XiaoMi-AI文件搜索系统
World File Search SystemCompression
Yolocs：基于特征空间固化的密集通道压缩的对象检测
在这项研究中，我们在特征纯化和逐渐反向传播过程中检查了通道特征与卷积内核之间的关联，重点是网络内的向前和向后传播。因此，我们提出了一种称为特征空间固化的称为密集的Channel压缩的方法。利用了该方法的中心概念，我们引入了两个用于主链和头部网络的创新模块：特征空间固化结构（DF）的密集通道压缩和不对称的多级压缩解耦头（ADH）。集成到Yolov5模型中时，这两个模块表现出了出色的性能，从而导致修改的模型称为Yolocs。在MSCOCO数据集，大型，中和小型Yolocs模型上评估的AP分别为50.1％，47.6％和42.5％。保持推理速度与
图像数据压缩
– 奥地利航天局 (ASA)/奥地利。 – 比利时联邦科学政策办公室 (BFSPO)/比利时。 – 中央机械制造研究院 (TsNIIMash)/俄罗斯联邦。 – 中国卫星发射和跟踪控制总院、北京跟踪和通信技术研究所 (CLTC/BITTT)/中国。 – 中国科学院 (CAS)/中国。 – 中国空间技术研究院 (CAST)/中国。 – 英联邦科学与工业研究组织 (CSIRO)/澳大利亚。 – 丹麦国家空间中心 (DNSC)/丹麦。 – 航空航天科学和技术部 (DCTA)/巴西。 – 电子和电信研究所 (ETRI)/韩国。 – 欧洲气象卫星应用组织 (EUMETSAT)/欧洲。 – 欧洲通信卫星组织 (EUTELSAT)/欧洲。 – 地理信息和空间技术发展局 (GISTDA)/泰国。 – 希腊国家空间委员会 (HNSC)/希腊。 – 印度空间研究组织 (ISRO)/印度。 – 空间研究所 (IKI)/俄罗斯联邦。 – 韩国航空宇宙研究院 (KARI)/韩国。 – 通信部 (MOC)/以色列。 – 穆罕默德·本·拉希德航天中心 (MBRSC)/阿拉伯联合酋长国。 – 国家信息和通信技术研究所 (NICT)/日本。 – 国家海洋和大气管理局 (NOAA)/美国。 – 哈萨克斯坦共和国国家空间局 (NSARK)/哈萨克斯坦。 – 国家空间组织 (NSPO)/中国台北。 – 海军空间技术中心 (NCST)/美国。 – 粒子与核物理研究所 (KFKI)/匈牙利。 – 土耳其科学技术研究委员会 (TUBITAK)/土耳其。 – 南非国家航天局 (SANSA)/南非共和国。 – 空间和高层大气研究委员会 (SUPARCO)/巴基斯坦。 – 瑞典空间公司 (SSC)/瑞典。 – 瑞士空间办公室 (SSO)/瑞士。 – 美国地质调查局 (USGS)/美国。
动态压缩部门高级光子源的空缺行政经理的通知，Argonne National Laboratory
华盛顿州立大学华盛顿州立大学是该州的两家研究所之一，成立于1890年，是该州的土地赠款机构，位于普尔曼（Pullman），位于斯波坎，温哥华，三城市和埃弗里特的地区校园。由于对研究和教育方面的卓越强调，Carnegie Classification™已将WSU指定为R1/Tier 1：博士大学 - 最高研究活动。目前的入学人数约为31,600本大学，毕业生和专业学生。该大学为本科生提供98名专业，86名未成年人和100多个硕士学位专业，78个硕士学位课程，65个博士学位课程和3个专业学位课程。在学术上，大学成立了11所大学（农业，人类和自然资源科学；艺术与科学；商业；沟通；教育；工程和建筑；荣誉；医学；护理；药学和药学科学；以及兽医医学）和一所研究生院。有关更多信息，请访问https://wsu.edu。
cliz：使用自适应微调数据预测为气候数据集优化有损压缩
摘要 - 从尖端的超级计算机中获得支持极大的科学模拟，气候研究在过去几十年中取得了显着发展。，在有效地存储和传输大规模的气候数据之间，出现了新的关键挑战。在本文中，我们开发了CLIZ，这是一种有效的在线错误控制有损压缩方法，具有优化的数据预测和对气候数据集跨各种气候模型的编码方法。一方面，我们探索了如何利用气候数据集的特定属性（例如蒙版信息，维度置换/融合和数据周期性模式）以提高数据预测准确性。另一方面，Cliz采用了一种新型的多霍夫曼编码方法，可以显着提高编码效率。因此显着提高了压缩比。我们根据具有不同模型的多个实地世界气候数据集评估了CLIZ与许多其他最先进的错误控制损耗压缩机（包括SZ3，ZFP，SPERR和QOZ）。实验表明，Cliz在气候数据集上的表现优于第二好的压缩机（SZ3，SPERR或QOZ1.1）的压缩比的压缩率高20％-200％。cliz可以将两个远程Globus终点之间的数据传输成本显着降低32％-38％。索引术语 - 错误控制的损耗压缩，气候数据集，分布式数据存储库/数据库
嵌入式系统的计算机视觉模型压缩技术：调查
摘要 - 深度神经网络在大多数计算机视觉问题中一直始终代表最新技术。在这些情况下，较大且更复杂的模型表现出优于较小架构的性能，尤其是在接受大量代表性数据培训时。随着视觉变压器（VIT）架构的最新采用和广告卷积神经网络（CNN），领先的主链体系结构的参数总数从2012年的6200万参数增加到ALEXNET的6200万参数，到2024年AIM-7B的2024年参数。因此，部署这样的深度体系结构在处理和运行时限制的环境中面临挑战，尤其是在嵌入式系统中。本文涵盖了用于计算机视觉任务的主要模型压缩技术，使现代模型可以用于嵌入式系统中。我们介绍了压缩亚地区的特征，比较不同的方法，并讨论如何在各种嵌入式设备上分析它时选择最佳技术和预期变化。我们还共享代码，以协助研究人员和新从业人员克服每个子区域的初始实施挑战，并为模型压缩带来现有趋势。压缩模型的案例研究可在https://github.com/venturusbr/cv-model-compression上获得。索引术语 - 安装系统，模型压缩，知识蒸馏，网络修剪，网络量化
学习的自主驾驶的多模式压缩
随着人工智能技术的快速发展，多模式学习已成为各种应用程序中数据处理和分析的强大范式，包括自主机器人和车辆[1]和大型语言模型[2]。通过整合来自各种模式的数据，多模式学习增强了AI系统的鲁棒性和适应性，从而提高了性能，并具有更大的能力，可以有效地解决现实世界中的Challenges。多模式学习的一种显着应用是在官方驾驶中，它使自动驾驶汽车（AVS）能够使用多种数据源（例如摄像头，LIDAR，雷达，雷达和超声传感器）来解释和响应其环境。这种不同数据类型的集成使机器的感知和决策更加准确，增强了车辆检测和理解对象，预测其运动并安全地驾驶复杂驾驶场景的能力。使用不同方式中包含的信息，AV可以实现更大的鲁棒性和可靠性，降低事故的风险，并改善各种和动态驾驶条件下的整体性能。AV传感器会生成大量数据[3]，根据传感器配置，每秒可能达到40千兆位（GBPS）。必须实时处理和分析这些数据，这需要大量能量，进而减少车辆的范围[4]。因此，无论是在板载处理还是使用未来的低延迟通信[5]来减少数据量，无论是在机载处理还是计算偏移到云服务上。因此，有效的压缩
引用：OJO。 A. A.，Omonikun K.，Omoniyi J. O.，Akipipe A.，Ilestamam R. I.（2024）改进了压缩成型M
摘要：这项研究探讨了旨在有效回收各种塑料废物的改进压缩成型机的设计和性能的进步，重点是聚乙烯第三苯甲酸酯（PET）。随着全球塑料废物积累带来严重的环境挑战，增强回收技术是必须的。在200°C，250°C和300°C的工作温度下测试了重新设计的机器，突出了温度和加工持续时间在确定产品质量中的关键作用。理论加热时间由于现实世界中的效率低下（例如热损失和导热率变化）而比实际时间短。加热过程中的体重减轻归因于挥发性成分和热降解的蒸发。在延长加热时间的样品中形成了空气孔，强调了精确过程控制的必要性。在大约250°C下有效启动的宠物熔化过程。改进的机器在提高回收效率和多功能性方面具有巨大的潜力。关键字：塑料回收；压缩成型；聚对苯二甲酸酯（PET）；热降解；可持续废物管理；环境影响
当前脑电图数据压缩方法的研究
在本文中，我们采用了系统的文献综述方案来了解当前用于压缩多通道脑电图 (EEG) 信号的方法以及如何将这些技术应用于新型 EEGEyeNet 数据集。我们的综述将阐明 EEG 数据压缩领域的当前趋势，并简化对这些技术的解释以及如何使用它们。通过汇编有关该主题的最新和相关研究的综合列表，我们希望为理解最新的 EEG 数据压缩标准、其功能以及这些技术在性能方面的相互比较提供坚实的基础。我们希望扩展 EEG 数据压缩方法的知识和可访问性，以扩大其在 EEG 分析中的应用。
使用基于自动编码器的神经网络有效的体内神经信号压缩
摘要 - 常规体内神经信号处理涉及从神经元合奏中记录的信号内提取尖峰活动，并且仅在足够的间隔上传输尖峰。但是，对于使用连续的局部场势（LFP）进行认知解码的脑部计算机界面（BCI）应用，将传输到计算机的神经数据的体积施加了相对较高的数据速率要求。对于使用具有数百或数千电极的高密度内部记录的BCI尤其如此。本文介绍了第一个基于自动编码器的压缩数字电路，用于LFP神经信号的有效传输。实施了各种拟南芥和架构级优化，以显着降低设计In In Vivo压缩电路的计算复杂性和内存需求。该电路采用基于自动编码器的神经网络，提供了强大的信号重建。体内压缩逻辑的应用特异性集成电路（ASIC）占据了最小的硅区域，并且在报告的最先进的压缩ASIC中消耗了最低功率。此外，它提供了更高的压缩率和较高的信噪比和失真率。
MNO2阴极的背景压缩研究...
†该材料基于美国能源部电力办公室（OE）的工作。这项研究使用了美国能源部（DOE）科学用户设施的高级光子来源的资源de-ac02-06ch11357。这项研究使用了美国能源部（DOE）科学用户设施办公室（DOE）由Brookhaven National Laboratory为DOE科学办公室运营的美国能源部（DOE）科学用户设施办公室的National Synchrotron Light Source II的Beamline 7-BM（QA）（QAS）。de-sc0012704。这项工作是在综合纳米技术中心进行的，该中心是科学用户设施，该办公室为美国能源部（DOE）科学办公室运营。我们感谢Andrea Bruck博士的海报设计。Sandia国家实验室是由霍尼韦尔国际公司（Honeywell International Inc.）全资子公司Sandia，LLC国家技术与工程解决方案公司管理和运营的多个实验室，该实验室由美国国家能源部国家核安全管理局（NANED NAUD SECUCTION ADVINOCATY）根据合同DE-NA0003525进行。