XiaoMi-AI文件搜索系统
World File Search System语义
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
语义和几何蛋白
抽象蛋白质工程是合成生物学的关键方面，涉及现有蛋白质序列中氨基酸的修改12，以实现新颖或增强的功能13和物理性能。准确预测蛋白质变异效应需要彻底了解蛋白质序列，结构和功能。深度学习方法在指导蛋白质修饰方面具有出色的性能，可改善16个功能。然而，现有方法主要依赖于蛋白质序列，蛋白质序列在有效地编码氨基酸局部环境的几何方面时面临17个挑战，而18通常在捕获与蛋白质折叠稳定性，内部分子19相互作用和生物功能有关的关键细节方面经常缺乏。此外，在预测蛋白质热稳定性方面的20种方法中缺乏基本评估，尽管它是一种关键的物理特性，在实践中经常研究21种。为了应对这些挑战，本文介绍了一个新颖的22个预训练框架，该框架整合了蛋白质初级23和第三纪结构的顺序和几何编码器。该框架通过24模拟野生型蛋白上的自然选择来指导突变方向，并根据其25个效果来评估变异效应以执行特定功能。我们使用三个基准26评估提出的方法，其中包括300多个深突变扫描测定法。Pytorch 32实现可在https://github.com/tyang816/protssn上获得。33与其他零击28学习方法相比，预测结果在广泛的实验中展示了27个出色的表现，同时又在可训练的参数方面保持最低成本。这项29项研究不仅提出了一个有效的框架，以实现更准确，更全面的30个预测，以促进有效的蛋白质工程，而且还增强了Silico评估中的31系统，以使未来的深度学习模型更好地与经验要求保持一致。
ExAIS：可执行的人工智能语义
神经网络可以看作是一种新的编程范式，即不再通过程序员头脑中（通常是非正式的）逻辑推理来构建越来越复杂的程序，而是通过使用大数据优化通用神经网络模型来构建复杂的“人工智能”系统。在这个新范式中，TensorFlow 和 PyTorch 等人工智能框架起着关键作用，与传统程序的编译器一样重要。众所周知，编程语言（如 C）缺乏适当的语义，即编译器的正确性规范，导致了许多有问题的程序行为和安全问题。虽然由于编程语言的高度复杂性及其快速发展，通常很难为编译器制定正确性规范，但这次我们有独特的机会为神经网络（具有一组有限的功能，并且大多数具有稳定的语义）做到这一点。在这项工作中，我们报告了我们在提供 TensorFlow 等神经网络框架的正确性规范方面的努力。我们在逻辑编程语言 Prolog 中指定了几乎所有 TensorFlow 层的语义。我们通过两个应用程序展示了语义的实用性。一个是 TensorFlow 的模糊测试引擎，它具有强大的 oracle 和生成有效神经网络的系统方法。另一种是模型验证方法，可为 TensorFlow 模型提供一致的错误报告。
使用语义系统工程技术验证...
简介MBSE旨在将工程模型整合到工具和领域边界跨越传统系统工程活动（例如，需求启发和可追溯性，设计，分析，验证和验证）[1]，[2]。但是，MBSE与复杂的系统工程项目涉及的多个基于模型的基础架构的互操作性并不能固有地解决。挑战是在系统工程的三个维度上实施数字连续性：跨学科，整个生命周期和供应链[3]。更改系统要求或设计必须通过供应链自动繁殖，以促进对其影响的快速评估。文档将在需要时自动生成和更新。
魔术师：通过语义吸引控制
摘要。传统的图像介绍任务旨在通过引用周围背景和前景来恢复所破裂的区域。但是，需求不断增长的对象擦除任务旨在消除对象并产生和谐的背景。以前的基于GAN的涂料方法与复杂的纹理产生斗争。基于新兴扩散模型的算法（例如稳定的扩散插图）具有产生新内容的能力，但它们通常会在擦除的物体的位置产生不一致的结果，并且需要高质量的文本提示输入。为了应对这些挑战，我们引入了魔术师，这是一个针对对象擦除任务量身定制的基于扩散模型的框架。它由两个阶段组成：内容初始化和可控生成。在后阶段，我们开发了两个插件模块，称为及时调整和语义意识到的注意力。此外，我们提出了一种数据构建策略，该策略生成了特别适合此任务的培训数据。Magiceraser在减轻不希望的伪像的同时，可以很好地控制内容产生。实验结果突出了我们在对象擦除任务中的有价值的进步。
基于语义标注的比较实验...
我们提出了一种参数方法 SemSim p，旨在测量数字资源的语义相似度。SemSim p 基于信息内容的概念，它利用参考本体和分类推理，包含对本体概念进行加权的不同方法。具体而言，可以通过考虑可用的数字资源或给定领域的参考本体的结构来计算权重。通过进行包括统计分析和专家判断评估的实验，针对文献中提出的概念集比较方法，对 SemSim p 进行了评估。为了实现可靠的评估，我们使用了基于计算机协会数字图书馆 (ACM) 的真实大型数据集，以及源自 ACM 计算分类系统 (ACM-CCS) 的参考本体。对于每种方法，我们都考虑了两个指标。第一个涉及从 ACM Transactions on Information Systems 期刊中选出的某些专题的论文之间相似性的置信度，第二个涉及与人类判断的 Pearson 相关性。结果表明，SemSim p 的其中一种配置优于其他评估方法。在物理学领域进行的附加实验表明，总体而言，SemSim p 比其他相似性方法提供更好的结果。
动态语义互操作性及其验证...
• 未来国防部指挥与控制系统 – 不仅需要与其他指挥与控制系统交换数据并进行数据互操作， – 还需要在任务和使命方面与其他指挥与控制系统协作。 • 虽然当前的互操作性技术（如标准接口和本体）对于语义互操作性至关重要，但它们还不够，因为： – 当前的接口技术仅为单一服务提供方法签名。 – 这些方法签名没有为另一个新系统或用户提供足够的信息以正确使用该服务，例如 • 此服务方法之间的正确调用顺序是什么 • 一个服务或另一个服务的方法之间的依赖关系是什么。
CCCPublications 基于深度学习的语义...
首先，从 BRATS 2013 数据集获取输入图像并进行预处理，使用基于卷积神经网络 (CNN) 的语义分割进行分割，并使用改进的多路径 GoogLeNetCNN 分类器方法进行分类。预处理阶段使用偏差校正滤波进行。提出了一种基于深度学习的 MRI 图像脑肿瘤语义分割方案，以有效地对脑肿瘤进行分类。在这种方法中，采用语义分割进行分割。改进的多路径 GoogLeNetCNN 用于对脑肿瘤进行分类，以对脑 MRI 图像进行分类并将脑肿瘤分为三类（脑膜瘤、垂体瘤和神经胶质瘤）。输入数据集中共有 3064 张 T1 加权对比增强图片，代表 233 名患者。在 MATLAB 中计算了所提出方法的准确度、灵敏度、特异性和精确度估计值。得到的结果表明，预计方法的分类器总体性能达到 99.7% 准确度、100% 灵敏度、99.717% 特异性和 99.06% 精度。结果表明，所建议的系统优于最先进的方法。
朝着语义fMRI神经反馈
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2020年11月10日发布。 https://doi.org/10.1101/2020.11.11.09.374397 doi：Biorxiv Preprint
使用深度学习，语义
地址：巴基斯坦木尔坦电子邮件：imrankhurshid25@gmail.com摘要自动驾驶引起了人们的重大关注，因为它可以实时消除严重的驾驶风险。虽然自动驾驶汽车在很大程度上依赖传感器来进行车道检测，障碍物识别和环境意识，但由于诸如阴影，不良的车道标记和障碍物视图之类的因素，准确的车道识别仍然是持续的挑战。尽管计算机视觉的进展，但这个问题尚未完全解决，这在当前文献中存在差距。这项研究的主要目的是通过开发增强的车道检测系统来应对这些挑战。为了实现这一目标，该研究集成了先进的技术，包括语义分割，边缘检测和深度学习，再加上来自相机，激光雷达和雷达的多传感器数据融合。通过采用这种方法，该研究研究了各种泳道检测方法，并根据准确性，特异性和处理速度对现有系统的拟议模型进行了基准测试。初始发现表明，语义分割和多传感器融合的组合可改善实时场景中的车道检测。所提出的模型达到了97.8％的车道检测准确性，特异性为99.28％，平均处理时间为0.0047秒。本研究不仅解决了现有车道检测系统的局限性，而且还提供了改善自动驾驶汽车道路安全性的见解。关键字：车道检测，语义细分，边缘检测，自动驾驶汽车。