XiaoMi-AI文件搜索系统
World File Search System跨域
通过粗到精特征自适应实现跨域目标检测
近年来，基于深度学习的目标检测取得了长足的进步。然而，由于域转移问题，将现成的检测器应用于看不见的域会导致性能大幅下降。为了解决这个问题，本文提出了一种新的由粗到细的特征自适应方法用于跨域目标检测。在粗粒度阶段，与文献中使用的粗糙的图像级或实例级特征对齐不同，采用注意机制提取前景区域，并通过在公共特征空间中多层对抗学习根据其边缘分布进行对齐。在细粒度阶段，我们通过最小化来自不同域但属于同一类别的全局原型的距离来进行前景的条件分布对齐。由于这种由粗到细的特征自适应，前景区域中的领域知识可以得到有效的迁移。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了所提出方法的广泛适用性和有效性。
跨域模拟故障注入用于设计稳健智能系统
摘要 — 在工业 4.0 革命的压力下，以及现在的《欧洲芯片法案》，智能系统在所有工业领域（例如汽车和航空航天）中无处不在。此类系统包含属于多个物理域（例如电气和机械）的数字和模拟组件。为了确保稳健性，必须在开发周期的早期验证整个系统，并考虑所有这些域，正如 ISO 26262 标准对汽车系统等情况所建议的那样。不幸的是，包括故障注入和模拟在内的验证技术在模拟方面并不像数字方面那么先进：i) 它们没有完全标准化 ii) 它们高度依赖于领域，并且 iii) 它们与数字流分开执行。本文提出通过在多个物理域中进行模拟故障注入来生成故障场景，从而改进智能系统的设计。通过利用这些故障场景，可以提高模拟部分的稳健性，同时提高控制系统功能的数字部分的质量。介绍了一个包含微控制器和三轴加速度计的多领域案例研究，以证明所提方法在许多工业环境中的有效性。索引术语——故障模拟、设计自动化、设计稳健性、多领域模拟。
跨域通过双匹配转换
跨域少数射击语义分割（CD-FSS）旨在训练可以从不同域中分割具有一些标记图像的域类别的广义模型。以前的作品证明了特征转化在顾问CD-FSS中的有效性。但是，他们完全依靠支持图像进行特征转换，并且反复使用每个班级的一些支持图像很容易导致过度拟合并忽略了类内部外观差异。在本文中，我们提出了一个双重匹配的基于转换的网络（DMTNET）来解决上述问题。我们建议自我匹配转换（SMT），而不是完全依靠支持图像，以基于查询图像本身本身构建特定于特定的转换矩阵，以将特定于域特异性的查询特征转换为域。计算特定特定的转换矩阵可以防止过度拟合，尤其是对于元测试阶段，仅将一个或几个图像用作支撑图像来分割数百或数千个图像。获得了域 - 不足的特征后，我们利用了双关联构建（DHC）模块，以与Support图像的前景和背景之间的查询相关之间的超相关性，基于前景和背景图的前景和背景预测映射的产生和超级映射，并具有分为分段，以增强其分段。此外，我们提出了测试时间自我填充（TSF）策略，以更准确地自我调整看不见的域中的查询预测。代码可在https://github.com/chenjiayi68/dmtnet上找到。在四个流行数据集上进行的实验实验表明，DMTNET比最新方法实现了卓越的性能。
跨域微生物组：肠道，肺和环境微生物群在哮喘发病机理中的相互作用
最近的实验和流行病学研究强调了肠道菌群与肺之间的重要相互作用，该肺部被称为“肠肺轴”。在鉴定出肠道微生物代谢物（例如短链脂肪酸（SCFA））的识别后，该轴的显着性已被进一步照亮，作为设定免疫系统音调的关键介体。通过肠肺轴，肠道微生物群及其代谢产物或过敏原直接或间接参与肺部疾病的免疫调节，从而增加了对过敏性气道疾病（如哮喘）的敏感性。哮喘是环境因素与遗传易感性之间相互作用的复杂结果。肠道轴的概念可能是预防和治疗哮喘的新目标。本综述概述了哮喘与呼吸微生物组，肠道微生物组和环境微生物组之间的关系。它还讨论了微生物学的当前进步和应用，对哮喘等慢性呼吸道疾病的临床管理有了新的观点和策略。
利用多AI代理以获取跨域知识...
在人工智能快速发展的领域中，利用和整合各个领域知识的能力是最重要的挑战和机会。这项研究通过部署多ai代理，介绍了一种新型的跨域知识发现方法，每种代理都专门从事不同的知识领域。这些旨在充当领域专家的AI代理商在统一的框架中合作，合成并提供了超越单域专业知识局限性的全面见解。通过促进这些代理之间的无缝互动，我们的平台旨在利用每个代理的独特优势和观点，从而增强知识发现和决策的过程。我们对不同的多代理工作流程场景进行了比较分析，该方案在效率，准确性和知识整合的广度方面评估了它们的表现。通过一系列涉及复杂的跨学科查询的实验，我们的发现证明了域特异性多AI剂系统在识别和弥合知识差距方面具有出色的能力。这项研究不仅强调了协作AI在推动创新方面的重要性，而且为AI驱动的跨学科研究和应用中的未来进步奠定了基础。我们的方法在一个小的试点数据上进行了评估，它显示了我们预期的趋势，如果我们增加了习惯训练代理的数据量，则趋势有望更平稳。