XiaoMi-AI文件搜索系统
World File Search System变压器
使用基于变压器的解码器和验证的Vocoder
摘要。这项研究描述了在想象的语音期间来自电皮质图（ECOG）的语音合成。，尽管使用基于变压器的解码器和预验证的Vocoder，我们的目标是产生高质量的音频。具体来说，我们使用了预训练的神经声码编码器Parallel Wavegan，将Transformer Decoder转换为对Log-Mel频谱图的输出，后者是在ECOG信号上训练的，将其转换为高质量的音频信号。在我们的实验中，使用来自13名参与者的ECOG信号，想象中的语音的综合语音实现了动态时间巡航（DTW）Pearson相关性，范围从0.85到0.95。这种高质量的语音合成可以归因于变压器解码器准确地重建高保真日志频谱图的能力，这证明了其在处理有限训练数据时的有效性。
PersonVit：重新识别的大规模自我监督的视觉变压器
人重新识别（REID）旨在在非重叠的摄像机图像中检索相关的人，并且在公共安全领域具有广泛的应用。近年来，随着视觉变压器（VIT）和自我监督的学习技术的发展，基于自我监督的预训练的人的REID的表现得到了极大的改善。人Reid需要提取人体的高度歧视性局部细粒度特征，而传统的VIT则擅长提取与上下文相关的全球特征，从而难以专注于当地的人体特征。为此，本文介绍了最近出现的掩盖图像建模（MIM）自制的学习方法，并通过将掩盖的图像建模和歧视性的损坏性学习和进行训练的人进行训练的任务来有效地提取高质量的全球和本地特征。此人的特征提取方法基于VIT，具有掩盖图像建模（PersonVit）具有无关，可扩展性和强大的概括能力的良好特征，克服了受监督人员REID中难以注释的问题，并在包括MSMT17，Market1501，dukem-comp的公共可用基础数据集中实现了最先进的结果。PersonVit方法的代码和预培训模型将在https://github.com/hustvl/personvit上发布，以促进REID领域的进一步研究。
引用：Alireza Heidari。 LLPS阳性DNA/RNA设计的生成变压器模型。医学和临床病例报告杂志1（7）。
引用：Alireza Heidari。LLPS阳性DNA/RNA设计的生成变压器模型。医学和临床病例报告杂志1（7）。https://doi.org/10.61615/jmccr/2024/aug027140810
基于变压器的视觉分割：调查
摘要 - 视觉细分试图将图像，视频帧或点云分段分为多个段或组。该技术具有许多现实世界的应用，例如自动驾驶，图像编辑，机器人传感和医学分析。在过去的十年中，基于深度学习的方法在这一领域取得了显着的进步。最近，Transformers是一种基于最初为自然语言处理的自我注意力的一种神经网络，在各种视觉处理任务中已经超过了以前的卷积或经常性方法。具体来说，视觉变压器为各种细分任务提供了强大，统一甚至更简单的解决方案。本调查提供了基于变压器的视觉细分的详细概述，总结了最近的进步。我们首先审查背景，包括问题定义，数据集和先前的卷积方法。接下来，我们总结了一个统一所有基于变压器的方法的元结构结构。基于此元结构结构，我们检查了各种方法设计，包括对元结构和相关应用程序的修改。我们还提供了几个特定的子字段，包括3D点云进行分割，基础模型调整，域感知分割，有效的分割和医疗分割。此外，我们在几个公认的数据集上编译并重新评估了所审核的方法。最后，我们确定了这一领域的公开挑战，并提出了未来研究的方向。项目页面可以在https://github.com/lxtgh/aweshy-sementation-with-transformer上找到。
TC – radar：用于毫米波雷达对象检测的变压器– CNN混合网络
摘要：在智能运输中，辅助驾驶取决于来自各种传感器的数据集成，尤其是LiDAR和相机。但是，它们的光学性能会在不利的天气条件下降低，并可能损害车辆安全性。毫米波雷达可以更经济地克服这些问题，并得到了重新评估。尽管如此，由于噪声干扰严重和语义信息有限，开发准确的检测模型是具有挑战性的。为了应对这些实际挑战，本文提出了TC – radar模型，这是一种新颖的方法，该方法协同整合了变压器的优势和卷积神经网络（CNN），以优化智能运输系统中毫米波雷达的传感潜力。这种集成的基本原理在于CNN的互补性质，该性质擅长捕获局部空间特征和变形金刚，这些特征在数据中擅长建模长距离依赖性和数据中的全局上下文。这种混合方法允许对雷达信号的更强大和准确的表示，从而提高了检测性能。我们方法的关键创新是引入交叉注意（CA）模块，该模块有助于网络的编码器和解码器阶段之间的高效和动态信息交换。此CA机制可确保准确捕获和传输关键特征，从而显着提高整体网络性能。此外，该模型还包含密集的信息融合块（DIFB），以通过整合不同的高频局部特征来进一步丰富特征表示。此集成过程确保了关键数据点的彻底合并。在Cruw和Carrada数据集上进行的广泛测试验证了该方法的优势，模型的平均精度（AP）为83.99％，平均相交（MIOU）的平均交点为45.2％，表明了鲁棒的雷达感应功能。
SM91872AL BMS变压器
其数据表中列出的Bourns®产品的特征和参数是基于实验室条件，并且有关产品适用于某些类型应用程序的陈述是基于Bourns对通用应用中典型要求的了解。用户应用程序中Bourns®产品的特性和参数可能因（i）Bourns®产品与用户应用程序中其他组件的组合而变化，或者（II）用户应用程序本身的环境。Bourns®产品的特性和参数在不同的应用中也可以并且确实有所不同，并且实际性能可能会随着时间而变化。用户应始终在其特定设备和应用程序中验证Bourns®产品的实际性能，并就其在其设备或应用中设计的额外测试保证金的数量做出独立的判断，以补偿实验室和现实世界中的差异。
swin-fake：一致性学习变压器的深击视频检测器
摘要：DeepFake已成为一项新兴技术，近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型（例如Xception Network）来区分真实或假媒体；但是，它们在交叉数据集中的表现并不理想，因为它们在当前阶段遭受过度的苦难。因此，本文提出了一种空间一致性学习方法，以三个方面缓解此问题。首先，我们将数据增强方法的选择提高到5，这比我们以前的研究的数据增强方法还多。具体来说，我们捕获了一个视频的几个相等的视频帧，并随机选择了五个不同的数据增强，以获取不同的数据视图以丰富输入品种。其次，我们选择了Swin Transformer作为特征提取器，而不是基于CNN的主链，这意味着我们的方法并未将其用于下游任务，并且可以使用端到端的SWIN变压器对这些数据进行编码，旨在了解不同图像补丁之间的相关性。最后，这与我们的研究中的一致性学习结合在一起，一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失，从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明，弹药效果可能会在某些开源的深层数据集中产生相对良好的结果，包括FaceForensics ++，DFDC，Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较，我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
用视觉变压器网络射击板球击球击球射击
在应用于板球分析的计算机视觉领域中，分类击球镜头带来了巨大的挑战，要求细微的理解和分类。板球投篮的分类至关重要，因为它使玩家有效地评估，适应和执行他们的游戏计划，从而塑造比赛的结果。本文介绍了板球击球照片图像数据集（CBSID），这是一个新的基准数据集，其中包含2160个精心注释的板球镜头图像，这些板球拍摄了七个不同的类别。这项研究的核心目标是开发一个能够有效分类图像中板球击球的强大系统。为了解决这个问题，我们提出了一种基于视觉变压器的微调模型，专门适用于板球射击分类，称为板球击球射击视觉变压器（Shot-Vit）。我们提出的方法证明了出色的性能，在CBSID上实现了92.58％的验证精度。shot-Vit在板球射击分类精度中明显胜过建立的模型，例如VGG19，resnet50，i-alexnet和fit_b32，展示了视觉变压器在超过现有的深度学习体系结构方面的显着功能。视觉变压器具有通过自我注意的机制来捕获图像中的全球环境和远程依赖性的能力，从而实现了有效的特征提取和表示，传统模型可能难以实现。板球击球的准确分类对板球教练，球员发展和比赛分析具有深远的影响。它有可能改变培训方法，为球员和教练提供对击球技巧和策略的精确见解，从而为这项运动的整体进步做出了贡献。
lemevit：具有可学习的元代币的有效视觉变压器用于遥感图像解释
由于遥感中的空间冗余，含有丰富信息的稀疏令牌通常参与自我注意事项（SA），以减少计算中的总体令牌数量，从而避免VI-Sion变形金刚中的高计算成本问题。但是，这种方法通常通过手工制作或平行不友好的设计获得稀疏的令牌，从而提出了挑战，以在效率和性能之间达到更好的平衡。与它们不同，本文建议使用可学习的元代币来制定稀疏令牌，这些代币有效地学习了关键信息，同时提高了推理速度。从技术上讲，元代币首先是通过跨注意力从图像令牌初始初始化的。然后，我们提出双重交叉注意（DCA），以促进图像令牌和元代币之间的信息交换，在该图像令牌和元代币之间，它们在双分支结构中作为查询和钥匙（值）代币，可显着降低与自我注意相比的计算复杂性。通过在早期阶段使用DCA，具有密集的视觉令牌，我们获得了具有各种尺寸的层次结构Lemevit。分类和密集的词典任务的结果表明，Lemevit具有显着性1。7×加速，更少的参数和竞争性能，并且在效率和性能之间取得了更好的权衡。该代码在https://github.com/vitae-transformer/lemevit上发布。
BMS 变压器/CMC
Taoglas 提供全系列 BMS 变压器和共模扼流圈，适用于需要串行端口安全隔离和 EMI 噪声抑制的储能系统。这些变压器专为电压差较大且需要组件间隔离的电池系统而设计。Taoglas BMS 变压器产品组合旨在用于高能效的现代车辆，例如 EV、HEV 和 PHEV。所有 Taoglas 零件均符合汽车应用的 AEC-Q200 要求。如需了解有关产品系列的更多信息或寻求集成帮助，请联系您所在地区的 Taoglas 客户支持团队。