• 一种具有小型斯格米翁在常温下原子定制的手性磁体。

    创造自然界不存在的材料可以引领科技领域取得突破性进展。磁性斯格米翁是拓扑激发,在低功耗、超高密度存储等方面具有极高的潜力应用,因此受到了广泛的关注。目前最大的挑战之一是寻找符合小斯格米翁在室温下稳定的双重要求的材料。本研究通过利用原子层分子束外延(MBE)技术在远离热平衡的条件下,开发出具有过量铁的外延FeGe薄膜,实现了这两个目标的交叉。我们的新型原子层设计使得20%过量的铁能够加入其中,并且保持了非中心对称的晶体结构,在理论计算中支持斯格米翁的稳定性。我们发现居里温度高于室温,并且通过拓扑霍尔效应测量表明,由洛伦兹透射电子显微镜(LTEM)和磁力显微镜(MFM)成像,探测到的斯格米翁尺寸小至15纳米。我们的研究结果为开创在原子尺度上定制人工材料的新途径提供了重要的启示。 Creating materials that do not exist in nature can lead to breakthroughs in science and technology. Magnetic skyrmions are topological excitations that have attracted great attention recently for their potential applications in low power, ultrahigh density memory. A major challenge has been to find materials that meet the dual requirement of small skyrmions stable […]

  • 更新版本:基于外观-运动语义表示一致性的视频异常检测框架。

    视频异常检测是一项必要但具有挑战性的任务。目前普遍采用的方法主要研究正常和异常模式之间的重建差异,但忽略了行为模式的外观和动作信息之间的语义一致性,导致结果高度依赖于帧序列的局部上下文,缺乏对行为语义的理解。为解决这个问题,我们提出了一种“外观-动作语义表示一致性”框架,利用正常和异常数据之间的外观和动作语义表示一致性差异。设计了两个流结构,以编码正常样本的外观和动作信息表示,并提出了一种新的一致性损失,以增强特征语义的一致性,从而可以识别低一致性的异常。此外,异常的较低一致性特征可以用于恶化预测帧的质量,从而更容易发现异常。实验结果证明了所提出方法的有效性。 Video anomaly detection is an essential but challenging task. The prevalent methods mainly investigate the reconstruction difference between normal and abnormal patterns but ignore the semantics consistency between appearance and motion information of behavior patterns, making the results highly dependent on the local context of frame sequences and lacking the understanding of behavior semantics. […]

  • 使用小型数据集进行视网膜图像分割

    许多眼疾,如糖尿病性黄斑水肿(DME)、年龄相关性黄斑退化(AMD)和青光眼等首现于视网膜处, 可以导致不可逆转的失明或严重损害中心视觉。光学相干断层扫描(OCT)是对视网膜进行3D扫描的一种方法,可以提供高质量关于视网膜形态的信息,可用于诊断和监测视网膜解剖学的变化。许多深度学习方法已经在开发自动化工具方面取得了成功,用于监测视网膜的病理变化。然而,这些方法的成功主要取决于大数据集。为了应对极小和有限的数据集方面的挑战,我们提出了一种称为”相干网络”(CoNet)的深度学习架构,用于联合分割视网膜OCT图像中的层数和液体,适用于非常小的数据集(少于一百个训练样本)。所提出的模型在公开可用的杜克DME数据集上进行了评估,该数据集由10个患有DME的患者的110个B-扫描组成。实验结果表明,所提出的模型在没有任何数据增强的情况下,训练了55个图像,平均Dice分数为88%,优于人类专家注释和当前最先进的架构。 Many eye diseases like Diabetic Macular Edema (DME), Age-related Macular Degeneration (AMD), and Glaucoma manifest in the retina, can cause irreversible blindness or severely impair the central version. The Optical Coherence Tomography (OCT), a 3D scan of the retina with high qualitative information about the retinal morphology, can be used to diagnose and […]

  • 合成伪异常用于无监督视频异常检测:基于掩蔽自编码器的简单而有效的框架。

    由于反常样本训练的可用性有限,视频异常检测通常被视为一类分类问题。许多普遍方法研究自动编码器(AEs)产生的重建差异,在假设AEs能够很好地重建正常数据的情况下往往能够较差地重建异样数据。然而,即使只有正常数据进行训练,AEs通常也能够很好地重建异常数据,这会降低它们的异常检测性能。为了缓解这个问题,我们提出了一个简单但有效的视频异常检测框架。引入了伪异常样本,这些样本仅通过嵌入随机掩蔽令牌而不需要额外数据处理即可从正常数据中合成出来。我们还提出了一种正常性一致性训练策略,鼓励AEs更好地学习正常和相应的伪异常数据中的常规知识。这样,AEs学习到更明显的正常和异常数据重建边界,从而具有卓越的异常判别能力。实验结果证明了所提出方法的有效性。 Due to the limited availability of anomalous samples for training, video anomaly detection is commonly viewed as a one-class classification problem. Many prevalent methods investigate the reconstruction difference produced by AutoEncoders (AEs) under the assumption that the AEs would reconstruct the normal data well while reconstructing anomalies poorly. However, even with only normal data […]

  • 阈值滞后方法用于从磁共振血管成像中分割脑血管。

    磁共振成像(MRI)中神经血管分割是一个开放问题,可以通过深度学习(DL)来解决,然而,由于缺乏标注数据进行训练,因此开发经典分割方法可以从磁共振血管造影中生成血管真实值以进行跨多种模态的分割训练的DL。该方法结合了大小特定的海森过滤器、迟滞阈值和连通分量校正。通过一个医师对24个三维图像的盲评分,评估了处理步骤的最优选择。结果表明,所有方法步骤都是必要的才能产生最高(14.2/15)的血管分割质量得分。省略连通分量校正会导致最大的质量损失。该方法可在GitHub上使用,用于训练血管分割的DL模型。 Segmentation of cerebral blood vessels from Magnetic Resonance Imaging (MRI) is an open problem that could be solved with deep learning (DL). However, annotated data for training is often scarce. Due to the absence of open-source tools, we aim to develop a classical segmentation method that generates vessel ground truth from Magnetic Resonance Angiography […]

  • SrRuO3材料的挑战:从传统到量子电子学

    需要更快、更微型化的电子学正在挑战科学家开发新形式的电子学,这些电子学是基于电子电荷不同的量子自由度。在这个快速发展的领域中,通常称为量子电子学,金属氧化物钙钛矿SrRuO3由于其多样的物理性质而可以扮演重要角色,这些性质已经得到了广泛的研究,大多数是针对传统电子学的。除了具有化学稳定性、易于制造高质量,并可外延生长到许多氧化物上 – 这些都是传统电子学中所需的理想特性 – SrRuO3对量子电子学也具有有趣的性质,如漂泊铁磁性和金属性行为、磁各向异性和自旋轨道耦合之间强烈的关联、应变可调磁化、反常霍尔和贝瑞效应。在这个研究更新中,我们描述了在SrRuO3中自旋、轨道、晶格和拓扑量子自由度之间相互作用所产生的主要现象,讨论了实现对这些现象的控制尚未解决的挑战。然后,我们提供了关于SrRuO3最有前途的传统和量子电子学设备的展望。我们提出了新的设备配置,并讨论了实现它们所需的材料挑战。对于传统电子学,我们单独选择SrRuO3设备可以带来竞争优势的应用。对于量子电子学,我们提出了可以帮助深入了解在SrRuO3中的量子效应并利用它们用于量子技术的设备。最后,我们展望了SrRuO3的特性,还有待发现以及可由此产生的应用。 The need for faster and more miniaturised electronics is challenging scientists to develop novel forms of electronics based on quantum degrees of freedom different from electron charge. In this fast-developing field, often referred to as quantum electronics, the metal-oxide perovskite SrRuO3 can play an important role thanks to its diverse […]

  • 多级记忆增强的外观-动作对应框架用于视频异常检测。

    基于AutoEncoder的帧预测在无监督视频异常检测中扮演着重要角色。理想情况下,对于正常数据训练的模型应该能够生成更大的异常预测误差。然而,外观和运动信息之间的相关性未被充分利用,使得模型缺乏对正常模式的理解。此外,由于深度AutoEncoder的无法控制的泛化能力,这些模型也不能很好地工作。为了解决这些问题,我们提出了一个多级记忆辅助外观运动对应框架。通过外观-运动语义对齐和语义替换训练来探索外观和运动之间的潜在关联。此外,我们还引入了一个记忆引导抑制模块,利用与正常原型特征的差异来抑制由跳跃连接引起的重建能力,实现正常数据良好重建和异常数据恶劣重建之间的权衡。实验结果表明,我们的框架优于最先进的方法,在UCSD Ped2、CUHK Avenue和ShanghaiTech数据集上取得了99.6\%、93.8\%和76.3\%的AUC。 Frame prediction based on AutoEncoder plays a significant role in unsupervised video anomaly detection. Ideally, the models trained on the normal data could generate larger prediction errors of anomalies. However, the correlation between appearance and motion information is underutilized, which makes the models lack an understanding of normal patterns. Moreover, the models […]

  • 路铱聚氢化物的超导性在70 K以上被实验发现。

    通过实验发现,具有填满f壳层的镥的多氢化物是高温超导体。使用钻石压力枪联合原位高压激光加热技术成功地在高压高温条件下合成了镥多氢化物。在合成的相同压力下,通过温度的变化进行了电阻测量,以研究它的超导转变(SC)。实验中在最高压力218 GPa下观察到了最大起始温度(Tc)为71 K的超导转变。当压力降至181 GPa时,Tc降至65 K。通过对施加磁场时SC演变的研究,得出在零温度下的上临界磁场u0Hc2(0)约为36特斯拉。原位高压X射线衍射实验表明,高Tc的SC应该来自Pm3-n of Lu4H23相形成的一种新型氢笼框架,不同于之前报道的稀土多氢化物超导体。 The polyhydride of lutetium with f shell full filled was experimentally found to be high temperature superconductor. The lutetium polyhydride was successfully synthesized at high pressure and high temperature conditions by a diamond anvil cell apparatus in combinations with in-situ high pressure laser heating technique. The resistance measurements […]

  • SLCA:针对预训练模型的分类器对齐的缓慢学习的持续学习

    持续学习的目标是在学习逐步到达的数据时提高识别模型的性能。虽然大多数现有的工作都是在从头开始学习的前提下建立的,但越来越多的努力已经致力于整合预训练的好处。然而,如何在保持其一般性的同时适应地利用每个增量任务的预训练知识仍然是一个开放的问题。在这项工作中,我们对预训练模型(CLPM)上的持续学习进行了广泛的分析,并将关键挑战归因于逐步的过拟合问题。观察到在表示层有选择地降低学习率几乎可以解决这个问题,我们提出了一种简单但极其有效的方法,名为缓慢学习器与分类器对齐(SLCA),通过建模类别分布和后处理方式对齐分类层,进一步提高了分类层。在各种场景下,我们的提议为CLPM提供了实质性的改进(例如,在Split CIFAR-100、Split ImageNet-R、Split CUB-200和Split Cars-196上分别提高了49.76%、50.05%、44.69%和40.16%),因此大大优于最先进的方法。基于这样一个强大的基线,我们深入分析了关键因素和有前途的方向,以促进后续研究。 The goal of continual learning is to improve the performance of recognition models in learning sequentially arrived data. Although most existing works are established on the premise of learning from scratch, growing efforts have been devoted to incorporating the benefits of pre-training. However, how to adaptively exploit the pre-trained knowledge […]

  • R-Tuning: 在开放性场景下的正则化提示调整

    在现实的开放式场景中,部分测试数据的标签完全未知,当前的视觉语言(VL)模型上的提示方法总是将未知的类别预测为下游训练类别。所展示的标签偏差导致了开放式识别(OSR)的困难,其中图像应正确地预测为已知类别或未知类别之一。为了在开放式场景中学习提示,我们提出了规则化提示调整(R-Tuning)以减轻标签偏差。它从WordNet中引入开放词,以扩展仅包含闭合集标签词的提示文本所形成的词汇范围,以便在模拟开放式情况下进行提示调整。此外,受到在大型数据集上直接分类比在小型数据集上造成更高的误报率的观察启发,我们提出了组合调整和测试(CTT)策略来提高性能。CTT将R-Tuning在大型数据集上分解为多个相互独立的小组调整,然后通过选择最优子提示来进行全面预测。为了公平比较,我们根据VL模型构建了针对OSR的新基线,特别是针对提示法。我们的方法在各种规模的数据集上实现了最佳结果。广泛的消融研究验证了我们方法的有效性。 In realistic open-set scenarios where labels of a part of testing data are totally unknown, current prompt methods on vision-language (VL) models always predict the unknown classes as the downstream training classes. The exhibited label bias causes difficulty in the open set recognition (OSR), by which an image should be correctly predicted as one […]

Got any book recommendations?