XiaoMi-AI文件搜索系统
World File Search System识别任务
视觉识别过程中大脑中的节律性信息采样
当我们注视一个物体时，视觉信息会持续地被视网膜接收。一些研究观察到了这种刺激时间内感知敏感度的行为波动，这些波动与大脑波动有关。然而，特定大脑区域是否在刺激时间中表现出波动（即刺激在不同时间点以有节奏的方式被或多或少地处理）尚未得到研究。在这里，我们在随机时刻揭示了面部图像的随机区域，并使用 MEG 记录了男性和女性人类参与者在执行两项识别任务时的大脑活动。这使我们能够量化来自刺激的每个视觉信息快照在时间和大脑中的处理方式。刺激时间的波动（有节奏的采样）主要出现在早期视觉区域，频率为 theta、alpha 和低 beta。我们还发现它们对大脑活动的贡献大于之前研究的节律处理（处理单个视觉信息快照时的波动）。非节律性采样在视觉皮层的后期潜伏期也可见，要么是早期刺激时间点的瞬时处理，要么是整个刺激的持续处理。我们的结果表明，连续的大脑振荡周期会处理连续时刻传入的刺激信息。总之，这些结果促进了我们对与视觉处理相关的振荡神经动力学的理解，并表明在研究视觉识别时考虑刺激的时间维度的重要性。
左前额叶皮层确定编码时的相关性，并控制情节记忆形成
在前额叶皮层中的角色半球横向效果一般而言，尤其是情感上的信息，尤其是具有情感上的信息。在随机，双盲和虚假对照的设计中，健康的年轻参与者（n = 254）进行了2次编码，以分类感知，语义或情感上的价值（正面或负面）单词的特征（正面或负面），随后是免费召回和识别任务。为了解决每个半球贡献的竞争假设，我们使用经颅直流电流刺激在编码过程中调节了左或右背外侧前额叶皮层（DLPFC）活性（1 MA，20分钟）。刺激了左DLPFC，但不是右DLPFC，编码和自由召回性能的改进，特别是对于在语义上进行处理的单词，尤其是对左DLPFC的刺激。此外，增强左DLPFC活性增加了积极含量的内存形成，同时减少了负含量的含量。相比之下，促进右DLPFC活性增加了负含量的记忆形成。左DLPFC评估编码时新内存内容的语义特性，从而影响成功的新情节记忆。半球后期（更活跃的左DLPFC和较不活跃的右DLPFC）在编码阶段会移动内存痕迹的形成，而有利于正面价值的内容。
决策线索如何改变我们的感知和信心
了解个人在做出感知决策时如何利用社交信息以及社交信息如何影响他们的决策信心在社会中至关重要。迄今为止，人们对人类的感知决策以及受社会影响的相关神经介质知之甚少。本研究提供了个人在执行面部/汽车识别任务时如何被他人决策操纵的经验证据。受试者受到他们认为是其他受试者的决定的显著影响，而实际上，线索是独立于刺激而操纵的。一般来说，当受试者的个人决定与线索一致时，他们的决策信心往往会增加，而当线索与他们的个人判断相冲突时，他们的信心会降低，这往往导致决策逆转。使用一种新颖的统计模型，可以根据受试者受线索影响的倾向对他们进行排名。随后通过对他们的神经数据的分析证实了这一点。神经时间序列分析表明，在早期阶段，使用社交线索进行决策并没有显著差异，这与使用预测线索的神经预期研究不同。神经数据的多变量模式分析暗示额叶皮层在视觉处理的后期阶段可能发挥着作用，它似乎编码了线索对感知决策的影响。具体来说，内侧额叶皮层似乎在促进冲突线索之前的感知决策方面发挥着作用。
面部识别 - 机器学习
1.准备和权限：a）命令：使用sudo chmod和sudo chown来调整权限和所有权，以确保自制的自制可以安装和操作而无需限制。a）目的：确保目录并配置软件管理的系统访问。2.Homebrew安装：a）目的：安装Homebrew，该软件包管理器简化了MACOS上的软件安装，从而促进了软件依赖关系的管理。3.CMAKE安装：a）命令：BREW安装CMAKE B）目的：安装CMake，该工具可以自动化软件的配置和构建软件，对于编译Dlib等库至关重要。4.FACE识别库安装：a）命令：PIP INSTALS FACE_REVICENTIT B）目的：安装Face_recognition库，该库为Python提供了高级功能，用于面部检测和识别任务。5.支持依赖关系：a）库：包括用于数据处理的Numpy，用于图像处理的枕头以及用于机器学习操作的DLIB。b）目的：这些库支持有效的数据和图像管理，这是处理和识别面孔所必需的。6.优化和模型设置：a）活动：从源中编译DLIB并下载预训练的面部识别模型。b）目的：确保该软件已针对您的硬件进行了优化，并提供了即时面部识别功能的现成模型。
Ye Tian, Yang Zhao, Shengping Liu, Qiang Li, Wei Wang, Junbo Feng* and Jin Guo Scalable and compact photonic neural chip with low learning-capability-
摘要：光子计算因能以比数字电子替代方案高得多的时钟频率加速人工神经网络任务而受到广泛关注。特别是由马赫-曾德尔干涉仪 (MZI) 网格组成的可重构光子处理器在光子矩阵乘法器中很有前途。希望实现高基 MZI 网格来提高计算能力。传统上，需要三个级联 MZI 网格（两个通用 N × N 酉 MZI 网格和一个对角 MZI 网格）来表示 N × N 权重矩阵，需要 O ( N 2 ) 个 MZI，这严重限制了可扩展性。在此，我们提出了一种光子矩阵架构，使用一个非通用 N × N 酉 MZI 网格的实部来表示实值矩阵。在光子神经网络等应用中，它可能将所需的 MZI 减少到 O ( N log 2 N ) 级别，同时以较低的学习能力损失为代价。通过实验，我们实现了一个 4 × 4 光子神经芯片，并对其在卷积神经网络中的性能进行了基准测试，以用于手写识别任务。与基于传统架构的 O (N 2) MZI 芯片相比，我们的 4 × 4 芯片的学习能力损失较低。而在光学损耗、芯片尺寸、功耗、编码误差方面，我们的架构表现出全面的优势。
使用图像处理和...的智能停车系统
摘要：停车引导和信息 (CPGI) 系统通过提供停车位占用情况的实时指示和节省时间，有可能减少拥挤区域的拥堵。如今，这些系统广泛应用于使用昂贵传感器方法的室内环境。因此，随着室外环境对 PGI 系统的需求不断增加，低成本的基于图像的检测方法已成为最近使用摄像头的研究和开发的中心。由于对卷积神经网络 (CNN) 在各种图像类别识别任务中的出色表现感兴趣，本研究提出了一个强大的停车位占用检测框架，使用深度 CNN 和二进制支持向量机 (SVM) 分类器从图像中发现室外停车位的占用情况。分类器由深度 CNN 从具有不同强度和天气条件的公共数据集 (PKLot) 中学习到的特征进行训练和测试。因此，我们评估了已建立技术在为本研究生成的停车数据集上的迁移学习性能（将结果简化为新数据集的能力），我们的系统将在通知用户之前提供。我们分别对公共数据集和我们的数据集进行了 99.7% 和 96.7% 的检测，这表明该技术具有为户外环境中的 CPGI 系统提供廉价且一致的解决方案的卓越能力。关键词—CPGI、基于图像的检测方法、CNN、稳健的停车位占用检测框架、SVM 分类器
解决空间和时间中核心物体识别的神经机制；一种计算方法
各种研究都对物体识别（大脑的基本能力）的潜在机制进行了研究。然而，对识别速度和准确度之间的平衡的探索较少。大多数物体识别的计算模型都无法解释识别时间，因此只关注识别准确度，原因有两个：缺乏感官处理的时间表征机制，以及使用非生物分类器进行决策处理。在这里，我们提出了一个物体识别的分层时间模型，使用脉冲深度神经网络与生物学上合理的决策模型相结合，以解释识别时间和准确度。我们表明，所提模型的响应动力学可以类似于大脑的响应动力学。首先，在物体识别任务中，该模型可以模拟人类和猴子的识别时间和准确度。其次，该模型可以复制文献中观察到的不同速度-准确度权衡机制。更重要的是，我们证明了所提模型中不同抽象级别（上级、中级和下级）的时间表征与先前研究中观察到的大脑表征动态相匹配。我们得出结论，由分层前馈脉冲结构产生的脉冲的积累可以很好地解释决策的动态，也可以解释不同抽象级别的表示动态。关键词：时间对象识别、速度-准确度权衡、深度脉冲卷积神经网络、积累到边界模型、动态表示相异矩阵
共同开发“网络性量表”以评估...
背景。尽管患有获得性脑损伤的人（ABI）可能容易受到网络摄影的影响，但缺乏记录ABI患者网络安全行为的现有措施限制了我们对ABI特异性风险因素的理解，该问题的频率以及评估循证干预措施的能力。通过自我评估的陈述和实用的骗局识别任务来评估ABI患者的脆弱性。这项研究旨在通过临床医生和ABI患者的反馈来开发和完善网络性量表。方法。使用Delphi方法和两轮与ABI参与者的认知访谈（n = 8），通过三轮临床医生调查（n = 14）收集了比例反馈。在每回合之后，反馈进行了定量和定性的总结，并进行了相应的修订。结果。关键修订包括删除12个被认为无关紧要的项目。说明和评级量表进行了修改，以提高清晰度。认知访谈确定了15个理解错误，并进行了进一步的修订，以支持ABI参与者的响应清晰度。ABI的临床医生和参与者认可了网络性量表的内容和有效性。结论。进一步验证后，网络性量表有可能成为临床和研究环境中ABI患者在线脆弱性的有效筛查措施。
实际应用场景中的表现与评估
智能传感器是一种快速发展的技术，它允许在资源受限的边缘设备上直接将数据采集与计算结合起来。因此，它们在非常接近传感微机械的地方在同一封装中执行机器学习。在物联网领域，需要越来越多的电池供电甚至无电池智能传感器，因为市场潜力是现场部署大约数千亿个传感器。为了维持不断增长的应用范围，最大限度地提高能源效率，同时允许此类设备中的传感器可编程，延长电池寿命和使用案例至关重要。为了将这一概念推向极致，意法半导体提出了一种新的传感器解决方案，允许将机器学习和二进制神经网络直接部署到超低功耗传感器本身。这带来了使用极其受限的内存的额外挑战。这项工作通过活动识别任务试验了这种超新颖且有前途的传感器内机器学习计算解决方案的功能，并介绍了性能和能效方面的初步发现。实验结果表明，该传感器在全浮点精度网络中可实现 10.7 个周期/MAC 的推理性能，在大型二进制模型中可实现高达 1.5 个周期/MAC 的推理性能。该传感器的运行功耗范围从大于 100 µJ 到低于 1 µJ，具体取决于所部署的机器学习计算（全浮点到全二进制）
![arxiv：2402.00199v1 [cs.ro] 2024年1月31日](/simg/g:\will\search\icon\source\e\ee7df0852113cb2e9395d1f5f6861b37ca99386c.webp)
arxiv：2402.00199v1 [cs.ro] 2024年1月31日
摘要 - 触觉传感对于机器人技术很重要，因为它可以在操纵过程中获得物理接触信息。为了捕获在Compact框架内的多模式接触信息，我们设计了一个名为Vitactip的新型传感器，该传感器将触觉和视觉感知功能无缝地集成到一个单个集成的传感器单元中。vitactip具有透明的皮肤，可在接触过程中捕获物体的精细特征，这被称为透明皮肤机构。同时，嵌入在Vitactip中的仿生尖端可以在触觉感知过程中放大触摸运动。为了进行比较分析，我们还制造了一个没有仿生尖端的Vitac传感器，以及带有不透明皮肤的Tactip传感器。此外，我们开发了一种基于生成的副本网络（GAN）的方法，用于在不同的感知模式之间进行模态切换，从而有效地交替了视觉和触觉感知模式之间的重点。，我们跨三个不同的任务对拟议的传感器进行了性能评估：i）光栅识别，ii）构成回归，iii）接触定位和力估计。在光栅识别任务中，Vitactip的表现为99.72％，超过Tactip，达到94.60％。与VITAC的0.12 mm和0.15N相比，它在姿势和力估计任务中均表现出卓越的性能，最小误差分别为0.08 mm和0.03n。结果表明，Vitactip优于单模式传感器。