XiaoMi-AI文件搜索系统
World File Search System适应
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。
统计自适应傅里叶分解 (SAFD)
摘要：本文提出了一种新型的监督学习方法——统计自适应傅里叶分解（SAFD）。SAFD 使用正交有理系统或 Takenaka-Malmquist（TM）系统为训练集建立学习模型，在此基础上可以对未知数据进行预测。该方法侧重于信号或时间序列的分类。AFD 是一种新开发的信号分析方法，它可以自适应地将不同的信号分解为不同的 TM 系统，引入了傅里叶类型但非线性和非负的时频表示。SAFD 将学习过程与 AFD 的适应性特征充分结合起来，其中少量的学习原子足以捕获信号的结构和特征以进行分类。SAFD 有三个优点。首先，在学习过程中会自动检测和提取特征。其次，所有参数都由算法自动选择。最后，将学习到的特征以数学形式表示出来，并可以根据感应瞬时频率进一步研究特征。通过心电图 (ECG) 信号分类验证了所提方法的有效性。实验表明，该方法比其他基于特征的学习方法效果更好。
如何让电力需求更适应可变可再生能源发电
例如，如果家庭安装了恒温器，当电价上涨或下跌（财政刺激）时，恒温器会自动改变供暖温度（智能自动化），这样家庭就可以省钱。或者，如果他们收到一条消息告知他们电价何时非常高，他们可以将此视为一种友好的提醒，以节省更多（基于信息的刺激）。关键是要找出这三种方法的有效性。为了理解这一点，我们的评论深入研究了能源经济学文献，并特别关注自 2007 年以来发表的论文，这些论文展示了旨在让家庭在特定时间段（通常是一天中的特定时段（高峰））减少电力消耗的实验结果，使用上述三种方法中的一种或多种。在此过程中，我们提取了 150 个平均处理效果，它们表示这些特定时间段内电力消耗的百分比下降。
无监督域适应性的对比度适应网络
深度神经网络的最新进展成功地改善了各种学习问题[40，8，26，19，20]。但是，对于监督学习，大量的训练数据仍然是学习准确的深层模型的关键。尽管可能可用于一些预先规定的域，例如ImageNet [7]，但对于每个临时目标域或任务而言，手动标签通常很难或昂贵。缺少IN-ININAIN标记的数据阻碍了在许多实际问题中拟合模型的应用。在没有来自目标域的标记数据的情况下，已经出现了无监督的域适应（UDA）方法，以减轻数据分布的域移动[2，1，1，5，37，30，18，3，3，17]。它与无监督的学习有关，因为它仅需要从源域和目标域的零标签手动标签。在最近关于UDA的工作，这是Long等人提出的开创性工作。[22，25]旨在最大程度地减少深神经网络中源和目标域之间的差异，在此，在该网络中，域差异通过最大值
城市绿色基础设施：通过自适应管理方法弥合生物多样性保护和可持续的城市发展
城市绿色基础设施（UGI）在通过自适应管理方法将生物多样性保护与可持续城市发展的可持续发展方面至关重要。本文介绍了一个综合概念框架，该框架整合了生态原理，城市规划策略和自适应管理方法，以培养有弹性和生物多样性的城市景观。UGI的本质在于它能够增强生态连通性，恢复生态系统功能并为城市环境中各种风水和动物群提供栖息地的能力。统治UGI设计的基本原则强调了其多功能性，连通性，多样性和可访问性，强调了以其迭代性和参与性为标志的适应性管理的重要性。尽管城市化带来的挑战，例如栖息地丧失，污染和气候变化，UGI干预措施为增强栖息地质量，连通性和生态系统弹性提供了有希望的途径。全球案例研究表明，UGI在生物多样性保护中的有效性，利用绿色屋顶，城市森林和社区花园等计划。UGI通过在各个领域提供多种生态系统服务，为可持续的城市发展做出了重要贡献。自适应管理对于有效的UGI规划和实施至关重要，在不断发展的环境条件下确保灵活性。但是，UGI遇到了障碍，包括资金限制，机构分裂和公平问题。应对这些挑战需要创新的培养机制，社区参与和政策创新。ugi提出了一种变革性的途径，可以促进弹性，生物多样性和可持续的城市景观，这对于城市在21世纪必须蓬勃发展。
自动驾驶的单视图和多视图深度的自适应融合
来自图像的深度估计是具有广泛应用的计算机视觉中的一个长期问题。对于基于视觉的自动驾驶系统，感知深度是理解道路对象和建模3D环境图的相关性的不可或缺的模块。由于深度神经网络用于求解各种视觉概率，因此基于CNN的方法[2-5，13，39 - 42，44，44，46，48，52]主导了各种深度基准。根据输入格式，它们主要将其分为多视图深度估计[3，13，23，26，44，45，51，53]和单视深度估计[14 - 16，19，37，38]。多视图方法估计深度的假设，即给定的深度，相机校准和摄像头姿势，这些像素应相似。他们依靠表现几何形状来三角形高质量深度。但是，多视图方法的准确性和鲁棒性在很大程度上依赖于相机的几何配置以及视图之间匹配的对应关系。首先，需要足够翻译相机以进行三角度。在自主驾驶的情况下，汽车可能会停在交通信号灯处或不移动而不移动，这会导致故障三角剖分。此外，多视图方法遭受动态对象和无动电区域的影响，它们在自动驱动方案中无处不在。另一个问题是对移动车辆的施加优化。在存在的大满贯方法中不可避免地噪声，更不用说具有挑战性和可取的情况了。具体来说，我们提出了一个两个分支网络，即例如，一辆机器人或自动驾驶汽车可以在不重新校准的情况下部署多年，原因是嘈杂的姿势。相比之下，作为单视图方法[14 - 16，19，37，38]依赖于对场景的语义理解和透视投影提示，它们对无纹理区域，动态对象，而不是依赖相机姿势更为易用。但是，由于规模歧义，其性能仍然远非多视图方法。在这里，我们倾向于考虑是否可以很好地结合两种方法的好处，以实现自主驾驶场景中的稳健和准确的单眼视频深度估计。尽管已经在先前的工作中探索了基于融合的系统[1，9]，但他们都假定了理想的相机姿势。结果是融合系统的性能甚至比单视深度估计的噪声姿势还差。为了解决这个问题，我们提出了一个新型的自适应融合网络，以利用多视图和单视图方法的优势，并减轻其缺点，以保持高度的精度，并在噪声姿势下提高系统的影响力。一个靶向单眼深度提示，而另一个则利用多视图几何形状。两个分支都预测了深度图和置信图。补充语义提示和边缘细节在多视图分支的成本汇总中丢失了
适应植物表型的视觉基础模型
基础模型是对大量数据进行预训练的大型模型。通常可以以最小的努力来适应各种下游任务。但是，由于基础模型通常是在从互联网中提出的图像或文本上进行预培训的，因此它们在植物表型等植物域中的性能受到质疑。此外，完全调整基础模型是耗时的，需要高计算能力。本文研究了植物表型设置和任务的基础模型的有效适应。我们对三个基础模型（MAE，Dino和Dinov2）进行了大量实验，对三个必需的植物表型任务：叶子计数，实例阶段和疾病分类。特别是，预先训练的骨干被冷冻，同时评估了两种不同的调整方法，即适配器调整（使用lora）和解码器调整。实验结果表明，基础模型可以充分地适应植物表型任务，从而产生与针对每个任务的最先进的模型（SOTA）模型相似的性能。尽管在不同任务上表现出很高的传递能力，但在某些情况下，精细调整的基础模型的表现比SOTA任务特定的模型稍差，这需要进一步研究。
基于多标准评估的藏族高原阿尔卑斯山草原的自适应管理
随着全球气候变化和人类活动对陆地生态系统的日益增长，了解高山草原生态系统及其影响因素的质量对于有效的生态系统管理和改善人类福祉是至关重要的。但是，基于多标准评估的高山草原的当前自适应管理计划有限。这项研究利用了77个采样点，无人机遥感和卫星遥感数据的领域研究，根据植被和土壤指示器构建高山草原质量指数，并评估生态系统的弹性和压力。评估表明，藏族高原的高山草原被分为五个区域，表明质量和压力水平的显着差异。关键发现表明，高质量的压力区占高山草甸面积的41.88％，占高山草原的31.89％，而质量改善限制区则占相应区域的21.14％和35.8％。该研究建议基于质量水平的高山草原的分级保护和恢复策略：优先考虑高质量的草原，对中等优质草原的动态监测和增强，并应用人工干预措施以及适合低品质草原的物种。这项研究强调了基于分区的自适应策略对可持续生态系统管理的重要性，并为在藏族高原的有效管理和保护高山草原提供了宝贵的见解。
社会对高级人工智能的适应
现有的管理高级人工智能系统风险的策略通常侧重于影响开发哪些人工智能系统以及它们如何传播。然而，随着高级人工智能开发者数量的增长，这种方法变得越来越不可行，并且会阻碍有益的用例和有害的用例。作为回应，我们敦促采取一种补充方法：提高社会对高级人工智能的适应性，即减少给定人工智能能力在给定水平的传播所带来的预期负面影响。我们引入了一个概念框架，该框架有助于识别避免、防御和补救人工智能系统潜在有害用途的自适应干预措施，并以选举操纵、网络恐怖主义和人工智能决策者失去控制权为例进行了说明。我们讨论了社会可以实施的适应人工智能的三步循环。提高社会实施这一循环的能力可以增强其对高级人工智能的抵御能力。我们最后向政府、行业和第三方提出了具体的建议。