XiaoMi-AI文件搜索系统
World File Search System视觉识别
基于EEG的视觉识别的无源主题适应
摘要 - 本文重点介绍了基于脑电图的视觉识别的主题适应。它旨在通过从源主题的丰富数据中传输知识来构建针对脑电图样本受到限制的目标主题定制的视觉刺激识别系统。现有的方法考虑了在培训期间可以访问源主题样本的情况。但是，由于隐私问题，访问诸如EEG信号之类的个人生物学数据通常是不可行的，并且有问题。在本文中，我们介绍了一种新颖而实用的问题设置，即无源的受试者适应，其中源主题数据不可用，并且仅提供预先训练的模型参数以进行对象适应。为了解决这一具有挑战性的问题，我们提出了基于分类的数据生成，以使用分类响应来模拟来自源对象的脑电图样本。使用生成的样本和目标主题数据，我们执行主题独立的特征学习来利用跨不同主题共享的常识。值得注意的是，我们的框架是可以推广的，并且可以采用任何独立于主题的学习方法。在EEG-IMAGENET40基准的实验中，我们的模型都会带来一致的改进，而不论其无关学习的选择如何。此外，我们的方法显示出有希望的性能，即使在不依赖源数据的情况下，在5-Shot设置下将TOP-1测试精度记录为74.6％。我们的代码可以在https://github.com/deepbci/deep-bci上找到。索引术语 - 脑计算机界面，脑电图，基于脑电图的视觉识别，无源的主题适应，深度学习
高效视觉识别：最新进展调查...
摘要：视觉识别是当前计算机视觉、模式识别乃至人工智能领域最重要和最活跃的研究领域之一。它具有重要的基础意义和强烈的工业需求，特别是现代深度神经网络（DNN）和一些受大脑启发的方法，在大量训练数据和新的强大计算资源的帮助下，大大提高了许多具体任务的识别性能。虽然识别准确率通常是新进展的首要关注点，但效率实际上相当重要，有时对于学术研究和工业应用都至关重要。此外，整个社区也非常需要对效率带来的机遇和挑战有深刻的见解。虽然已经从各个角度对效率问题进行了一般性调查，但据我们所知，几乎没有任何调查系统地关注视觉识别，因此不清楚哪些进展适用于它以及还应该关注什么。在本综述中，我们回顾了最近的进展，并提出了提高 DNN 相关和脑启发式视觉识别方法效率的新方向，包括高效的网络压缩和动态脑启发式网络。我们不仅从模型的角度进行研究，还从数据的角度进行研究（现有综述中没有这种情况），并重点关注四种典型数据类型（图像、视频、点和事件）。本综述试图通过全面的综述提供系统的总结，以作为有价值的参考，并激励从事视觉识别问题的研究人员和从业者。
基于注意力驱动的卷积神经网络对物体的视觉识别
摘要 - 感知和识别对象的能力对于与外部环境的互动至关重要。研究它们及其与大脑活动变化的关系由于可能应用到直观的脑机界面（BMI）而增加。另外，已经研究了使数据足够可区分以进行分类的不同视觉刺激时的独特模式。但是，报告的分类精度仍然较低或用于获取脑信号的技术对于在实际环境中使用不切实际。在这项研究中，我们的目标是根据提供的视觉刺激来解码脑电图（EEG）信号。主题呈现了72张属于6种不同语义类别的照片。使用脑电图信号根据视觉刺激进行了6个类别和72个示例。为了达到高分类的准确性，我们提出了一个注意力驱动的卷积神经网络，并将我们的结果与用于对EEG信号进行分类的常规方法进行了比较。我们报告的6级和72级的精度分别为50.37±6.56％和26.75±10.38％。这些结果在统计学上优于其他常规方法。这是可能的，因为使用人类视觉途径应用了注意网络。我们的发现表明，当受试者具有不同语义类别的视觉刺激以及具有高分类精度的示例级别时，可以区分脑电图信号。这表明它可以在现实世界中将其应用于现实的BMI。