XiaoMi-AI文件搜索系统
World File Search System鉴别器
一个可扩展3D对象生成和重建的变量自动编码器级联级联对敌方网络
摘要：用于3D体积生成和重建的生成对抗网络（GAN），例如形状产生，可视化，自动化设计，实时仿真和研究范围，在各个领域都受到了更多的关注。但是，诸如有限的培训数据，高计算成本和模式崩溃问题之类的挑战持续存在。我们建议将变异自动编码器（VAE）和gan结合起来，以发现增强的3D结构，并引入一种稳定且可扩展的渐进式增长方法，以生成和重建基于体素的基于体素的3D形状。级联结构的网络涉及生成器和鉴别器，从小型体素大小开始，并逐步添加图层，同时在每个新添加的层中使用地面标签监督歧视器，以建模更广阔的体素空间。我们的方法提高了收敛速度，并通过稳定的增长来提高生成的3D模型的质量，从而促进了复杂的体素级详细信息的准确表示。通过与现有方法的比较实验，我们证明了方法在评估体素质量，变化和多样性方面的有效性。生成的模型在3D评估指标和视觉质量中表现出提高的准确性，使它们在包括虚拟现实，元评估和游戏在内的各个领域都很有价值。
通过系统工程实现领导力
摘要：根据美国劳工统计局的数据，2010 年至 2020 年，建筑和工程专业毕业生的需求继续以超过 10% 的速度增长。这一需求是基于人口增长、环境问题和经验丰富的劳动力退休。为了满足这一需求，我们制定了多项 STEM 计划，以激发各个年级的年轻一代对工程职业的好处的兴趣。这些计划包括 FIRST FRC 和 Lego Leagues、ISEF、ROBAFIS 和各种本地机器人完成等计划。INCOSE 学术事务支持这些计划和学生部门计划，旨在向大学生介绍系统工程和 INCOSE 会员的好处。学生部门最近获得了大学生入学人数的大幅增加，这是由于在本科工程课程早期注入了“系统思维”，使用 INCOSE 系统工程手册 (SEH) 作为参考，同时提供 ASEP 认证培训，为毕业生在求职时提供简历鉴别器。在 INCOSE 国际研讨会上举行的最近一次学生分部研讨会确定了四方利益模型利益相关者的额外价值主张，以建立和维持学生分部和 INCOSE 成员资格。本次演讲和研讨会将展示反映工程需求的关键统计数据、结果
多对比度MRI合成的个性化联合学习
通过多机构合作进行大型，多样化的MRI数据集的策划可以帮助改善对可靠地转化为目标对比图像的可靠合成模型的学习。为了促进合作，联邦学习（FL）采用了分散的模型培训，同时通过避免共享成像数据来减轻隐私问题。然而，传统的FL方法可能会因数据分布中固有的异质性而损害，并且域在成像位点内和跨成像位点的变化。在这里，我们介绍了MRI合成的第一种个性化FL方法（PFLSYNTH），该方法通过模型专业化对数据异质性的可靠性提高了单个站点和合成任务（即源目标对比）。为此，PFLSHNTH利用了配备有新型个性化块的对抗模型，该模型控制了特定于站点和任务的潜在变量，该块控制了空间/通道尺寸的生成特征图的统计数据。为了进一步促进沟通效率和现场专业化，部分网络聚合是在以后的发电机阶段进行的，而较早的发电机阶段和鉴别器则在本地进行了培训。因此，PFLSYNTH实现了多任务合成模型的多任务培训，其跨站点和任务具有高概括性能。全面的实验证明了MRI合成中PFLSHTH与先前联合方法的卓越性能和可靠性。
训练小波域损失的训练生成图像超分辨率模型可以更好地控制伪影
抽象的超分辨率（SR）是一个不当的反问题，其中具有给定低分辨率图像的可行解决方案集的大小非常大。已经提出了许多算法，以在可行的解决方案中找到一种“好”解决方案，这些解决方案在忠诚度和感知质量之间取得了平衡。不幸的是，所有已知方法都会生成伪影和幻觉，同时试图重建高频（HF）图像细节。一个有趣的问题是：模型可以学会将真实图像细节与文物区分开吗？尽管有些重点侧重于细节和影响的分化，但这是一个非常具有挑战性的问题，并且尚待找到满意的解决方案。本文表明，与RGB域或傅立叶空间损耗相比，使用小波域损失功能训练基于GAN的SR模型可以更好地学习真正的HF细节与伪像的表征。尽管以前在文献中已经使用了小波域损失，但在SR任务的背景下没有使用它们。更具体地说，我们仅在HF小波子带上而不是在RGB图像上训练鉴别器，并且发电机受到小波子带的忠诚度损失的训练，以使其对结构的规模和方向敏感。广泛的实验结果表明，我们的模型根据多种措施和视觉评估实现了更好的感知延续权权衡。
摘要书 COMPSPEX-24 计算机科学...
本报告旨在分析不断演变的恶意软件对网络安全系统构成的威胁，特别关注生成和分类过程，以及这些过程的性能如何因不平衡的数据集而严重降低，最终对机器学习模型的性能产生不利影响。本报告旨在通过有效利用生成对抗网络 (GAN) 来应对这些挑战。GAN 将用于增强和平衡受影响的 Malimg 数据集。该报告将对有利于生成灰度恶意软件图像的不同 GAN 架构进行比较分析。这直接相关，因为本报告中考虑的数据集由灰度图像组成。该报告重点关注 Malimg 数据集的类别 Allaple.a，该类别以其在 25 个不同类别中拥有相当大的数据集而闻名。该报告将在 Allaple.a 上测试不同的 GAN 模型。所有将要测试的不同模型都已在不平衡的数据集上进行了仔细训练，并且将根据其特定的生成器和鉴别器损失以及 Fréchet 初始距离 (FID) 分数分析每个模型的有效性。这项评估不仅会平衡数据集，还会对原始恶意软件图像的脆弱性产生保护作用。除此之外，该报告还将观察这些合成平衡数据集对标准恶意软件分类模型的影响。我们提出了用于恶意软件图像生成的模型 MalGAN，并将其与现有模型进行了比较。
一种 3D-CNNs 方法对用户表情进行分类
最近的研究表明，社交辅助机器人 (SAR) 可用于各种操作环境，在这些环境中，促进人机交互和建立融洽关系取决于引发积极感觉。不同的人以不同的方式表达和感受情绪，这一事实造成了巨大的偏见，即使借助人工智能技术，也很难识别和区分情绪。这是最大的挑战之一。使用客观指标而非主观指标（如生物信号）作为情绪特征鉴别器可以缩小这一差距。先前的研究调查了使用 EEG 测量对 HRI 中的情绪进行分类，方法是查看一系列分类方法，例如使用 MLP 模型和全局优化算法应用于支持向量机、随机森林、决策树、K 最近邻和深度神经网络等方法，应用于原始和派生信号特征（例如，效价、唤醒、PSD 等）。本文介绍了一种新方法，该方法采用 3D 卷积神经网络 (3D-CNN) 来处理从 EEG 获得的地形图。据我们所知，该方法尚未在该领域进行研究。所提出的模型实现了令人印象深刻的 99.2% 的分类准确率，成功区分了积极和消极情绪，并表明将 EEG 数据转换为图像可能是一种可行的解决方案，因为它允许使用更准确的分类模型。所提出的模型的结果与最佳的最先进的模型一致。
AI-Lyricist：生成受约束的音乐和词汇
摘要 我们提出 AI-Lyricist：一个根据所需词汇和 MIDI 文件作为输入来生成新颖而有意义的歌词的系统。这项任务涉及多项挑战，包括自动识别旋律并从多声道音乐中提取音节模板、生成与输入音乐风格和音节对齐相匹配的创意歌词以及满足词汇约束。为了应对这些挑战，我们提出了一个自动歌词生成系统，该系统由四个模块组成：（1）音乐结构分析器，用于从给定的 MIDI 文件中获取音乐结构和音节模板，利用预期音节数的概念更好地识别旋律；（2）基于 SeqGAN 的歌词生成器，通过策略梯度进行多对抗训练优化，使用双鉴别器进行文本质量和音节对齐；（3）深度耦合的音乐歌词嵌入模型，将音乐和歌词投射到联合空间中，以便公平比较旋律和歌词约束；以及一个名为 (4) Polisher 的模块，通过对生成器应用掩码并替换要学习的单词来满足词汇约束。我们在超过 7,000 个音乐歌词对的数据集上训练了我们的模型，并通过主题、情感和流派方面的手动注释标签进行了增强。客观和主观评价均表明 AI-Lyricist 在所提出的任务上的表现优于最先进的技术。
分枝杆菌中 CarD 的转录调控受基础启动子动力学指导
细菌病原体，如结核分枝杆菌 ( Mtb )，利用转录因子来使其生理适应宿主内的不同环境。 CarD 是一种保守的细菌转录因子，对 Mtb 的生存至关重要。与通过结合特定 DNA 序列基序来识别启动子的传统转录因子不同， CarD 直接与 RNA 聚合酶结合，以在转录起始期间稳定开放复合中间体 (RP o )。我们之前使用 RNA 测序表明，CarD 能够在体内激活和抑制转录。然而，尽管结合任何 DNA 序列，CarD 如何在 Mtb 中实现启动子特异性调控结果仍不清楚。我们提出了一个模型，其中 CarD 的调控结果取决于启动子的基础 RP o 稳定性，并使用来自具有不同 RP o 稳定性水平的一组启动子的体外转录来测试该模型。我们表明，CarD 直接激活 MTB 核糖体 RNA 启动子 rrnA P3 (AP3) 的全长转录本产生，并且 CarD 的转录激活程度与 RP o 稳定性呈负相关。利用 AP3 的延伸 -10 和鉴别器区域中的靶向突变，我们表明 CarD 直接抑制形成相对稳定 RP o 的启动子的转录。DNA 超螺旋也会影响 RP o 稳定性并影响 CarD 调控的方向，这表明 CarD 活性的结果可受启动子序列以外的因素调控。我们的研究结果为 RNA 聚合酶结合转录因子（如 CarD）如何根据启动子的动力学特性发挥特定的调控结果提供了实验证据。
BTS-GAN
乳腺肿瘤是乳腺癌诊断最突出的指标之一。精确的肿瘤分割对于提高乳腺癌检测的准确性至关重要。医生对 MRI 扫描的评估非常耗时，需要大量的人力和专业知识。此外，传统的医学分割方法通常需要先验信息或手动特征提取，导致诊断具有主观性。因此，开发一种自动图像分割方法对于临床应用至关重要。这项工作提出了 BTS-GAN，一种在磁共振成像 (MRI) 扫描中使用条件 GAN (cGAN) 的自动乳腺肿瘤分割过程。首先，我们使用编码器-解码器深度网络作为生成器，并在编码器和解码器之间使用跳跃连接，以提高定位效率。其次，我们利用并行扩张卷积 (PDC) 模块来保留各种大小肿块的特征并有效提取有关肿块边缘和内部纹理的信息。第三，在 cGAN 的损失函数中加入了额外的分类相关约束，以缓解基于分类的图像到图像 (I2I) 翻译任务中难以收敛的挑战。我们提出的模型的生成器端学习检测肿瘤并构建二值掩码，而鉴别器学习区分地面真实和合成掩码，从而驱动生成器生成尽可能真实的掩码。实验结果表明，我们的 BTS-GAN 对于乳腺肿瘤分割更有效、更可靠，并且在公开可用的 RIDER 乳腺癌 MRI 数据集上的 IoU 和 Dice 系数方面优于其他分割技术。我们提出的模型分别实现了 77% 和 85% 的平均 IoU 和 Dice 得分。2022 作者。由 Elsevier BV 代表卡拉布克大学出版 这是一篇根据 CC BY-NC-ND 许可 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 的开放获取文章。
塑造公众支持更多碳捕获和存储项目的因素
摘要：电垂直起飞和着陆（EVTOL）飞机代表了一种关键的航空技术，以改变未来的运输系统。EVTOL飞机的独特特征包括降低噪声，低污染物的发射，有效的操作成本和灵活的可操作性，同时，这对先进的电力保留技术构成了关键的挑战。因此，由于EVTOL起飞过程中的巨大功率需求，最佳起飞轨迹设计至关重要。传统的设计优化，但是，以迭代方式采用高保真模拟模型，从而产生了计算密集型机制。在这项工作中，我们实施了一个支持替代物的倒数映射优化体系结构，即直接预测设计要求（包括飞行条件和设计约束）的最佳设计。经过训练的逆映射替代物执行实时最佳EVTOL起飞轨迹预测，而无需运行优化；但是，一个培训样本需要在此反映射设置中进行一个设计优化。反向映射的过度训练成本和最佳EVTOL起飞轨迹的特征需要开发回归生成的对抗网络（Reggan）代理。我们建议通过转移学习（TL）技术进一步增强Reggan的预测性能，从而创建一种称为Reggan-TL的方案。在这项工作中，发电机采用设计要求作为输入并产生最佳的起飞轨迹配置文件，而歧视器则在培训集中区分了生成的配置文件和真正的最佳配置文件。尤其是，提议的核根方案利用了由发电机网络和鉴别器网络组成的生成对抗网络（GAN）架构，并具有均一平方误差（MSE）和二进制跨透镜（BC）的组合损失，用于回归任务。综合损失有助于双重方面的发电机培训：MSE损失目标是生成的概况和培训对应物之间的最小差异，而BC损失则驱动了生成的配置文件，以与训练集共享类似模式。我们证明了Reggan-TL在空中客车A 3 Vahana的最佳起飞轨迹设计上的实用性，并将其与代表性替代物的性能进行了比较，包括多输出高斯工艺，条件gan和Vanilla Reggan。结果表明，Reggan-TL仅使用200个训练样本，而最佳参考替代物需要400个样本，达到了99.5％的概括精度阈值。培训费用减少了50％，降低了Reggan-TL实现的概括准确性的标准偏差，证实了其出色的预测性能和广泛的工程应用潜力。