XiaoMi-AI文件搜索系统
World File Search System校准
认可的校准实验室目录
1 Andhra Pradesh QA校准实验室，Larsen＆Toubro Limited Wefence Engineering，Vizag生产中心，Visakhapatnam船建筑物中心，Krishna Gate，Naval Base Post，Scindia Road，Visakhapatnam，Visakhapatnam，Andhra Pradesh- Andhra Pradesh- 530014
体育博彩的机器学习：模型选择是否应该基于准确性或校准？
体育博彩最近在美国的联邦合法化与机器学习的黄金时代相吻合。如果投注者可以利用数据来可靠地预测结果的概率，他们可以认识到博彩公司的赔率何时对其有利。作为体育博彩仅是美国一个数十亿美元的行业，因此确定这种机会可能非常有利可图。许多研究人员将机器学习应用于运动结果预测问题，通常使用准确性来评估预测模型的性能。我们假设对于运动博彩问题，模型校准比准确性更重要。为了检验这一假设，我们在几个季节中对NBA数据进行了训练，并在单个季节进行了投注实验，并使用已发表的赔率进行了培训。我们表明，使用校准而不是准确性，作为模型选择的基础会导致更大的回报（投资回报率为 + 34.69％对-35.17％）和最好的情况（ + 36.93％对 + 5.56％）。这些发现表明，对于体育博彩（或任何概率决策问题），校准比准确性更重要。希望增加利润的体育投篮者应基于校准而不是准确性选择其预测模型。
基于IMU的在线多灯校准
现代自主系统通常使用多个传感器进行感知。为了获得最佳性能，需要准确且可靠的外部校准。在这项研究中，我们提出了一种可靠的技术，用于对车辆上几个激光痛的外在校准，而无需进行探测率估计或纤维标记。首先，我们的方法通过将共同置于每个LiDAR的IMU的原始信号匹配，从而生成了对外部产品的初始猜测。然后在ICP和点云特征匹配中使用了此初始猜测，从而重新发现并验证了此估计值。此外，我们可以使用可观察性标准选择具有最高互信息的IMU测量值的子集，而不是比较所有读数。我们使用从Scania测试车中收集的数据成功验证了我们的方法。
多通道恒温金属槽校准系统设计
1 南京航空航天大学自动化系仪器科学与技术专业，江苏省南京市江宁区将军大道 29 号，211106，zhuoxiaobingling@sina.com 2 新疆维吾尔自治区计量测试研究院热工计量测试研究所，乌鲁木齐市河北街 258 号，830011，li_1221@sina.com，ykzhao2005@sina.com 3 新疆大学机电工程学院，新疆大学博多校区，新疆乌鲁木齐市水磨沟区华瑞街 777 号，830011，乌鲁木齐市，lilixiu_z@163.com 4 中国科学院大学微电子研究所，北京市海淀区邓庄南路 9 号， 100094，中国，zhouweihu@ime.ac.cn
cctr：校准不确定性的轨迹预测 -
自主驾驶系统依靠精确的轨迹前词进行安全有效的运动计划。尽管努力提高预测准确性，但由于数据噪声和不完整的观察，固有的不确定性仍然存在。许多策略需要将预测结果形式化为分布，并利用差异代表不明显。然而，我们的实验研究表明，现有的轨迹预测模型产生了不可靠的不可估计的估计，需要进行其他定制的核心过程。另一方面，直接将电流校准技术应用于预测输出可能会产生亚最佳结果，因为对所有预分解使用了通用缩放器并忽略了信息性的数据提示。在本文中，我们提出了使用调节器（CCTR）的定制校准温度，这是一个通用框架，可以校准外部分布。具体来说，CCTR 1）采用基于校准的正规器将输出差异与预测与地面真相之间的差异相一致，并且2）使用上下文和历史信息为每个预测提供了每个预测的量身定制的温度缩放器。涉及多种谓词和计划方法的广泛评估表明，CCTR比现有的校准算法和不确定性意识方法的优越性，校准质量的11％ - 22％的显着提高，运动计划的17％-46％。
定量MRI生物标志物用于临床上显着前列腺癌的分类：回波时间可重复性的校准
背景：限制频谱成像限制评分（RSIRS）是用于检测临床上显着前列腺癌（CSPCA）的定量生物标志物。但是，RSIR的定量值受到诸如Echo Time（TE）之类的成像参数的影响。目的：本研究的目的是开发一种校准方法来说明回声时间的差异，并促进将RSIR用作检测CSPCA的定量生物标志物。方法：这项研究包括197个经过MRI和活检检查的连续患者； 97被诊断为CSPCA（年级≥2）。rsi数据是三次获取的：在最小TE 〜75ms，一次在TE = 90ms（分别为Temin 1，Temin 2和TE90）时进行两次。对无CSPCA的患者进行了培训的一种拟议的校准方法，估计了RSI信号模型的四个扩散室（C）中的每个扩散室中的每个缩放系数（F）。确定了一个线性回归模型，将TE90的C映射与Temin 1的参考c映射匹配，范围为95 th thth
可减少用户校准负担的强大肌电模式识别方法：挑战和未来
肌电模式识别（MPR）已演变为一项广泛用于控制肌接口（MI）设备（如假肢和矫形机器人）的技术。当前的MIS不仅能够对假肢的多元自由控制，而且还具有消费电子产品的巨大潜力。但是，肌电信号的非平稳随机特征构成了挑战，从而在诸如电极移动和切换新用户之类的实际情况下导致性能退化。常规误差通常需要细致的校准，对用户造成重大负担。为解决校准过程中用户挫败感，研究人员致力于确定减轻这种负担的MPR方法。本文将基于数据分布变化和基于动态数据类别的校准负担负担的常见场景分类。然后进一步研究并总结了用于减轻用户校准负担的流行强大的MPR算法。我们将这些算法分为基于数据操纵，特征操纵和模型结构。并描述了每种方法适用的情况以及校准所需的条件。最后，本次审查以强大的MPR以及其余的挑战和未来的机会的优势结束。
校准：通过校准多个摄像头
摘要 - 使用面部视频的基于视频的心脏和呼吸率测量比传统的基于接触的传感器更有用和用户友好。但是，当前的大多数深度学习方法都需要地面真相脉冲和呼吸道波来进行模型训练，这很昂贵。在本文中，我们提出了校准Phys，这是一种基于视频的心脏和呼吸率测量方法，可以在多个相机之间校准。Calibibrationphys通过使用由多个相机同时捕获的面部视频来训练无监督标签的深度学习模型。对比度学习，以使使用多个摄像机通过同步视频预测的脉搏和呼吸波为正，而来自不同视频的脉冲和呼吸波为阴性。校准还通过数据增强技术提高了模型的鲁棒性，并成功利用了特定相机的预训练模型。利用两个数据集的实验结果表明，校准范围的表现优于先进的心脏和呼吸速率测量方法。由于我们仅使用来自多个相机的视频来优化摄像头模型，因此我们的方法使使用任意摄像机进行心脏和呼吸率测量很容易。
无需校准的在线测试时间自适应脑电图运动意象解码
摘要 — 脑机接口 (BCI) 为连接人脑和外部设备提供了一条有前途的途径，其解码能力取得了显著进步，这主要得益于日益复杂的技术，尤其是深度学习。然而，由于会话和受试者之间的分布变化，在现实场景中实现高精度仍然是一个挑战。在本文中，我们将探讨在线测试时间自适应 (OTTA) 的概念，以在推理时间内以无监督的方式持续调整模型。我们的方法通过消除在自适应过程中访问源数据的要求来保证隐私的保护。此外，OTTA 通过不需要任何会话或受试者特定的数据来实现无校准操作。我们将使用轻量级架构以及不同的 OTTA 技术（如对齐、自适应批量归一化和熵最小化）来研究脑电图 (EEG) 运动意象解码任务。我们检查了两个数据集和三个不同的数据设置以进行全面分析。我们的适应方法产生了最先进的结果，有可能促使 BCI 解码的迁移学习转向在线适应。索引术语 —BCI、深度学习、跨学科、迁移学习、运动意象、EEG、测试时间适应