捆绑调整；如果程序报告的不确定性 <0.01 米，我们认为这些是良好的 GCP。如果任何 GCP 残差较高，我们会调整其位置并重新导入。对 GCP 对齐感到满意后，我们继续创建密集点云、网格和纹理网格（图 1b、c）。对于所有步骤，我们都使用 3DF Zephyr 默认设置。模型完成后，我们生成了一份处理报告，其中提供了平均地面采样距离 (GSD)（我们用其作为分辨率的代理）和模型表面积等信息。我们还将计算出的相机位置导出到 ArcGIS Pro（图 1a），并使用测量工具检查到特征的位置距离以及相机位置之间的距离。我们测量了步骤之间的直线距离，并
基于优化的U-NET的2D图像的单眼深度估计
从2D图像中估算深度在各种应用中至关重要，例如对象识别，场景重建和导航至关重要。它在增强现实，图像重新关注和细分方面具有显着优势。在本文中，我们根据传输学习编码器和高级解码器结构提出了一个优化的U-NET网络，以估算单个2D图像的深度。编码器– decoder架构是从Resnet152v2构建的，作为编码器和改进的基于U-NET的解码器，以实现准确的深度预测。引入的RESNET152V2网络已在广泛的Imagenet数据集上进行了预估计，该数据集具有为大规模图像分类提取丰富且可推广的特征的权重。该提出的编码器可以具有先验知识来减少训练时间并改善对象位置识别。在解码器中设计的提议的复合上采样块（CUB）应用了2倍和4倍双线性插值，结合了一速式转置卷积，以扩展从编码器获得的低分辨率特征图，从而使网络恢复了更详细的细节。跳过连接用于增强解码器的表示能力。每个向上采样块的输出与相应的池化层串联。来自不同量表的特征融合有助于捕获本地和全球上下文信息，从而有助于更准确的深度预测。此方法利用RGB图像和深度图作为NYU DEPTH DATASET V2的训练输入。实验结果表明，基于转移学习的编码器，再加上我们提出的解码器和数据增强技术，可以使复杂的RGB图像转换为准确的深度图。系统根据深度数据范围为0.4至10 m，准确地对不同的深度范围进行了分类。通过使用渐变色尺度将不同的深度映射到相应的颜色，可以在2D图像上执行精确的深度分类。
疫苗
在过去二十年中，疫苗可预防疾病 (VPD) 的疫苗接种计划已在中低收入国家 (LMIC) 中得到推广。然而，COVID-19 的出现导致全球常规免疫活动中断。这种中断可能会对公共卫生产生不利影响，导致更多人死于 VPD，尤其是在没有采取缓解措施的情况下。因此，随着常规免疫活动的恢复，评估不同恢复方法的有效性非常重要。我们应用疫苗影响建模联盟开发的影响外推法，估计 112 个 LMIC 中十个 VPD 在不同恢复情景下 COVID-19 相关中断的影响。我们关注 2020-2030 年因常规免疫接种而避免的死亡人数，并研究相对于无 COVID-19 情景的两种恢复情景。在恢复情景中，我们假设 2020 年常规免疫覆盖率因 COVID-19 而下降 10%。然后，我们将覆盖率线性插值到 2030 年，以研究两种恢复途径，即在 2030 年实现免疫议程 (IA2030) 目标或达不到 10%。我们估计，与无 COVID-19 情景相比，达不到 IA2030 目标 10% 将导致 2020-2030 年间完全接种疫苗的人数 (FVP) 减少 11.26%，死亡人数增加 11.34%，而达到 IA2030 目标将使这些比例降低到 FVP 减少 5% 和死亡人数增加 5.22%。中断的影响在不同的 VPD 中有所不同，未来几年覆盖率大幅扩大的疾病面临的不利影响较小。总体而言，我们的结果表明，常规免疫覆盖率下降可能导致更多人死于 VPD。由于 COVID-19 相关干扰的影响取决于未来几年实现的疫苗接种覆盖率，因此继续努力扩大覆盖率和解决免疫缺口对于恢复之路至关重要。2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
通函编号 313-68-1656c，日期为 2021 年 11 月 10 日，回复
通函编号附录 2。313-68-1656c，日期为 2021 年 11 月 10 日，《海船入级与建造规则》，2021 年，ND 号。2-020101-138-E 第 VIII 部分。系统和管道 1 一般规定 1 第 1.2.1 段。在定义“系统”之后，引入定义“湿式排气系统”，内容如下：“湿式排气系统是一种排气系统，其中废气与水混合，送入排气管或特殊歧管进行冷却。”。2 第 1.3.3 款由下列文字替代：ʺ 1.3.3 一级和二级管路阀门、侧阀和底阀、遥控阀门、透气阀、空气管盖、柔性接头（包括膨胀接头）以及首尖舱舱壁上的阀门在制造期间均须接受登记局的检验。ʺ4 系统和管路元件 3 第 4.3.2.6 款由下列文字替代：ʺ 4.3.2.6 开敞甲板和 4.3.2.4 中未规定的处所的排水孔和舷外排水管，无论是在干舷甲板以下 450 毫米处还是在夏季载重水线以上 600 毫米以内处，均应在外壳上安装止回阀（挡板）。在这种情况下，排水孔和排水管的壁厚不得小于表 2.3.8 第 3 栏中规定的值。如果干舷甲板以下和封闭上层建筑内处所的钢排水管壁厚小于以下值，则可不设阀门： ≤ 80 mm 时为 7 mm； = 180 mm 时为 10 mm； ≥ 220 mm 时为 12.5 mm，其中 = 管道外径。中间尺寸应通过线性插值确定。对于铝合金船体的船舶，铝合金排水管的壁厚可以减小，但不得小于船壳板的厚度。在开放式上层建筑和甲板室中，应设置舷外排水孔。在用于运载油箱内有燃油的机动车辆的处所，应设置舷外排水管，以防止在喷水系统运行时积水。在浮船坞中，限界线以下处所和开敞甲板的舷外排水管和限界线以下的排水管应在外壳上设置止回阀。如果限界线以下的管厚度不小于船壳板的厚度，则可省去这些阀门，但不必超过 12 毫米。ʺ。
以人为本的可解释人工智能过程模型
引言人工智能 (AI) 的发展已展现出令人瞩目的性能，特别是在图像处理或游戏等明确定义的领域。然而，所部署的技术对于人类用户来说可能是不透明的，这引发了一个问题：人工智能系统如何提供解释 (Neerincx 等人，2018 年；Rosenfeld 和 Richardson，2019 年)，并且监管框架对可解释人工智能 (XAI) 的需求日益增长。话虽如此，2017 年，谷歌的研究主管 Peter Norvig 指出，在人类可能不擅长提供“解释”的情况下期望计算机提供“解释”是具有讽刺意味的。可解释人工智能 (XAI) 的大部分工作都严重依赖于以计算机为中心的视角 (Springer，2019 年)。例如，Holzinger 等人 (2020) 假设人类和人工智能系统可以平等地访问“基本事实”。由此可见，可解释性“……突出了机器表示中与决策相关的部分……，即有助于模型在训练中的准确性或特定预测的部分。”与许多 XAI 文献一样，这并没有为人类提供任何角色，只能作为被动接受者。这意味着人工智能系统能够反省自己的过程来生成解释。然后将得到的解释呈现给用户，并描述人工智能系统的流程或它使用过的特征（“决策相关部分”）。这样，解释就只是一个建议（来自人工智能系统）加上与此相关的特征。正如 Miller (2017) 所指出的那样，这种态度的一个问题在于，它是基于设计师对什么是“好的”解释的直觉，而不是基于对人类如何响应和利用解释的合理理解。这并不能说明为什么选择某些特征，也不能说明为什么建议适合用户的关注点。它也没有将解释置于更广泛的组织中；分析师的解释可能与数据收集管理人员或接受分析师简报的经理的解释不同。对于 Holzinger 等人 (2020) 来说，情况的各个方面（定义为基本事实）被组合成一个陈述；也就是说，解释只是这个陈述的一种表达。这意味着从特征到解释存在线性插值。这类似于 Hempel 和 Oppenheim (1948) 的“覆盖定律模型”，该模型关注的是历史学家如何根据先前的原因来解释事件。然而，“基本事实”（由 Holzinger 的过程模型和覆盖定律模型假设）很少得到完全定义（导致在选择相关特征时产生歧义）。这意味着，仅仅陈述情况方面而不说明为什么选择这些方面（而不是其他方面）可能不会产生有用或可用的解释。霍夫曼等人（2018）对与解释相关的文献进行了全面的回顾。从这篇评论来看，解释涉及人类的理解（将人工智能系统的输出置于特定情境中），我们同意，考虑这一点的适当框架是数据框架的理解模型（Klein 等人，2007）。此外，理解（及其与解释的关系）依赖于认识到过程（提供和接收解释）必须是相互的、迭代的和协商的。这个过程依赖于“解释者”和“被解释者”达成一致。换句话说，解释涉及“共同点”（Clark，1991），其中理解上有足够的一致性以使对话继续进行。对话的性质将取决于提供解释的情况和被解释者的目标。例如，被解释者可能是“受训者”，他试图理解解释以学习决策标准，也可能是“分析师”，使用人工智能系统的建议作为政策。