XiaoMi-AI文件搜索系统
World File Search System变换器
使用粗到精视觉变换器进行仿射医学图像配准
仿射配准在全面的医学图像配准流程中不可或缺。然而，只有少数研究关注快速而鲁棒的仿射配准算法。这些研究中大多数利用卷积神经网络（CNN）来学习联合仿射和非参数配准，而对仿射子网络的独立性能探索较少。此外，现有的基于 CNN 的仿射配准方法要么关注局部错位，要么关注输入的全局方向和位置来预测仿射变换矩阵，这些方法对空间初始化很敏感，并且除了训练数据集之外表现出有限的通用性。在本文中，我们提出了一种快速而鲁棒的基于学习的算法，即粗到精视觉变换器（C2FViT），用于 3D 仿射医学图像配准。我们的方法自然地利用了卷积视觉变换器的全局连通性和局部性以及多分辨率策略来学习全局仿射配准。我们对 3D 脑图谱配准和模板匹配归一化方法进行了评估。综合结果表明，我们的方法在配准精度、稳健性和通用性方面优于现有的基于 CNN 的仿射配准方法，同时保留了基于学习的方法的运行时优势。源代码可在 https://github.com/cwmok/C2FViT 上找到。
高压低功耗集成直流变换器拓扑结构...
• 最大磁通密度：变压器尺寸和损耗对于满足规格至关重要。对于此标准，根据施加在初级侧的最大伏秒来评估最大磁通密度 B MAX。变压器内部的磁芯损耗与此参数直接相关，因此会影响变压器的设计（几何形状、磁芯材料等）。 • 电气应力：为了管理高输入电压，功率级需要高压功率开关。某些结构可以帮助降低施加在功率开关上的电压应力。它可以减小它们的尺寸并提高它们的性能，因为在硅集成环境中，没有多少功率开关可以承受 1 kV。 • ZVS：某些拓扑结构支持 ZVS（零电压开关）操作，可以减少开关损耗，这对于高压来说非常重要。然而，这种模式需要特别注意功率级的命令。 • 复杂性：为了减小功率级尺寸，一种选择是减少所需的组件数量及其尺寸。如果变压器尺寸已经由第一个标准描述，那么开关（MOSFET、二极管）、电容器等的数量也是功率级在电路板上所占空间的指示。这些元件的值和额定电压当然会影响它们的尺寸，也可以指示将它们集成到芯片中的可能性。• 其他标准也很重要，如启动、反馈回路、稳定性方法等，但这里不予考虑。
EEG-Deformer：用于脑机接口的密集卷积变换器
摘要 — 有效学习脑电图 (EEG) 信号中的时间动态具有挑战性，但对于使用脑机接口 (BCI) 解码大脑活动至关重要。尽管 Transformers 因其长期顺序学习能力在 BCI 领域广受欢迎，但大多数将 Transformers 与卷积神经网络 (CNN) 相结合的方法都无法捕捉 EEG 信号从粗到细的时间动态。为了克服这一限制，我们引入了 EEG-Deformer，它将两个主要的新组件合并到 CNN-Transformer 中：(1) 分层粗到细 Transformer (HCT) 块，将细粒度时间学习 (FTL) 分支集成到 Transformers 中，有效辨别从粗到细的时间模式；(2) 密集信息净化 (DIP) 模块，利用多级、净化的时间信息来提高解码准确性。对三项代表性认知任务（认知注意力、驾驶疲劳和心理负荷检测）进行的全面实验一致证实了我们提出的 EEG-Deformer 的通用性，表明它的表现优于或与现有的最先进方法相当。可视化结果表明，EEG-Deformer 从神经生理学上有意义的大脑区域学习相应的认知任务。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 找到。
可再生能源并网电力变换器的运行与控制
关于 NIT Warangal：瓦朗加尔国家技术学院 (NITW) 前身为 RECW，是 1959 年成立的十七所 REC 中的第一所。多年来，学院已经成为一所提供高标准技术教育的领先机构，提供科学和工程各个专业的 B.Tech、M.Tech 和 Ph.D. 课程。学院下设 14 个院系，提供 8 个本科生课程和 31 个研究生课程，还有博士课程。学院为全住宅校园，占地 250 多英亩，基础设施优良。瓦朗加尔国家技术学院校园距离 Kazipet 火车站 2 公里，距离 Warangal 火车站 12 公里。关于 Warangal：瓦朗加尔以其丰富的历史和文化遗产而闻名。它距离州首府海得拉巴（最近的机场）140 公里。瓦朗加尔的铁路和公路交通十分便利。这里是前卡卡蒂亚第五王朝的首都。这里是一处旅游景点，拥有许多历史古迹，如千柱寺、瓦朗加尔堡、巴德拉卡利寺、拉玛帕寺和拉克纳瓦拉姆湖。电气工程系
通用桥式AC/DC变换器的研究与分析...
本文研究并分析了 SIMULIK 环境下基于绝缘栅双极晶体管 (IGBT) 和脉冲宽度调制 (PWM) 技术的通用桥式转换器。为了实现三相 AC/DC 转换器的 PWM 控制器，研究并开发了空间矢量调制的基础。这种转换在许多有源条件下的有效进展取决于所应用的方法。所提出的程序方法的强大之处在于本文所检查的电流失真和开关频率。脉冲宽度第一周期部分的离线计算取决于并将这些数据保存在特定表中。对于所有周期寿命，由于存在四分之一波和半波可靠性的情况，因此残余脉冲是基于初始四分之一周期的值创建的。模拟设计的结果显示微控制器时间和内存增加显著节省，这将支持所有转换器任务。
基于新能源发电改进型移相全桥变换器研究
中图分类号 ： TM561 Analysis of Improved Phase-shift Full-bridge Converter for New Energy Generation ZENG Zhihui 1, 2 LIU Yunpeng 1, 2 ZHANG Linmei 1, 2 YANG Ming 1, 2
用于 3D 血管形状分割的多尺度知识转移视觉变换器
为了促进从体内磁共振成像 (MRI) 中进行稳健和精确的 3D 血管形状提取和量化，本文提出了一种新型的多尺度知识转移视觉变换器 (即 KT-ViT) 用于 3D 血管形状分割。首先，它以独特的方式在 U-net 架构中将卷积嵌入与变换器相结合，该架构同时以多尺度方式使用卷积层响应局部感受野和使用变换器编码器响应全局上下文。因此，它本质上丰富了局部血管特征，同时促进了全局连通性和连续性，从而实现更准确、可靠的血管形状分割。此外，为了能够使用相对低分辨率 (LR) 的图像来分割细尺度血管形状，设计了一种新颖的知识转移网络来探索数据的相互依赖性，并通过集成多级损失函数，将从高分辨率 (HR) 数据中获得的知识自动转移到多个级别的低分辨率处理网络，包括多尺度特征级和决策级。 HR 图像变换器网络所具有的精细血管形状数据分布建模能力可以转移到 LR 图像变换器，以增强其对精细血管形状分割的知识。在公共图像数据集上的大量实验结果表明，我们的方法优于所有其他最先进的深度学习方法。
Quasar-ViT：面向硬件的视觉变换器量化感知架构搜索
视觉转换器 (ViT) 已证明其在计算机视觉任务中比卷积神经网络 (CNN) 具有更高的精度。然而，为了在资源有限的边缘设备上有效部署，ViT 模型通常需要大量计算。这项工作提出了 Quasar-ViT，一种面向硬件的量化感知 ViT 架构搜索框架，以设计用于硬件实现的高效 ViT 模型，同时保持精度。首先，Quasar-ViT 使用我们的逐行灵活混合精度量化方案、混合精度权重纠缠和超网层缩放技术来训练超网。然后，它应用一种高效的面向硬件的搜索算法，结合硬件延迟和资源建模，从不同推理延迟目标下的超网中确定一系列最佳子网。最后，我们提出了一系列 FPGA 平台上的模型自适应设计，以支持架构搜索并缩小理论计算减少和实际推理加速之间的差距。我们搜索到的模型在 AMD/Xilinx ZCU102 FPGA 上分别实现了 101.5、159.6 和 251.6 帧每秒 (FPS) 的推理速度，对于 ImageNet 数据集的 top-1 准确率分别达到 80.4%、78.6% 和 74.9%，始终优于之前的研究。
统一卷积稀疏变换器用于脑电图原始数据的疾病诊断、监测、药物开发和治疗效果预测
简单总结：脑电图为大脑活动提供了宝贵的见解，具有多种医疗用途，包括诊断、监测、药物发现和治疗评估。我们提出了一种人工智能模型，该模型经过独特优化，通过直接处理原始数据来分析脑电图信号。该模型通过空间通道注意和稀疏变压器编码等专用组件捕获脑电图中复杂的空间和时间模式。经过广泛评估，我们的模型在检测脑部疾病和分类精神药物方面表现出很高的准确性。通过自动学习原始脑电图数据的表示，它可以很好地适应疾病、受试者和任务。该模型的端到端学习能力和任务多功能性构成了一个强大且广泛适用的自动脑电图分析解决方案。我们相信它有潜力显著推进基于脑电图的诊断和个性化医疗。
利用虚拟密集连接提升视觉变换器的对抗性迁移能力
随着视觉变换器 (ViT) 的巨大成就，基于变换器的方法已成为解决各种计算机视觉任务的新范式。然而，最近的研究表明，与卷积神经网络 (CNN) 类似，ViT 仍然容易受到对抗性攻击。为了探索不同结构模型的共同缺陷，研究人员开始分析跨结构对抗性迁移能力，而这方面仍未得到充分研究。因此，在本文中，我们专注于 ViT 攻击，以提高基于变换器和基于卷积的模型之间的跨结构迁移能力。先前的研究未能彻底调查 ViT 模型内部组件对对抗性迁移能力的影响，导致性能较差。为了克服这个缺点，我们开展了一项激励研究，通过线性缩小 ViT 模型内部组件的梯度来分析它们对对抗性迁移能力的影响。基于这项激励研究，我们发现跳跃连接的梯度对迁移能力的影响最大，并相信来自更深块的反向传播梯度可以增强迁移能力。因此，我们提出了虚拟密集连接方法（VDC）。具体来说，在不改变前向传播的情况下，我们首先重构原始网络以添加虚拟密集连接。然后，在生成对抗样本时，我们通过虚拟密集连接反向传播更深层注意力图和多层感知器（MLP）块的梯度。大量实验证实了我们提出的方法优于最先进的基线方法，ViT模型之间的可迁移性提高了8.2%，从ViT到CNN的跨结构可迁移性提高了7.2%。