XiaoMi-AI文件搜索系统
World File Search System空间域
适用于古董数字化电影的强大双数字水印图像：对印刷扫描攻击有抵抗力
摘要 - 如今，信息和通信技术的进步以及智能手机等电子设备的易于访问，已经实现了敏捷，高效的存储，版本以及数字多媒体文件的分布。但是，缺乏法规导致了与知识产权认证和版权保护相关的几个问题。此外，在非法打印剥削的情况下，问题变得复杂，涉及打印和扫描过程。为解决这些问题，已经提出了几种与加密算法结合使用的数字水印。在本文中，定义了一种强大的水印策略，该策略由墨西哥文化遗产的数字化摄影图像的管理和检测组成。所提出的策略基于两种类型的数字水印的组合，这是一种基于空间域的可见型膜类型，而另一种基于频域的不可见类型，以及粒子群的优化。实验结果表明，在打印扫描过程或数字动物攻击以及常见的图像几何和图像处理攻击（例如JPEG压缩）中所面临的算法的高性能。此外，通过PSNR评估水印的不可识别性，并将其与其他先前提出的算法进行比较。关键字 - 数字水印，图像处理，信息安全，身份验证，版权保护，文化遗产
深度 EEG 和 fNIRS 实时解码双手力量
摘要 — 与侵入式脑机接口 (BCI) 相比，非侵入式皮质神经接口在肢体运动及其力量的皮质解码方面仅取得了中等水平的表现。虽然非侵入式方法更安全、更便宜、更容易获得，但信号在空间域 (EEG) 或时间域 (功能性近红外光谱 (fNIRS) 的 BOLD 信号) 中分辨率较差。之前从未实现过双手力产生和连续力信号的非侵入式 BCI 解码，因此我们引入了一个等距握力跟踪任务来评估解码。我们发现，使用深度神经网络结合 EEG 和 fNIRS 比线性模型更能解码左手和右手产生的连续握力调节。我们的多模态深度学习解码器在力重建中实现了 55.2 FVAF[%]，并且解码性能比每种单独的模态提高了至少 15%。我们的结果表明，使用非侵入性移动脑成像获得的皮质信号实现连续手力解码的方法对康复、恢复和消费者应用具有直接影响。
脉冲神经网络中人工智能启发大脑模型的时空模式表示
摘要：大脑中的神经元群体活动是空间域信息和时间域动态的综合响应。由于大脑的复杂性和硬件的局限性，对这种时空机制进行建模是一个复杂的过程。在本文中，我们展示了如何使用从大脑改编的信息处理原理来创建受大脑启发的人工智能 (AI) 模型并表示时空模式。通过使用脉冲神经网络设计微型大脑，可以证明这一点，其中激活的神经元群体表示空间域中的信息，而传输信号表示时间域中的动态。输入视觉刺激激发的空间位置感觉神经元进一步激活运动神经元以触发运动反应，从而导致机器人代理的行为改变。首先，模拟一个孤立的大脑网络，以了解从感觉到运动神经元的激发部分，同时绘制膜电位和时间之间的波形。还绘制了网络对刺激机器人身体运动的响应以展示表示。模拟显示了特定视觉刺激的反应如何改变行为，并帮助我们理解身体和大脑的同步。感知的环境和由此产生的行为反应使我们能够研究身体与环境的相互作用。
具有注意机制的多尺度时间卷积网络，用于单侧上肢运动运动想象过程中的力量水平分类
摘要：在运动想象脑机接口研究中，一些研究者设计了单侧上肢静态下的力的想象范式，这些范式很难应用于脑控康复机器人系统中需要诱发患者求助需求的思维状态，即机器人与患者之间的动态力交互过程。针对单次MI-EEG信号在不同力级之间的特征差异较小，设计MSTCN模块提取时频域不同维度的细粒度特征，再利用空间卷积模块学习空间域特征的面积差异，最后利用注意力机制对时频空域特征进行动态加权，提高算法的灵敏度。结果表明，对于实验采集的三级力MI-EEG数据，该算法的准确率为86.4±14.0%。与基线算法（OVR-CSP+SVM（77.6±14.5%）、Deep ConvNet（75.3±12.3%）、Shallow ConvNet（77.6±11.8%）、EEGNet（82.3±13.8%）和SCNN-BiLSTM（69.1±16.8%））相比，我们的算法具有更高的分类准确率，差异显著，且拟合性能更好。
更新还是改革：2025 年美国太空战略
美国国防部 (DOD) 的目标是加强对太空敌对行为的探测与归因，保护联合部队免受敌对行动的侵害，并通过更具弹性的太空架构确保对现代战争至关重要的太空任务的执行。国防部已经确定美国太空架构需要从过度依赖单一、高度专业化和复杂的卫星转向“弹性设计”架构。太空弹性可以通过欺骗、分解、分发、多样化、扩散和保护的组合来实现，并应通过模拟、建模和战争游戏进行校准。可以通过电磁频谱操作、轨道机动以及核和网络强化来增强对太空威胁的防护。通过空间域感知能力可以快速准确地检测和跟踪太空物体。 2022 年，国防部探测并跟踪了约 47,900 个太空物体，包括 7,100 个活跃有效载荷以及非活跃有效载荷、废弃火箭助推器和太空垃圾。Stephen J. Flanagan、Nicholas Martin、Alexis A. Blanc 和 Nathan Beauchamp-Mustafaga，《太空行动威慑框架》，兰德公司 (2023 年 8 月)。https://www.rand.org/pubs/research_reports/RRA820-1.html。
学习小对象检测的区分功能...
总结要解决诸如小目标大小，目标特征模糊以及在小物体检测中区分目标和背景的困难之类的挑战，我们提出了一种基于多尺度图像降级的方法，结合了对比度学习模型。通过利用对比度学习技术，我们的方法旨在赋予准确区分对象和背景所需的判别特征。要专门针对小物体，我们将目标样本靶向各种多尺度图像降解模式，然后才能将它们置于对比度学习模型中。然后将增强技术应用于这些退化的样品，以促进有效的对比特征学习。因此，该模型可以更好地揭示小目标和背景之间的差异，从而提高小物体检测性能。此外，考虑到空间域特征对图像的局部变化敏感，而频域特征对全球结构变化敏感，我们的方法涉及空间和频域中的对比度学习模型，旨在为小对象检测获得更强大的功能。在MS可可数据集和Visdrone2019数据集上进行的广泛实验验证了我们提出的方法在显着提高小物体检测准确性方面的有效性。关键词：小对象检测，对比度学习，双域网络，多尺度图像退化
最初发表于：Jürgensen, Anna-Maria；哈利利，阿夫辛；奇卡，伊丽莎白；因迪韦里，贾科莫； Nawrot，马丁·保罗（2021 年）。神经形态模型
摘要动物神经系统在处理感官输入方面非常高效。神经形态计算范式旨在硬件实现神经网络计算，以支持构建大脑启发式计算系统的新解决方案。在这里，我们从果蝇幼虫神经系统中的感官处理中获得灵感。由于其计算资源非常有限，只有不到 200 个神经元和不到 1,000 个突触，幼虫嗅觉通路采用基本计算将外围广泛调节的受体输入转换为中央大脑中节能的稀疏代码。我们展示了这种方法如何让我们在脉冲神经网络中实现稀疏编码和刺激模式的可分离性提高，并通过软件模拟和混合信号实时神经形态硬件上的硬件仿真进行了验证。我们验证了反馈抑制是支持整个神经元群体中空间域稀疏性的中心主题，而脉冲频率适应和反馈抑制的组合决定了时间域中的稀疏性。我们的实验表明，这种小型的、生物现实的神经网络在神经形态硬件上有效地实现，能够实现全时间分辨率下感官输入的并行处理和有效编码。
网络运营学生学习指南 | HighPoint Digital
本课将介绍网络作战 (CO)，并介绍当今依赖技术的环境中存在的一些威胁。要了解网络作战，我们必须首先了解我们自己的 CO 方法。联合出版物 3-12(R) 为我们的联合部队提供了有关使用网络空间的指导。它将 CO 定义为“当主要目的是在网络空间内或通过网络空间实现目标时使用网络空间能力”。简而言之，它是使用网络空间作为实现我们战略目标的一种手段。由于其深远的影响，CO 在军事行动中发挥着关键作用。什么是网络空间 我们经常将网络空间简单地视为我们大多数人每天使用的互联网。虽然这在某种程度上是正确的，但互联网只是构成网络空间的几个组成部分之一。根据联合出版物 3-12 (JP 3-12)，“网络空间是信息环境中的全球域，由相互依存的信息技术基础设施网络和驻留数据组成，包括互联网、电信网络、计算机系统以及嵌入式处理器和控制器”。这告诉我们什么？它告诉我们，尽管网络空间不是一个物理域，但它由庞大的硬件和软件基础设施支持，并且存在于所有四个物理域（陆地、海洋、空中和太空）中。我们必须将网络空间视为不仅仅是互联网。图 1 提供了网络空间域的直观表示。
![arxiv：2110.10011v2 [CS.HC] 2022年5月5日](/simg/g:\will\search\icon\source\a\a09f2104f2344c5834d46523544b5e6b6a5dbd6a.webp)
arxiv：2110.10011v2 [CS.HC] 2022年5月5日
端到端平台组装多个层是为精确认识大脑活动而构建的。是大规模的脑电图（EEG）数据，时间频谱图被典型地投射到插曲特征特征上（被视为tier-1）。基于尖峰的神经网络（SNN）的层旨在根据稀有特征从稀有特征中提取启动信息，该特征保持了脑电图本质的时间范围。所提出的层3从snn转移峰值图案的时间和空间域；并将转置模式 - 纳入将被称为Tier-4的人工神经网络（ANN，Transformer）馈入，其中提出了一种特殊的跨性拓扑结构，以匹配二维输入形式。在此过程中，诸如分类之类的认知是高精度进行的。为了证明概念验证，通过引入多个脑电图数据集，其中最大的42,560小时记录了5,793名受试者，可以证明睡眠阶段评分问题。从实验结果中，我们的平台通过利用唯一的脑电图来实现87％的总体认知准确性，这比最新的脑电图高2％。此外，我们开发的多层方法论通过识别关键发作来提供脑电图的时间特征的可见和图形化，这是神经动力学中授予的，但在常规认知方案中几乎没有出现。
电动汽车实时鲁棒生态自适应巡航控制策略
摘要 — 本研究通过一种计算效率高的鲁棒控制策略解决了联网电动汽车的生态自适应巡航控制问题。该问题在空间域中采用非线性电力传动系统模型和运动动力学的真实描述来制定，以产生凸最优控制问题 (OCP)。OCP 通过一种新颖的鲁棒模型预测控制 (RMPC) 方法解决，该方法处理由于模型不匹配和前导车辆信息不准确而引起的各种干扰。RMPC 问题通过半正定规划松弛和单线性矩阵不等式 (sLMI) 技术解决，以进一步提高计算效率。使用实验收集的驾驶周期评估所提出的实时鲁棒生态自适应巡航控制 (REACC) 方法的性能。通过与标称 MPC 进行比较来验证其鲁棒性，标称 MPC 会导致速度限制约束违规。所提出方法的能源经济性优于最先进的时域 RMPC 方案，因为可以将更精确拟合的凸动力传动系统模型集成到空间域方案中。与传统恒定距离跟随策略 (CDFS) 的额外比较进一步验证了所提出的 REACC 的有效性。最后，验证了 REACC 可以借助 sLMI 和由此产生的凸算法实现实时实现。