XiaoMi-AI文件搜索系统
World File Search System运动模型
使用桥接分布进行对象跟踪中的贝叶斯意图预测
摘要 — 在人机交互、监视和防御等多个应用领域中，确定被跟踪对象的意图可使系统协助用户/操作员并促进有效的、可能自动化的决策。在本文中，我们提出了一种概率推理方法，该方法可以提前预测被跟踪对象的预期目的地及其未来轨迹。在本文介绍的框架内，观察到的物体部分轨迹被建模为终止于其目的地的马尔可夫桥的一部分，因为目标路径虽然是随机的，但必须在预期的端点结束。这捕获了轨迹中潜在的长期依赖关系，如物体意图所决定的。通过确定部分轨迹从特定构造的桥梁中绘制的可能性，可以评估多个可能目的地中的每一个的概率。这些桥梁还可用于产生潜在系统状态（例如物体位置、速度等）的精确估计，预测其未来值（直到到达指定端点）并估计到达时间。事实证明，这可以实现基于卡尔曼滤波器的低复杂度推理程序实现，其中可以应用任何线性高斯运动模型，包括目的地恢复模型。在仪表车辆中收集的自由手势数据和驶向多个可能港口的船只的合成轨迹可用于证明所提方法的有效性。
深度学习分类对持续无创脑机接口控制的好处
图 1 | BCI 数据的持续深度学习分类。在线 BCI 任务期间记录的 EEG 数据滑动窗口用于训练 Schirrmeister 等人（2017 年）报告的浅层 CovNet 架构。这些窗口长 500 毫秒，每 40 毫秒移动一次。根据提供的数据训练了两种类型的模型。“运动模型”使用与在线 BCI 实验相同的运动皮层电极蒙太奇进行训练。“所有模型”均使用所有可用电极进行训练。在连续步骤中，浅层 CovNet 架构使用密集层和 softmax 变换执行时间卷积、空间滤波、平方非线性、均值池化、对数变换和线性分类。在测试期间，训练后的模型为每个窗口提供类成员的估计概率。在模拟光标控制环境中，具有最高估计概率的类（红色圆圈）用于将虚拟光标移动到该最高估计概率的方向，并与该最高估计概率成比例。通过改变试验分类所需的总概率阈值（神经网络输出随时间的总和），探索了神经网络预测和控制系统之间的功能映射。低概率阈值模拟更快的光标控制，而高阈值模拟更慢的光标控制（有关更多详细信息，请参阅文本）。
如何引用本文：Su M，Pu R，Wang Y，YuM。基于重新执行学习的多个无人车辆的协作攻城方法。 inte
提出了一种基于多机构增强学习的方法，以应对捕获无人接地车辆（UGV）的逃避焦油的挑战。最初，本研究介绍了针对合作UGV捕获的环境和运动模型，以及明确定义的直接捕获成功标准。将注意力集成到软演员批评（SAC）中的注意机制已杠杆化，将注意力集中在与任务有关的关键状态特征上，同时有效地管理较少相关的方面。这使捕获代理可以专注于目标代理的范围和活动，从而增强追求期间的协调和协作。关注目标代理的重点有助于完善捕获过程，并确保对价值功能的精确估计。多余的活动和不产生的场景的重新产生会增强效率和鲁棒性。此外，注意力加权动态适应环境变化。要解决在iOS中引起的有限激励措施 - iOS带有多个车辆捕获目标的动力，该研究引入了改进的奖励系统。它将奖励功能分为个人和合作组成部分，从而优化了全球和本地化的激励措施。通过Fa-Div>捕获UGV之间的合作协作，这种方法削弱了目标UGV的动作空间，从而成功地捕获了结果。与以前的SAC算法相比，提出的技术表明捕获成功增强。模拟试验和与替代学习方法的比较验证了算法的有效性和奖励函数的设计方法。
基于视觉的集体运动：蝗虫
自然发生的集体运动是一种引人入胜的现象，其中蜂拥而至的自发和协调其运动。许多蜂群的理论模型都假定理想化，完美的感知能力，而忽略了基本的感知过程，尤其是对于依靠视觉感知的代理商而言。具体而言，许多蝗虫等许多蜂群中的生物视觉利用了单眼非镜像视觉，从而防止了距离和速度的完美获得。此外，蜂群的同伴可以在视觉上相互阻塞，从而进一步引入估计错误。在这项研究中，我们探索了使用非镜镜，单眼视觉在受限条件下出现有序集体运动的必要条件。我们提出了一种基于视觉的聚集运动模型，用于蝗虫样药：拉长形状，平行于水平平面的全向视觉传感器，缺乏立体深度感知。该模型解决了（i）距离和速度的非镜镜估计，（ii）视野中存在闭塞。我们考虑并比较代理商可能用来以视觉感知过程所需的计算复杂性为代价来解释部分视觉信息的三种策略。在各种几何环境（环形，走廊和环形领域）进行的计算机模拟实验表明，这些模型可以导致有序的或近地有序状态。同时，它们在达到顺序的速度上有所不同。此外，结果对代理的伸长敏感。在几何受限的环境中进行的实验揭示了模型之间的差异，并阐明了使用它们来控制蜂群剂时可能的权衡。这些建议用于进一步研究生物学和机器人技术的途径。
基因1表达在野生西红柿2
现在可以理解，渗入可以充当强大的进化力，提供了31种遗传变异，可以影响性状进化的过程。渗入还引起了共有的32个进化史，该历史不会被物种系统发育所捕获，可能会使使用物种树的33个进化分析复杂化。这种分析通常是对跨物种的基因34表达数据进行的，其中数千个性状值的测量允许35个强大的推论，同时控制共享的系统发育。在这里，我们提出了一个布朗36运动模型，用于在多种族网络联合37框架下进行定量性状演化，这表明当数千种定量性状平均时，渗入可以产生38个进化的明显收敛模式。我们使用来自野生番茄属40茄的胚珠中的全转录组表达数据来测试我们的理论39预测。检查两个子层都有两者都有特种后渗入的证据，即41，但在其幅度上有很大差异，我们发现进化模式是一致的42，与胚珠基因表达的符号和幅度的渗入历史保持一致。43此外，在渗入速率较高的子层中，我们观察到局部基因树拓扑与表达相似性之间的相关性44，这暗示了渗入45个CIS调节性变化在产生这些宽尺度模式中的作用。48我们的结果揭示了一般作用46在数千种定量性状47的变化模式中渗入的一般作用46，并使用简单的模型信息预测为这些效果提供了一个框架。
社论：机器学习和应用神经科学
一组破坏性的技术，例如计算智能，普遍计算或物联网，机器人技术和生物技术，都表征了IV工业革命。这些技术允许提高生产率和经济复杂性，使全球领先经济体高额价值商品和服务的生产现代化，同时也为在神经科学应用或计算神经科学等领域的新兴国家打开了重要的机会。进化计算和深度学习允许构建具有更大学习和概括能力的日益精确的专家系统。当应用于神经科学时，这些进步为理解神经系统的功能和神经疾病的功能提供了更多的可能性，以及构建越来越准确且能够处理复杂问题的学习机器的模型，例如计算机视觉和复杂的模式识别任务。计算智能的进步，尤其是新方法，算法和计算体系结构，允许实现复杂的任务，例如为神经系统疾病的定制诊断和治疗方法的构建，智能假体的结构，以及更精确的脑部 - 模-Chachine接口；通过对各种类型的信号和其他应用的自动分析来识别情绪和精神障碍的诊断。他们将学习过程分为两个部分。首先，该模型从本地接触模型中学习，以表示机器人推动器，对象和环境之间的几何关系。该研究主题由以下贡献组成：在“在新下文中学习可转移的推动操纵技巧”，霍华德和Zito建议学习一个参数内部模型，以推动相互作用，以使机器人能够预测新颖环境中物理互动的结果。之后，该模型学习了一组参数局部运动模型，以预测这些触点如何在整个推动过程中发生变化。作者使用模拟环境验证了他们的提议，该环境由带有保险杠的先锋3-DX机器人组成，以预测新颖背景下对象的推动结果。根据作者的说法，偏见和无偏的预测因子都可以可靠地产生预测，这与经过仔细的物理模拟器的后果一致。
使用深度神经网络对经食管超声心动图图像中的左心室进行分割
胸外按压是心肺复苏 (CPR) 期间促进全身循环的主要手段。最佳胸外按压可使心脏骤停患者获得良好的复苏效果。尽管最近的 CPR 指南建议使用实时反馈设备来在复苏期间维持高质量的 CPR，但它很少与良好的复苏效果相关[1-3]。原因之一可能是未监测胸外按压的位置。先前基于胸部计算机断层扫描的研究还发现，目前建议的胸外按压位置太高，无法有效压迫左心室 (LV) [4,5]。经食道超声心动图 (TEE) 被认为是一种很好的方法，可用于识别心脏骤停的可纠正原因以及监测 CPR 质量和位置[6-8]。它还可以在复苏期间不中断胸外按压的情况下识别受外胸按压的心脏结构[9]。因此，我们可以从心脏骤停患者 TEE 图像中评估胸外按压的准确位置和外部胸外按压产生的收缩功能。这可能验证 CPR 期间促进左心室收缩功能的最佳胸外按压方法[10-12]。分割左心室对于确定胸外按压的位置和获得心脏功能定量评估指标（如舒张末期容积、收缩末期容积、面积和射血分数）是必不可少的。人们进行了许多尝试来分割左心室。Noble 等[13]基于轮廓跟踪方法，采用了基于卡尔曼滤波器的心外膜和心内膜边界跟踪系统。Bosch 等[14]将边界检测的主动外观模型改进为主动外观运动模型，可实现全自动、强大且连续的左心室检测。大多数心脏图像，如超声波图像和核磁共振成像（MRI），都有模糊的边界和严重的噪声；因此，分析这些图像需要时间，而且结果可能因人而异。人工神经网络已被提出，因为它们提供了很高的分析精度，并使医学图像的泛化成为可能[15，16]。Smistad 等人[17]建议使用 U-Net [18] 的深度卷积神经网络进行 LV 分割模型，它由一个编码器-解码器组成，在生物医学图像中显示出鲁棒的分割模型。然而，U-Net 并没有考虑所有语义特征在解码过程中的贡献。因此，Moradi 等人[19]开发了一种改进的 U-Net，称为多特征金字塔 U-Net，其中通过在 U-Net 解码器路径的所有级别上链接特征图来补充特征。然而，现有的方法有一个局限性，即它们无法识别阴影和 LV 之间的模糊边界。此外，由于胸外按压，CPR 期间获取的 TEE 图像比正常超声心动图噪声更大。我们通过应用残差特征聚合方法和各种注意技术开发了基于 U-Net 的网络。我们的模型不仅展示了使用挤压和激励块以及残差块的强大特征提取技术，而且还关注更重要的特征。工作流程如图 1 所示。下一节描述了数据组织、深度学习的数据增强技术以及我们模型的结构。