XiaoMi-AI文件搜索系统
World File Search System识别目标
人工智能的军事用途的道德
军事行动中的抽象人工智能有两种。首先，存在狭窄或特定的智力 - 识别目标物种并跟踪其位置变化的自主能力。第二，有广泛或一般的情报 - 选择目标物种，确定实例，跟踪其运动，决定何时罢工，从错误中学习并改善初始选择的自主能力。这两种人工智能提出了道德问题，这主要是因为有两个特征：他们在部署它们的人与目标的人物之间放置的物理距离，以及它们独立于这些代理人行动的能力。这些功能提出的主要道德问题是三个。首先，如何在安全距离操作致命武器时保持毅力和骑士精神的传统武术？第二，授予机器多少自主权？和第三，可能会出现技术错误的可能性？本文依次考虑这些问题。关键字：人工智能；战争;武器;伦理;美德；自治;风险;神学伦理
Fn14 导向的 DART 纳米粒子选择性靶向三阴性乳腺癌脑转移临床前模型中的肿瘤细胞
Cy5-PP-IT4 NPs 在 Fn14 阳性 TNBC 细胞中表现出剂量和时间依赖性的细胞摄取（图 S1）；通过乳液溶剂蒸发法合成纳米颗粒（表 S1）；用于识别目标群体的细胞标记物（表 S2）；分离颅内肿瘤的流式细胞分析的代表性门控策略（图 S2）；在未患肿瘤的 BALB/c 小鼠中全身给药后，Fn14 靶向不会增加清除率、诱导毒性或促进 NP 在非清除器官中的积累（图 S3）；全身 IVIS 成像显示全身给药后 Cy5 标记的纳米制剂在 TNBC BT 中的定位（图 S4）；分析携带肿瘤的 BALB/c 小鼠肝脏和脾脏中 Fn14 的表达（图 S5）；在脑内携带 TNBC 肿瘤的小鼠中全身给药后纳米制剂的细胞分布（图 S6）；纳米制剂的全身给药不会促进细胞死亡（图S7）（PDF）
使用雷达对无人机进行自动分类 - TechRxiv
摘要 — 自动目标分类是非合作式无人机监视雷达在多种国防和民用应用中的一项关键功能。因此，这是一个成熟的研究领域，并且存在许多用于从雷达信号识别目标（包括微型无人机系统（即小型、微型、微型和纳米平台））的算法。它们显著受益于机器学习（例如深度神经网络）的进步，并且越来越能够实现非常高的准确度。此类分类结果通常由标准、通用的对象识别指标捕获，并且源自在高信噪比下对无人机的模拟或真实雷达测量进行测试。因此，很难在实际操作条件下评估和基准测试不同分类器的性能。在本文中，我们首先概述了从雷达数据自动分类微型无人机的主要挑战和注意事项。然后，我们从最终用户的角度提出了一组重要的性能指标。它们与典型的无人机监视系统要求和约束相关。为便于说明，我们展示了从真实雷达观测中选取的示例。我们还在此概述了各种新兴方法和未来方向，这些方法和方向可以为雷达生成更强大的无人机分类器。
可生物降解磁性分子印迹抗癌药物载体用于多西紫杉醇的靶向递送
摘要：分子印迹可生物降解聚合物因其靶向识别和生物相容性的能力在药物输送方面受到了广泛关注。本研究报告了一种新型荧光活性磁性分子印迹药物载体（MIDC），该载体使用葡萄糖基可生物降解交联剂合成，用于输送抗癌药物多西紫杉醇。通过扫描电子显微镜（SEM）、傅里叶变换红外光谱（FTIR）、X 射线衍射光谱和振动样品磁强计（VSM）对磁性分子印迹聚合物（MMIP）进行了表征。MMIP 的磁化值为 0.0059 emu g − 1，与多西紫杉醇的结合能力为 72 mg g − 1。进行了体外和体内研究以观察 MIDC 在药物输送中的有效性。细胞活力测定表明 MMIP 对健康细胞没有毒性作用。利用MMIP的磁性，只需将外部磁场施加于小鼠（加载20分钟后）并拍摄X射线图像，即可快速识别目标部位的药物载体。因此，基于MMIP的新型药物载体可以在不影响健康细胞的情况下将药物输送到目标部位。
医疗必要性指南：改良 T 细胞疗法
概述 嵌合抗原受体 T 细胞疗法 (CAR-T 细胞疗法) 是一种免疫疗法，也称为过继性 T 细胞疗法，它试图对患者自身的免疫系统进行编程，使其识别和攻击癌细胞。这种疗法的第一步是通过血液分离术从患者体内取出 T 细胞，该过程会从体内取出血液并去除一种或多种血液成分（例如白细胞、血浆或血小板）。然后将剩余的血液返回体内。然后将 T 细胞送往药物制造厂或实验室，在那里对它们进行基因改造以在其表面产生嵌合抗原受体 (CAR)。这些 CAR 使 T 细胞能够识别目标肿瘤细胞上的抗原。基因改造的 T 细胞在实验室中生长，直到数量足够（数百万）以冷冻并返回治疗患者的中心。在那里，它们被注入接受者体内，期望 CAR T 细胞能够识别并杀死表面具有目标抗原的癌细胞。由于CAR-T细胞在输注后仍可能在体内停留很长时间，因此这种治疗有可能带来长期缓解。
这是植物科学领域TILLING时代的终结吗？
自 2000 年推出以来，TILLING 策略已广泛应用于植物研究，以创造新的遗传多样性。TILLING 基于化学或物理诱变，然后快速识别目标基因内的突变。TILLING 突变体可用于基因的功能分析，并且由于是非转基因的，因此可直接用于预育种程序。然而，经典诱变是一个随机过程，会导致整个基因组发生突变。因此，TILLING 突变体携带背景突变，其中一些可能会影响表型并应被消除，这通常很耗时。最近，已经开发并优化了新的靶向基因组编辑策略，包括基于 CRISPR/Cas9 的方法，用于许多植物物种。这些方法精确地仅针对感兴趣的基因，并且几乎不会产生脱靶。因此，问题出现了：植物研究中的 TILLING 时代是否已经结束？在本综述中，我们回顾了 TILLING 策略的基本原理，总结了植物 TILLING 研究的现状并介绍了最近的 TILLING 成果。基于这些报告，我们得出结论，TILLING 仍然在植物研究中发挥着重要作用，是基因组学和育种项目产生遗传变异的宝贵工具。
2022 年春季：PPHA 37040：经济增长与发展：理论与政策讲师：Miguel Angel Santos
本课程涵盖了发展经济学的一系列主题。首先概述了马尔萨斯动力学、大加速和现代增长模式，强调了生产力和技术的作用。然后，本课程探讨了 Hidalgo 和 Hausmann (2009) 的经济复杂性框架，该框架评估了特定地点的生产能力，并定义了特定地点的潜在多样化机会路线图，可以通过重新部署这些机会来利用这些机会。本课程还回顾了 Hausmann、Rodrik 和 Velasco (2008) 的增长诊断框架，这是一种识别目标函数（私人投资、增长）最具约束力的约束条件的方法。本课程通过实际示例说明了差异诊断的四个原则，这些示例展示了如何部署它们来测试相关生产要素的约束条件，例如金融、人力资本、基础设施、市场失灵（协调和信息外部性）、政府失灵（税收、法规、产权和腐败）和宏观经济风险。我们将用一些课程来诊断宏观经济学作为一种制约因素，以便让学生掌握实用的基本原理和分析工具，使他们能够理解特定地方改革的宏观经济背景。
从卫星图像中自动提取建筑物...
摘要 - 本文重点介绍一种从卫星图像中快速提取建筑物边界的自动算法，并对双边滤波器 (BF) 和自适应双边滤波器 (ABF) 进行了实验比较。研究和实验结果证明，ABF 的结果比 BF 的结果好得多。ABF 产生的结果比 BF 更有希望。旧的和传统的建筑物边界提取模型非常复杂且耗时。所提出的建筑物边界提取程序包括三个主要阶段：（1）使用自适应双边滤波器进行边缘保留和平滑，（2）使用 ED Line 算法检测线段，（3）使用感知分组技术识别多边形建筑物边界。我们提出的算法在 HR（高分辨率）Quick Bird 卫星图像上进行了测试，获得的结果很有希望并且几乎是实时的。因此，实验结果足够有用，总体准确率为 88.24%，这对于进一步了解建筑物边界的图像以及在实时环境中识别目标来说足够准确，并且有助于解决早期识别未经授权和非法建筑物的问题。关键词：Quick Bird 卫星图像、自适应双边滤波器（ABF）、双边滤波器、高分辨率卫星图像、直方图均衡化、ED 线检测器算法、建筑物边界提取。
陆地巡检机器人关键技术及其在水产养殖中的应用前景
陆地巡检机器人在执行各种任务时，需要感知周围 环境、定位自身位置、识别目标对象等，这些功能的实 现都依赖于传感器为机器人提供与外部环境交互的 “ 感 知器官 ” 。传感器是陆地巡检机器人的重要组成部分， 能够感知周围环境并获取相关信息，帮助机器人感进行 自主导航、避障、监测、抓取等工作。曹现刚等 [ 13 ] 设计 一种固定柔性轨道式悬挂巡检机器人平台，以解决煤矿 井下特种巡检机器人在三维环境重建和非结构环境运动 轨迹规划等关键技术，利用轨道，降低轨道铺设，为煤 矿环境巡检提供新的特种巡检平台。张书亮等 [ 14 ] 研究了 室内移动机器人的定位问题，提出融合轮式里程计、惯 性测量单元 IMU(inertial measurement unit) 、超宽带 UWB(ultra wide band) 和激光雷达定位数据的方法，依次 对不同传感器的定位数据进行融合，提高室内移动机器 人的定位精度。梁莉娟等 [ 15 ] 建立场景环境坐标系，利用 传感器探测出障碍物信息，对探测到的障碍物进行定位， 制定激光近场探测传感器的动态避障行为。李琳等 [ 16 ] 提 出基于条纹式激光传感器的机器人焊缝跟踪系统，采用 机器人末端安装条纹激光传感器，通过小波变换模极大 值理论分析焊缝轮廓，确定焊缝特征点。王正家等 [ 17 ] 提 出一种基于多传感器的机器人夹取系统，融合机器人内 置传感器所测量的位置、速度和角度等信息，利用外置 传感器完成对目标物的自动识别与定位。 2.1.1 传感器的使用场景及应用分类
动态光流跟踪VSLAM方法
抽象的视觉同时本地化和映射（VSLAM）技术可以为关键任务提供可靠的视觉定位和映射功能。现有的VSLAM可以在静态环境中提取准确的特征点，以进行匹配和姿势估计，然后构建环境图。但是，在动态环境中，随着对象的移动，VSLAM系统提取的特征点将变得不准确，这不仅会导致跟踪故障，而且还严重影响了环境图的准确性。为了减轻这些挑战，我们提出了一种基于Yolov8的动态目标感光流量跟踪方法。首先，我们使用Yolov8来识别环境中的移动目标，并提出了一种消除动态轮廓区域中动态点的方法。其次，我们使用光流膜方法来识别目标检测对象框架之外的动态特征点。第三，我们全面消除了动态特征点。最后，我们结合了静态图点的几何和语义信息，以构建环境的语义图。我们使用ATE（绝对轨迹误差）和RPE（相对姿势误差）作为评估指标，并将原始方法与我们在TUM数据集上的方法进行了比较。我们方法的准确性显着提高，尤其是Walking_xyz数据集的96.92％。实验结果表明，我们提出的方法可以显着改善高动态环境下VSLAM系统的整体性能。