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。
可穿戴设备的自适应极端边缘计算
可穿戴设备是一种快速增长的技术，对社会和经济的个人医疗保健产生了影响。由于传感器和分布式网络中传感器的广泛影响，功耗，处理速度和系统适应性对于将来的智能可穿戴设备至关重要。对如何在智能传感器中将计算到边缘的视觉和预测已经开始，并渴望提供自适应的极端边缘计算。在这里，我们提供了针对智能可穿戴设备的硬件和理论解决方案的整体视图，可以为这个普遍的计算时代提供指导。我们为在可穿戴传感器的神经形态计算技术中持续学习的生物合理模型提出了各种解决方案。为了设想这个概念，我们提供了一个系统的概述，其中预期在神经形态平台中可穿戴传感器的潜在低功率和低潜伏期情景。我们依次描述了利用互补金属氧化物半导体（CMOS）和新兴记忆技术（例如MEMRISTIVE设备）的神经形态处理器的重要潜在景观。此外，我们根据足迹，功耗，延迟和数据大小来评估可穿戴设备内边缘计算的要求。我们还研究了神经形态计算硬件，算法和设备以外的挑战，这些挑战可能阻碍智能可穿戴设备中自适应边缘计算的增强。
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
具有自增强自适应性能的分级多孔钢整体结构
铁是一种丰富的化学元素，自古以来就以钢和铸铁的形式用于制造工具、器皿和武器。[1,2] 钢铁目前每年的产量为 1.4 亿吨，是人类文明中最广泛利用的材料之一。[1] 如此高的产量和当前加工技术的高碳足迹，使钢铁成为现代社会减少材料对环境影响的首选材料。[3] 虽然全世界的大部分钢铁生产都用于制造致密的建筑结构元件，但人们也在探索将多孔铁块用于催化、[4] 储能、[5] 组织再生 [6] 和结构应用。[7] 对环境影响较小的轻质结构的需求日益增长，人们对此类多孔金属以及它们对旨在更有效地利用自然资源的非物质化战略的潜在贡献的兴趣日益浓厚。海绵铁是通过将矿石在熔点以下直接还原而获得的，是多孔金属最早的例子之一。[8] 由于其强度相对较低，这种多孔铁在过去被用作制造致密结构的前体。多孔金属的低强度源于众所周知的材料强度和相对密度之间的权衡。[9] 根据 Gibson-Ashby 分析模型的预测，[10] 多孔和胞状结构的强度和刚度与固相相对密度 (φ) 呈幂律关系：P∼φm，其中 P 是关注的属性，m 是缩放指数。重要的是，高度多孔的大型结构（φ<0.20）通常表现出的刚度和承载能力远低于这种简单分析模型的预期水平。 [11] 事实上，实验和计算研究表明，当材料的相对密度接近其渗透阈值时，只有一小部分固相能有效地增加多孔结构的刚度。[12,13] 这是因为在多孔网络结构整体变形过程中存在未受载荷的悬挂元素。[14]
YM155 适应的癌细胞系揭示药物
摘要：Survivin 是一种药物靶点，其抑制剂 YM155 是一种主要用于治疗高危神经母细胞瘤的候选药物。神经母细胞瘤细胞系 UKF-NB-3 的一个 YM155 适应亚系的研究结果表明，ABCB1（介导 YM155 外排）水平升高、SLC35F2（介导 YM155 摄取）水平降低、Survivin 水平降低和 TP53 突变表明 YM155 耐药。在此，对另外 10 个 YM155 适应 UKF-NB-3 亚系的研究仅证实了 ABCB1 和 SLC35F2 的作用。然而，细胞 ABCB1 和 SLC35F2 水平并不表明 YM155 幼稚细胞对 YM155 敏感，如来自癌症治疗反应门户 (CTRP) 和癌症药物敏感性基因组学 (GDSC) 数据库的药物反应数据所示。此外，耐药亚系具有显著的异质性。只有七个亚系产生了靶向耐药性，这表现为对 RNAi 介导的 survivin 耗竭的耐药性。这些亚系对其他抗癌药物的反应也各不相同。总之，内在异质性有限的癌细胞群在治疗后会形成各种耐药表型。因此，个性化治疗需要监测癌细胞在治疗后的演变。此外，生物标志物可以在获得性耐药环境中指示耐药性的形成，即使在内在耐药环境中无法预测。
蓝色的光明面：抑郁作为分析复杂问题的适应性。
抑郁症是寻求帮助的主要情绪状况。沮丧的人经常报告持续的反省，这涉及分析和生活中复杂的社会问题。分析通常是解决复杂问题的有用方法，但是它需要缓慢，持续的处理，因此破坏会干扰解决问题。The analytical rumination hypothesis proposes that depression is an evolved response to complex problems, whose function is to minimize disruption and sustain analysis of those problems by (a) giving the triggering problem prioritized access to processing resources, (b) reducing the desire to engage in distracting activities (anhedonia), and (c) producing psychomotor changes that reduce exposure to distracting stimuli.由于处理资源是有限的，对触发问题的持续分析会降低专注于其他事物的能力。该假设得到了许多层次的证据，例如基因，神经递质及其受体，神经生理学，神经解剖学，神经术，药理学，药理学，认知，行为和治疗功效。此外，该假设为抑郁症文献中令人困惑的发现提供了解释，这挑战了抑郁症中5-羟色胺传播较低的信念，并且对治疗有影响。
与动力蛋白相关的光感受器蛋白防止睫状适应蓝光
已知通过调节动力蛋白进行睫状运动的光响应性调节，但该机理尚未完全了解。在这里，我们报告了一个两头f/i1内臂动力蛋白的新型亚基，名为Dyblup，在动物精子中，单细胞绿色藻类。该亚基包含一个BLUF（使用FAD的蓝光传感器）域，该结构域似乎会直接调节Dynein活性，以响应光。Dyblup（Div>与Dynein相关的BLUF蛋白）介导了F/I1运动结构域与将电动机与Doublet微管联系起来的系带络合物之间的连接。缺乏染色的直系同源物的衣原体既表现出阳性和负面光，但是被适应并吸引了高强度的蓝光。这些结果表明，通过直接照相染料素来避免有毒的强光。
IDEA-Net：用于单幅图像去噪的自适应双自注意网络
由于可能存在数据偏差和预测方差，图像去噪是一项具有挑战性的任务。现有方法通常计算成本高。在这项工作中，我们提出了一种无监督图像去噪器，称为自适应双自注意网络（IDEA-Net），以应对这些挑战。IDEA-Net 受益于生成学习的图像双自注意区域，其中强制执行去噪过程。此外，IDEA-Net 不仅对可能的数据偏差具有鲁棒性，而且还通过仅在单个噪声图像上应用具有泊松丢失操作的简化编码器-解码器来帮助减少预测方差。与其他基于单图像的学习和非学习图像去噪器相比，所提出的 IDEA-Net 在四个基准数据集上表现出色。 IDEA-Net 还展示了在低光和嘈杂场景中去除真实世界噪声的适当选择，这反过来有助于更准确地检测暗脸。源代码可在 https://github.com/zhemingzuo/IDEA-Net 获得。
测试时间适应性的神经网络，用于强大的医学图像分割
卷积神经网络（CNN）在培训数据集代表预期在测试时遇到的变化时，可以很好地解决监督学习问题。在医学图像细分中，当培训和测试图像之间的获取细节（例如扫描仪模型或协议）之间存在不匹配和测试图像之间的不匹配时，就会违反此前提。在这种情况下，CNNS的显着性能降解在文献中有很好的记录。为了解决此问题，我们将分割CNN设计为两个子网络的串联：一个相对较浅的图像差异CNN，然后是将归一化图像分离的深CNN。我们使用培训数据集训练这两个子网络，这些数据集由特定扫描仪和协议设置的带注释的图像组成。现在，在测试时，我们适应了每个测试图像的图像归一化子网络，并在预测的分割标签上具有隐式先验。我们采用了经过独立训练的Denoising自动编码器（DAE），以对合理的解剖分段标签进行模型。我们验证了三个解剖学的多中心磁共振成像数据集的拟议思想：大脑，心脏和前列腺。拟议的测试时间适应不断提供绩效的改进，证明了方法的前景和普遍性。对深CNN的体系结构不可知，第二个子网络可以使用任何分割网络使用，以提高成像扫描仪和协议的变化的鲁棒性。我们的代码可在以下网址提供：https：//github.com/neerakara/test- time- aptaptable-neural-near-netural-netural-networks- for- domain-概括。