XiaoMi-AI文件搜索系统
World File Search System零息
ZHEJIANG LEAPMOTOR TECHNOLOGY CO., LTD. 浙江零 ...
2023年，我们实现新能源汽车年交付量144,155辆，较2022年同比增长29.7%。自2019年首款新能源汽车上市以来至报告期末，交付量年复合增长率为243.4%。2023年，C系列车型共交付105,701辆，占全年总交付量的73.3%以上，而2022年该比例为44.3%，表明产品结构不断改善。其中C11车型2023年全年交付80,708辆，较2022年同比增长81.9%。2023年连续实现20万辆、30万辆量产车交付，是公司跨越式发展的重要里程碑和新起点，巩固了公司行业新生力量的领先地位。
ZHEJIANG LEAPMOTOR TECHNOLOGY CO., LTD. 浙江零 ...
• 经过八年技术积累，我们全套自研技术实现了从LEAP1.0到LEAP3.0架构的升级迭代，并于2024年1月10日正式发布。LEAP3.0技术架构融合了多项行业首创的领先技术，包括行业首个四域合一的集中式集成电子电气（E/E）架构（“四叶草架构”）、行业首个用一颗8295芯片实现高级驾驶辅助系统（ADAS）、智能座舱、驾驶及泊车功能的集成技术、行业首个脱离导航的城市全场景NAC技术、行业首个无缝OTA升级技术、行业首个新能源黄金动力总成技术（CTC电池+油冷电驱），整车架构通用性指数达88%，为行业最高。
语义增强图像-文本预训练模型的零样本三维模型分类
Cheraghian 等人 [ 21 – 23 ] 在零样本 3 维模型分类方 面提出了 3 维点云的零样本学习方法、缓解 3 维零样 本学习中枢纽点问题的方法和基于直推式零样本学 习的 3 维点云分类方法，并将它们封装进一个全新 的零样本 3 维点云方法 [ 24 ] 中。以上方法均是利用已 知类样本的点云表征及其词向量对未知类别进行分 类，开创了零样本 3 维模型分类方法。近年来， CLIP 在零样本图像分类上取得了良好的效果，因此有研 究者将 CLIP 应用到零样本 3 维模型分类方法中， Zhang 等人 [ 25 ] 提出了基于 CLIP 的 3 维点云理解 (Point cloud understanding by CLIP, PointCLIP) 模型， PointCLIP 首先将 3 维点云投影成多个深度图，然 后利用 CLIP 的预训练图像编码器提取深度图特 征，同时将类别名称通过 CLIP 预先训练的文本编 码器提取文本特征。但是 PointCLIP 的性能受到深 度图和图像之间的域差异以及深度分布的多样性限 制。为了解决这一问题，基于图像 - 深度图预训练 CLIP 的点云分类方法 (transfer CLIP to Point cloud classification with image-depth pre-training, CLIP2Point) [ 26 ] 将跨模态学习与模态内学习相结合 训练了一个深度图编码器。在分类时，冻结 CLIP 的图像编码器，使用深度图编码器提取深度图特 征，该方法缓解了深度图和图像间的模型差异。用 于 3 维理解的图像 - 文本 - 点云一致性表征学习方法 (learning Unified representation of Language, Im- age and Point cloud for 3D understanding, ULIP) [ 27 ] 构建了一个图像、文本和点云 3 种模态的 统一嵌入空间，该方法利用大规模图像 - 文本对预 训练的视觉语言模型，并将 3 维点云编码器的特征 空间与预先对齐的视觉 - 文本特征空间对齐，大幅 提高了 3 维模型的识别能力。与之相似的是，基于 提示文本微调的 3 维识别方法 (CLIP Goes 3D, CG3D) [ 28 ] 同样使用 3 元组形式确保同一类别的 3 维模 型特征和图像特征之间以及 3 维模型特征和文本特 征之间存在相似性，从而使点云编码器获得零样本 识别的能力。另外， PointCLIP V2 [ 29 ] 在 Point- CLIP 的基础之上，通过利用更先进的投影算法和 更详细的 3 维模型描述，显着提高了零样本 3 维模型 分类准确率。本文采用语义增强 CLIP 解决图像和文 本的语义鸿沟问题，通过在语义层面为图像和文本 提供更多相似的语义信息，使图像和文本对齐更具有 一致性，从而有效提高 3 维模型的零样本分类性能。 2.2 提示工程
零能耗建筑电–氢–热双层能量优化调控方法
零能源建设电力 - 热热双层能量优化控制方法Kong Lingguo 1，Wang Shibo 1，Cai Guowei 1，Liu Chuang 1，Guo Xiaoqiang 2
海草栖息地的特征和分布...
有效管理海草栖息地需要有关海草状况和分布的详细信息。本文介绍了一项更大规模研究的第一步，该研究旨在评估波多黎各卡哈德穆埃托斯岛自然保护区内海草分布的长期变化。使用 WorldView-2 (WV-2) 图像和现场数据集对保护区内的海草床进行了高空间分辨率表征。WV-2 得出的海底反射率和水深测量数据用于进行基于对象的图像分析 (OBIA)。此分析的波段选择基于现场光谱水衰减测量。通过监督分类和上下文编辑对 OBIA 的结果多边形进行分类。使用 164 个采样点对图像进行了校准和验证。与传统的精度评估工具一起，创建了可靠性图，以提供评估地图精度的另一个指标。总体准确率为 96.59%，总海草准确率为 100%。海草床主要位于岛屿的西部和北部，主要由 Thalassia testudinum 和 Syringodium filiforme 组合组成。结果表明，光照可用性不是研究区域海草定植的限制因素，强波浪能可能是调节海草分布的重要因素。这张海草栖息地地图改进了之前的测绘工作，是该保护区的第一张高空间分辨率地图。事实证明，所使用的数据和方法对于在高度复杂的底栖环境中绘制海草栖息地地图非常有效。
静息态大脑动态
早期生活压力 (ELS) 和重度抑郁症 (MDD) 具有共同的神经网络异常。然而，尚不清楚 ELS 和 MDD 如何单独和/或共同与大脑网络相关，以及患有和不患有 ELS 的抑郁症患者之间是否存在神经差异。此外，先前的研究评估了静态与动态网络属性，这是一个关键的空白，因为大脑网络会随着时间的推移显示协调活动的变化。71 名未接受药物治疗的女性，有或没有童年性虐待 (CSA) 史和/或 MDD，完成了静息状态扫描和压力任务，其中收集了皮质醇和情感评分。检查了重复的功能网络共激活模式 (CAP)，并计算了 CAP 中的时间（每个 CAP 表达的次数）和转换频率（不同 CAP 之间的转换）。检查了 MDD 和 CSA 对 CAP 指标的影响，并将 CAP 指标与抑郁和压力相关变量相关联。结果表明，MDD 与 CAP 指标相关，但 CSA 与 CAP 指标无关。具体而言，与 HC（N = 36）相比，患有 MDD（N = 35）的个体在后默认模式 (DMN)-额顶网络 (FPN) CAP 中花费的时间更多，并且在后 DMN-FPN 和原型 DMN CAP 之间转换的频率更高。在各个组中，在后 DMN-FPN CAP 中花费的时间越多，DMN-FPN 和原型 DMN CAP 转换频率越高，反刍的频率就越高。DMN 和 FPN 之间的不平衡似乎是 MDD 的核心，可能导致与 MDD 相关的认知功能障碍，包括反刍。出乎意料的是，CSA 并没有调节此类功能障碍，这一发现需要在未来样本量更大的研究中进行复制。
静息状态下的脑电波活动
神经反馈训练 (NFT) 为现代医学界做出了有益的贡献。NFT 是基于操作性条件作用原理的生物反馈的一个子集。它是一种建立行为与效果之间关系的学习方法，可获得奖励和惩罚 (Cherry, 2020; Engelbregt 等人, 2016; Strehl, 2014)。从理论上讲，生物反馈是自动神经系统 (ANS) 的生物学见解。在其起源之前，“实时生理镜像”一词在第二次世界大战期间就已存在 (Sattar & Valdiya, 2017)。它仅限于心率、血压、皮肤温度、消化、呼吸和性唤起等生理过程。所有示例都是非自愿的，由 ANS 控制。在 1950 年代，一个反对的科学家团队不赞成 ANS 可能影响人类生理和心理状态的想法，这些状态也会对生物过程起作用 (Jones, 2016)。它在操作性条件、信息处理或技能学习方面仍存在疑问。此外，该假设不足以作为药物治疗的基础（Sattar & Valdiya，2017；Jones，2016）。研究人员在 20 世纪 60 年代发现，ANS 功能可能会发生类似于操作性环境的改变。因此，这是一个将生物反馈转变为可用于医疗实践的适当治疗方法的机会。
零...
Healthcare 4.0是一个异质环境，许多智能医疗设备都可以连接以提供及时的医疗服务。作为下一代医疗保健4.0，可以在多个设备和通信技术上进行更多数字化和相互联系的服务，因此潜在攻击的可能性也大大扩展。关键医疗保健涉及高度敏感的患者数据，必须满足严格的监管要求。因此，合并零信任体系结构（ZTA）至关重要，以提供一个可靠的框架，以确保安全和保障防止不断发展的威胁。这项工作提出了一个框架，该框架可利用Healthcare 4.0的基于ZTA的连续轻质相互验证策略，以完成设备，边缘和云服务器之间的安全数据传输。这是一种灵活且轻巧的身份验证策略，它考虑了Healthcare 4.0中的所有实体，不受信任，并在每次会议期间都可以连续身份验证，以确保针对各种漏洞的高安全性。基于两个不同级别的连续和相互认证是在两个不同的级别上完成的。首先，基于动态哈希的消息身份验证代码（HMAC）的连续相互轻量级身份验证被利用了两种不同的传输，这些传输是设备到设备（D2D）和设备对边缘（D2E）。此外，该框架以三种方式分析其效率：基于Scyther-Tools的安全性分析，理论分析和基于仿真的分析。因此，它在安全性和资源消耗之间取得了更好的权衡，而不是资源受限的医疗保健4.0 Devicessecond，该框架采用了椭圆曲线加密加密标准（ECC-AES）基于重量的重量身份认证和基于身份的重量身份验证和基于基于身份的访问控制（IBAC）来启用Edge Control in Edge Control in Edge Condor to Cloud Server（E2C）。此外，基于Contiki/Cooja的模拟证明，所提出的框架是医疗保健4.0环境中各种D2D和D2E身份验证协议中的强大竞争者。