XiaoMi-AI文件搜索系统
World File Search System高分辨率
高分辨率飞秒直接激光器用包装镜头
1 pfaffenwaldring 9，70569德国Stuttgart 2 Stuttgart Photonic Engineering（Scope）Stuttgart Stuttgart研究中心，Stuttgart，Stuttgart，Pfaffenwaldring 57，70569 Stuttgart，70569 Stuttgart，3 printtix optra， 70176德国Stuttgart 4生物材料与生物分子系统研究所（IBBS），Stuttgart大学，Pfaffenwaldring 57，70569德国Stuttgart，德国5 Stuttgart Research Center Systems Systems Biology（SRCSB） 15，70569德国斯图加特6第4物理学院（PI4），斯图加特大学，pfaffenwaldring 57，70569德国斯图特加特，德国7室内进程工程工程和等离子体技术研究所（IGVP） 12，70569德国斯图加特8 michael.heymann@bio.uni-stuttgart.de * andrea.toulouse@ito.uni.uni-stuttgart.depfaffenwaldring 9，70569德国Stuttgart 2 Stuttgart Photonic Engineering（Scope）Stuttgart Stuttgart研究中心，Stuttgart，Stuttgart，Pfaffenwaldring 57，70569 Stuttgart，70569 Stuttgart，3 printtix optra， 70176德国Stuttgart 4生物材料与生物分子系统研究所（IBBS），Stuttgart大学，Pfaffenwaldring 57，70569德国Stuttgart，德国5 Stuttgart Research Center Systems Systems Biology（SRCSB） 15，70569德国斯图加特6第4物理学院（PI4），斯图加特大学，pfaffenwaldring 57，70569德国斯图特加特，德国7室内进程工程工程和等离子体技术研究所（IGVP） 12，70569德国斯图加特8 michael.heymann@bio.uni-stuttgart.de * andrea.toulouse@ito.uni.uni-stuttgart.depfaffenwaldring 9，70569德国Stuttgart 2 Stuttgart Photonic Engineering（Scope）Stuttgart Stuttgart研究中心，Stuttgart，Stuttgart，Pfaffenwaldring 57，70569 Stuttgart，70569 Stuttgart，3 printtix optra， 70176德国Stuttgart 4生物材料与生物分子系统研究所（IBBS），Stuttgart大学，Pfaffenwaldring 57，70569德国Stuttgart，德国5 Stuttgart Research Center Systems Systems Biology（SRCSB） 15，70569德国斯图加特6第4物理学院（PI4），斯图加特大学，pfaffenwaldring 57，70569德国斯图特加特，德国7室内进程工程工程和等离子体技术研究所（IGVP） 12，70569德国斯图加特8 michael.heymann@bio.uni-stuttgart.de * andrea.toulouse@ito.uni.uni-stuttgart.depfaffenwaldring 9，70569德国Stuttgart 2 Stuttgart Photonic Engineering（Scope）Stuttgart Stuttgart研究中心，Stuttgart，Stuttgart，Pfaffenwaldring 57，70569 Stuttgart，70569 Stuttgart，3 printtix optra， 70176德国Stuttgart 4生物材料与生物分子系统研究所（IBBS），Stuttgart大学，Pfaffenwaldring 57，70569德国Stuttgart，德国5 Stuttgart Research Center Systems Systems Biology（SRCSB）15，70569德国斯图加特6第4物理学院（PI4），斯图加特大学，pfaffenwaldring 57，70569德国斯图特加特，德国7室内进程工程工程和等离子体技术研究所（IGVP）12，70569德国斯图加特8 michael.heymann@bio.uni-stuttgart.de * andrea.toulouse@ito.uni.uni-stuttgart.de
用于高分辨率减速场分析器的球形微孔网格
由球形栅格组成的减速场分析仪（RFA）可用作二维角分辨光电子能量分析仪（Kanayama等，1989）。然而，传统三栅格RFA的典型分辨力（E / E）为100（Taylor，1969），对于光电子衍射或光电子全息术来说太低了（Matsushita等，2010）。我们之前报道了一种增强E / E的栅格排列（Muro等，2017）。在改进的排列中，第一和第二栅格之间的距离比第二和第三个栅格之间的距离长得多，如图1（a）所示，而在大多数传统RFA中，这些距离是相同的。采用改进布置在 SPring-8 的 BL25SU（Senba 等人，2016 年）上开发的 RFA 显示 E / E 为 1100（Muro 等人，2017 年）。第一、第二和第三个栅格的半径分别为 12、40 和 42 毫米。第二个栅格即减速栅格使用目数为 250 的编织钨网。光电子接受角为 49 度，受图 1（a）所示探测器直径的限制。我们的模拟还预测，当网状减速栅格被部分球壳（如带有径向圆柱孔的圆顶）取代时，E / E 可以进一步增强，如图 1（b）所示。以下我们将这样的栅格称为有孔栅格。试验性制作了一个开孔面积较小的网格，对应接收角为7°，圆柱直径为60 mm，深度即球壳厚度为100 mm，相邻两个孔中心位置之间的距离即孔距为100 mm，球壳内半径为40 mm，与网状减速网格相同。装有该网格的RFA
改进的 Fisher MAP 滤波器用于高分辨率图像去斑...
Fisher分布由于其尖峰厚尾的特点以及理论合理性和数学易处理性而成为高分辨率合成孔径雷达(SAR)图像的流行模型。基于SAR图像的Fisher建模，提出了最大后验(MAP)滤波器。在Fisher模型中，图像外观参数被认为是固定的以对应于多视强度图像的形成机制，而其他两个参数则基于第二类统计数据从SAR图像中准确估计出来。为了改进Fisher MAP滤波器特别是在斑点抑制方面，利用点目标检测、自适应加窗方法、均质区域检测和最均匀子窗口选择，提出了基于结构信息识别的Fisher MAP滤波器。高分辨率SAR图像去斑点实验表明，基于结构信息检测的改进Fisher MAP滤波器能够抑制均质区域和边缘区域的斑点，有效保留细节、边缘和点目标。
Köppen– Geiger气候分类，基于高分辨率气候预测的合奏
摘要。我们最近确定了石墨烯中受保护的拓扑半学，该拓扑半学表现为零能量边缘模式鲁棒和相互作用。在这里，我们解决了该半学的特征，并表明，与最低能带相关的霍尔电导率的Z拓扑不变，可以从谐振响应到在DIRAC点上分析的圆形极化光等效。中间能带（包括费米表面）的（非量化的）电导率响应也会引起z 2不变。我们强调散装的对应关系，作为受保护的拓扑半金属，即一个在平面中极化的自旋构型在与稳健边缘模式相关的绝缘阶段，而另一个则处于金属状态。边缘的量化运输等效于1 2 - 1
对比，参加并扩散从大脑活动中解码高分辨率图像
通过功能磁共振成像（fMRI）记录的神经反应解码视觉刺激（FMRI）呈现出认知神经科学和机器学习之间的有趣相交，这是理解人类视觉感知的有希望的进步。然而，由于fMRI信号的嘈杂和脑视觉表示的复杂模式，任务是具有挑战性的。为了减轻这些挑战，我们引入了两个阶段fMRI表示框架。第一阶段预训练fMRI功能学习者，其提议的双对抗性掩码自动编码器可以学习DENOCORED表示。第二阶段调谐功能学习者，以通过图像自动编码器的指导来了解视觉重建最有用的神经激活模式。优化的FMRI功能学习者然后调节了一个潜在扩散模型，以重建大脑活动的图像刺激。实验结果证明了我们的模型在产生高分辨率和语义准确的图像方面的优势，从39中实质上超过了先前的最新方法。在50道路-TOP-1语义分类精度中的34％。代码实现将在https://github.com/soinx0629/vis_dec_neurips/上提供。
高分辨率的气候变化观察和评估与热相关的极端的预测
生物危害中心耦合模型对比项目第6阶段气候投影数据集（CHC-CMIP6）旨在支持最近和近乎近距离的气候相关危害分析，包括极端潮湿的热量和干旱条件。Global daily high resolution (0.05°) grids of the Climate Hazards InfraRed Temperature with Stations temperature product, the Climate Hazards InfraRed Precipitation with Stations precipitation product, and ERA5- derived relative humidity form the basis of the 1983–2016 historical record, from which daily Vapor Pressure Deficits (VPD) and maximum Wet Bulb Globe Temperatures (WBGT max ) were derived.从共享的社会经济途径2-4.5和SSP 5-8.5场景中进行的大型CMIP6合奏随后用于开发高分辨率每日2030和2050“ Delta”领域。这些三角洲用于扰动历史观察结果，从而产生0.05°2030和2050的日常降水，温度，相对湿度以及派生的VPD和WBGT最大值的投影。最后，每个时间段都得出了每个变量的极端频率计数。
基于尖锐的纳米制动尖端的高分辨率光子力显微镜
图1：提示制造和光学设置。a）微加工过程。圆柱颗粒是通过激光干扰光刻产生的，蚀刻了一个石英底物，其中沉积了800 nm厚的SIO 2层。HF的调谐酸变薄会在SIO 2层中产生锋利的尖端。然后将粒子机械地裂解底物。b）切割颗粒的扫描电子显微镜图像，其中一个尖端的对比度已得到增强，以清晰度。尖端的曲率半径为35 nm。c）光学陷阱的示意图，固定粒子并用锋利的尖端扫描样品表面。d）示意性光学设置。L/2: half-wave plate, PBS: polarizer, AOM: acousto-optical modulator, NPBS: non-polarizing beam splitter, Exp: beam expander, T1:1 : one to one telescope, Obj: Objective, Cond: Condenser, PD: photodiode (to acquire S z ), PSD: position sensitive detector (to acquire S x,y ), IRCCD: infra red CCD camera, VISCCD：可见的CCD相机。）
高分辨率图像纹理作为鸟类物种丰富度的预测指标
我们测试了图像纹理作为新墨西哥州半干旱景观中鸟类物种丰富度的预测指标。鸟类物种丰富度是通过 1996 年至 1998 年在 42 个地块（每个 108 公顷）内的 12 个点进行的 10 分钟点计数总结出来的。我们在 1996 年获取的一组数字正射影像上，在八种不同的窗口大小中计算了 14 个一阶和二阶纹理测量值。对于 42 个地块中的每一个，我们都总结了多个窗口大小内每个纹理值的平均值和标准差。使用线性回归模型评估了图像纹理和平均鸟类物种丰富度之间的关系。单一图像纹理测量（例如标准差）可以描述物种丰富度高达 57% 的变异性。结合多种纹理测量或将海拔与单一纹理测量相结合可以描述鸟类物种丰富度高达 63% 的变异性。结合两种纹理测量和粗糙栖息地类型的模型可以描述鸟类物种丰富度 76% 的变异性。这些结果表明，图像纹理分析是一种非常有前途的工具，可用于描述半干旱生态系统的栖息地结构和预测物种丰富度模式。与依赖分类图像的方法相比，该方法具有多项优势，包括成本效益、纳入栖息地内植被变异性以及消除与边界划分相关的错误。© 2006 Elsevier Inc. 保留所有权利。
基于机器学习的高分辨率土壤水分映射和时空分析：MLHRSM包装
摘要：土壤水分是关键的环境变量。缺乏软件来促进非专家在估算和分析领域的土壤水分时。本研究提出了一个新的开源R包MHRSM，可用于生成基于机器学习的高分辨率（每天30至500 m，每天到每月）土壤水分图和在0-5 cm和0-1 m的连续美国所选地点的不确定性估计。该模型基于分位数随机森林算法，集成了原位土壤传感器，卫星来源的土地表面参数（植被，地形和土壤），以及基于卫星的表面和根Zone土壤水分的卫星模型。它还提供了用于生成土壤水分图的空间和时间分析的功能。提供了一个案例研究，以证明每天在70 ha农作物领域每天生成30 m至每周土壤水分图的功能，然后进行空间 - 周期分析。