XiaoMi-AI文件搜索系统
World File Search System检测算法
基于水下计算机视觉的视频溺水检测设备
抽象溺水是一个重要的公共健康问题。视频溺水检测算法是找到溺水受害者的有用工具。但是，溺水研究研究的三个挑战通常会遇到：缺乏实际的溺水视频数据，微妙的早期溺水特征以及缺乏实时时间。在本文中，作者提出了一个水下计算机视觉的溺水检测装置，该检测设备由嵌入式AI设备，相机和防水外壳组成，以解决上述问题。检测设备利用Jetson Nano的高性能计算通过在获得的水下视频流中提出的溺水检测算法实现溺水事件的实时检测。所提出的溺水检测算法主要由两个阶段组成：在第一步中，成功地解决了周围环境的干扰，并为视频溺水检测提供了值得信赖的基础，Yolov5N网络用于根据溺水者的特征来检测近事实的人体。在第二阶段，作者提出了一个基于深层高斯模型，用于快速特征向量检测。轻巧的DDN与高斯模型相结合，以检测高级语义特征的异常，该功能具有更高的鲁棒性，并解决了缺乏溺水视频的缺乏。实验结果表明，所提出的溺水检测算法具有良好的全面性能和实际应用值。
面向节能的视觉反馈控制...
如何节省无人机的能耗进而实现长距离运输是一项非常现实且艰巨的任务。然而对于无人机来说，经典的物体检测算法，例如基于深度卷积神经网络的物体检测算法和经典的飞行控制算法，例如基于PID的位置控制算法，都需要大量的能耗，限制了无人机系统的应用场景。针对这一问题，本文针对四旋翼缆绳悬挂有效载荷（QCSP）系统提出了一种轻量级的物体检测网络和线性自抗扰控制器（LADRC）来提高能耗效率。该系统采用YOLOV3网络并将其嵌入到Jesson NX移动平台中，可以精确检测目标位置。此外，采用缆绳悬挂结构的非线性速度控制器来控制有效载荷的速度，采用LADRC算法实现对有效载荷位置的快速准确控制。仿真与实飞实验表明，提出的目标检测算法和LADRC控制策略可以有效节省无人机的能源。
优化方法在动态环境中改善视觉猛击
是针对一个问题，即经典视觉大满贯系统的鲁棒性受到环境中动态目标特征点的极大影响，提出了一种使用目标检测算法来识别和消除动态目标特征点的方法。首先，使用目标检测算法yolov5识别收集的环境图像，然后选择周围环境。对象被识别为环境中的动态目标，然后将目标检测结果集成到视觉猛击前端的特征提取中，删除了提取图像特征点的动态目标部分的特征点，其余的静态特征点用于映射构造和定位，并在TUM DATA集合上进行测试。结果表明，在使用目标检测算法来消除动态特征点后，在高度动态的场景中，视觉SLAM系统的绝对轨迹误差的根平方误差将减少97.89％，从而有效提高了系统的定位准确性和鲁棒性。
AI 视觉，更早行动
内部测试结果 Nam JG, Park SG, et al.基于深度学习的胸部X光片恶性肺结节自动检测算法的开发与验证，放射学 2018 Hwang EJ, Park SG, et al.基于深度学习的胸部X光片主要胸部疾病自动检测算法的开发与验证，JAMA Network Open 2019 Hwang EJ, Park SG, et al.胸部X光片活动性肺结核的DLAD算法的开发与验证，临床传染病 2019 Lee JH, Park SG, et al.基于深度学习的胸部X光片上活动性肺结核自动检测算法：在无症状个体系统筛查中的诊断性能，欧洲放射学 2020 Hwang EJ 等。肺活检后气胸监测的深度学习算法：一项多中心诊断队列研究，欧洲放射学 2020 Jang SW 等。基于深度学习的减少胸部X光片上被忽视的肺癌的自动检测算法，放射学 2020 Hwang EJ 等。深度学习在急诊科胸部X光片诊断中的应用，放射学 2019 Kim JH 等。临床验证深度学习算法在急诊科急性发热性呼吸道疾病患者胸部 X 光片中检测肺炎的应用，《临床医学杂志》2020 Hwang EJ 等人。实施基于深度学习的计算机辅助检测系统，用于解读疑似 COVID-19 患者的胸部 X 光片，《韩国放射学杂志》2020
空间常见目标检测公共数据集
摘要 基于监督学习的目标检测算法是当前目标检测的主流算法，高质量的数据集是目标检测算法获得良好检测性能的前提，数据集的数量和质量越大，模型的泛化能力越强，也就是说数据集决定了模型学习的上限。卷积神经网络以强监督的方式优化网络参数，通过比较预测帧与人工标注的真实帧来计算误差，然后将误差传入网络进行不断优化。强监督学习主要依靠大量图像作为模型进行不断学习，因此图像的数量和质量直接影响学习的结果。本文提出了一个用于检测空间中常见目标的数据集STAR-24K（即超过24000幅图像的空间目标识别数据集）。由于目前没有公开可用的空间目标检测数据集，我们从 NASA（美国国家航空航天局）和 ESA（欧洲航天局）官方网站发布的图片和视频等一系列渠道中提取了一些图片，并将其扩展到 24,451 张图片。我们对流行的物体检测算法进行了评估以建立基准。我们的 STAR-24K 数据集在 https://github.com/Zzz-zcy/STAR-24K 上公开。关键词：公开数据集、空间目标检测、深度学习、计算机视觉。
具有参数化量子电路的长寿命颗粒异常检测
摘要：我们研究了将量子机学习技术应用于数据分析的可能性，特别是关于高能物理学中有趣的用例。我们根据参数化的量子电路提出了一种异常检测算法。该算法在古典计算机上进行了培训，并通过模拟以及实际量子硬件进行了测试。使用IBM量子计算机对NISQ设备进行测试。为了执行量子硬件，设计和实现了特定的硬件驱动的改编。量子异常检测算法能够检测到简单异常，例如手写数字中的不同字符以及更复杂的结构，例如由粒子检测器中的异常模式，这是由在碰撞器实验中产生的长寿命颗粒产物产生的粒子探测器。对于高能物理应用程序，仅在模拟中估算了性能，因为量子电路不够简单，无法在可用的量子硬件平台上执行。这项工作表明可以使用量子算法进行异常检测。但是，由于该任务需要对经典数据的振幅编码，因此由于可用的量子硬件平台中的噪声水平，当前的实现无法胜过基于深神经网络的经典典型异常检测算法。
改进的低地球轨道遥测数据处理方法...
Ashley Carlton、Rachel Morgan、Whitney Lohmeyer 和 Kerri Cahoy，“遥测故障检测算法：航天器监测和空间环境传感的应用”，《航空信息系统杂志》第 15 卷，第 5 期，2018 年 5 月，第239-252 页。
使用规范化互信息特征选择和并行量子遗传算法进行入侵检测
针对入侵检测系统（IDS）检测速度慢、自适应性差、检测准确率不高等问题，提出一种基于自适应并行量子遗传算法的正则化互信息特征选择与多算子协同进化的检测算法（NMIFS MOP-AQGA）。为了对高维特征数据进行有效约简，采用NMIFS方法选择最佳特征组合，将最佳特征送入MOP-AQGA分类器进行学习训练，得到入侵检测器，将数据输入检测算法，最终产生准确的检测结果。在真实异常数据上的实验结果表明，NMIFS MOP-AQGA方法比现有检测方法具有更高的检测准确率、更低的误报率和更强的自适应性能，尤其对于小样本集更为有效。
城市地区的动态交通信号系统yolo vs
电子邮件：murugeshankalai2610@gmail.com摘要高效的交通管理对于确保在高流量城市地区安全安全旅行至关重要。延误是由人口稠密的地区的拥塞造成的，其流动性高和商业人口会直接或间接影响公众的日常生活。该项目着重于实施动态信号控制系统，该系统利用AI驱动的技术根据实时交通密度调整流量信号正时。使用基于YOLO的对象检测和MOG2移动对象检测算法，该系统从CCTV摄像机处理视频供稿来计算车辆密度并动态优化信号流动。通过计算信号处的密度，可以在优化的时间使用时清除拥塞。该系统减轻延误，尤其是在高峰时段，可确保不需要手动干预的情况下更顺畅的城市运输。关键字：动态流量信号控制，对象检测算法 - Yolo（您只看一次），Mog2（高斯的混合物）
