XiaoMi-AI文件搜索系统
World File Search SystemDecode
使用编码器-解码器框架从颅内深度电极合成语音
图 6 示例性注意力矩阵，可视化三位参与者在收敛时的注意力得分（来自随机选择的训练样本）（值越亮表示注意力得分越高）。解码器中的时间步长在 y 轴上表示，编码器的时间步长在 x 轴上表示。对角线结构表明注意力得分在时间域上是很好地对齐的，例如输出中的后续步骤关注输入中的后续步骤。该图还表明，填充输入 sEEG 序列（语音规划和理解）可能是不必要的，因为没有太多注意力放在第一个和最后一个输入步骤上。
息肉区域的细分异源变分编码器用于分割，缺少模态
摘要。多模式图像的使用通常可以改善分段。但是，由于临床限制，完整的多模式数据集通常不可用。为了解决这个问题，我们提出了一个新颖的mul-timodal分割框架，该框架可通过使用利益区域（ROI）细心的模态完成，可以使缺少模态固定。我们使用ROI专注的跳过连接专注于与分割相关的收件，以及结合肿瘤ROI的关注点和分割概率图的关节歧视者，以学习与分割与分割相关的共享潜在表示。我们的方法在脑部分割挑战数据集中得到了285例，该数据集的全部肿瘤，肿瘤核心和增强肿瘤的三个区域。它也是在缺血性卒中病变分割挑战数据集上的带有28例梗塞病变的阀门。我们的方法在强大的多模式分割中优于最先进的方法，分别为三种类型的脑肿瘤区域的平均骰子分别为84.15％，75.59％和54.90％，中风病变的平均骰子为48.29％。我们的方法可以改善需要多模式图像的临床工作流程。
使用单细胞分析解码器官复杂性
帕金森氏病（PD）是全球增长最快的神经退行性疾病（Ou Z.等，2021），大多数病例是零星的，5-15％是由于在SNCA和LRRK2等单个基因中稀少的高碳化性突变而是家族性的（Kim C.等，2017）。对这些稀有形式的研究为线粒体功能障碍和蛋白质错误折叠等细胞机制提供了重要的见解。在零星的PD中，越来越多地认识到低频遗传变异的贡献。研究确定了编码MiRO1的Rhot1基因中的PD患者，这是一种对线粒体动力学和钙稳态至关重要的蛋白质，它与PD-相关蛋白（如PINK1和α-核蛋白（Berenguer-Escuder C. berenguer-Escuder C.等）相互作用。Chemla A.等。 （2023），来自卢森堡大学的研究小组，使用了IPSC衍生的多巴胺能神经元和3D中脑器官，以证明P.R272Q miRO1突变会增加活性氧物种，从而改变了线粒体生物性生物性生物性生物性含量，从而提高了α-核蛋白水平，并提高了ne努力。 这些发现表明，突变体Miro1足以在体外和体内准确地对PD进行建模，从而突出了其在PD发病机理中的作用。Chemla A.等。（2023），来自卢森堡大学的研究小组，使用了IPSC衍生的多巴胺能神经元和3D中脑器官，以证明P.R272Q miRO1突变会增加活性氧物种，从而改变了线粒体生物性生物性生物性生物性含量，从而提高了α-核蛋白水平，并提高了ne努力。这些发现表明，突变体Miro1足以在体外和体内准确地对PD进行建模，从而突出了其在PD发病机理中的作用。
使用基于变压器的解码器和验证的Vocoder
摘要。这项研究描述了在想象的语音期间来自电皮质图（ECOG）的语音合成。，尽管使用基于变压器的解码器和预验证的Vocoder，我们的目标是产生高质量的音频。具体来说，我们使用了预训练的神经声码编码器Parallel Wavegan，将Transformer Decoder转换为对Log-Mel频谱图的输出，后者是在ECOG信号上训练的，将其转换为高质量的音频信号。在我们的实验中，使用来自13名参与者的ECOG信号，想象中的语音的综合语音实现了动态时间巡航（DTW）Pearson相关性，范围从0.85到0.95。这种高质量的语音合成可以归因于变压器解码器准确地重建高保真日志频谱图的能力，这证明了其在处理有限训练数据时的有效性。
用于可植入脑机接口的脉冲神经网络解码器及其在 RISC-V 微控制器上的稀疏感知部署
摘要 — 可植入脑机接口 (BMI) 在运动康复和移动性增强方面大有可为，它们需要准确且节能的算法。在本文中，我们提出了一种用于可植入 BMI 的回归任务的新型脉冲神经网络 (SNN) 解码器。SNN 通过增强的时空反向传播进行训练，以充分利用其处理时间问题的能力。所提出的 SNN 解码器在离线手指速度解码任务中的表现优于最先进的卡尔曼滤波器和人工神经网络 (ANN) 解码器。解码器部署在基于 RISC-V 的硬件平台上，并经过优化以利用稀疏性。所提出的实现在占空比模式下的平均功耗为 0.50mW。在进行无占空比的连续推理时，它实现了每次推理 1.88 µ J 的能效，比基线 ANN 低 5.5 倍。此外，每次推理的平均解码延迟为 0.12 毫秒，比 ANN 实现快 5.7 倍。
解码 - vit：手写数字字符串识别的视觉变压器框架
在数字化时代，手写文档识别具有多种应用，例如历史信息保存，邮政地址识别等。对无价文化宝藏的保护和分析在很大程度上取决于历史文档中手写的数字字符串识别。认可的主要挑战是写作风格的变化，噪声，扭曲和有限的数据。本文提出了一种新的方法，可以克服包含数字字符串的复杂，褪色和旧手写文档的困难。目标是创建一个可靠有效的系统，该系统自动识别古代手稿的数字字符串，有助于数字化记录。因此，本文提出了一个强大的视觉变压器框架，以识别手写数字字符串，而不会从较小数据集的未清洗图像中分割数字。所提出的方法是一个四步过程，包括预处理，通过象征化提取特征提取，使用视觉变压器的注意机制识别以及使用光束搜索解码器进行结果解码。将提出方法的性能与由卷积神经网络和长期记忆（CNN-LSTM）组成的混合方法进行比较。所提出的方法达到了56％的单词准确性，损失在更少的时间内低于0.6。结果表明，所提出的模型是一个快速学习者，可以在预期更少的时间内的实时场景中使用。这项研究的结果会影响邮政服务的数字化。在本文中还借助局部可解释的模型 - 不合Snostic解释（LIME）技术讨论了所提出的深度学习模型绩效解释。通过为实时应用程序提供软件即服务（SAAS）来概括所提出的方法的概括，以作为未来的研究方向。
建模解码的fMRI神经反馈
这项研究探讨了通过功能磁共振成像（fMRI）应用的扩散模型和增强学习对解码神经反性（DECNEF）建模的应用。我们的方法论，降级差异策略优化（DDPO），整合了通过增强学习训练的扩散模型，以导航大脑活动变化的复杂动态。使用预先现有的Decnef数据集，我们实施了策略梯度方法，以迭代地完善扩散模型，旨在产生神经（voxel）活动的目标模式。我们的结果证明了这种方法对实现目标脑状态的策略进行建模的潜力，为研究神经反馈的机制及其对基础科学研究的意义及其对基础科学研究的影响和进行更有效的神经反馈实验提供了基础。
自动形态合奏的极性代码解码器6G URLLC
根据作者克劳斯·凯斯特尔（Claus Kestel），马文·盖塞尔哈特（Marvin Geiselhart），卢卡斯·约翰逊（Lucas Johannsen），斯蒂芬·恩·布林克（Stephan Ten Brink）和诺伯特·韦恩（Norbert Wehn）的作者克劳斯·凯斯特尔（Claus Kestel）和诺伯特·韦恩（Norbert Wehn），的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。 实现接近ML的性能是具有挑战性的，尤其是对于短块长度。 极性代码是此应用程序的有前途的候选人。 上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。 本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。 本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。 因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。实现接近ML的性能是具有挑战性的，尤其是对于短块长度。极性代码是此应用程序的有前途的候选人。上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。
优质量子 LDPC 码解码器
arXiv:2206.06557, SG , C.A.Pattison, E. Tang arXiv:2306.12470, SG , E. Tang, L. Caha, S.H.Choe，Z.他，A.库比卡
自主驾驶中场景流网络的解码器
摘要 - 场景流估计通过预测场景中的点运动来确定场景的3D运动场，尤其是在自主驾驶中的帮助任务时。许多具有大规模点云的网络作为输入使用Voxelization来创建用于实时运行的伪图像。但是，体素化过程通常会导致特定点特征的丧失。这引起了为场景流任务恢复这些功能的挑战。我们的论文引入了Deflow，该文件可以从基于体素的特征过渡到使用门控复发单元（GRU）改进的点特征。为了进一步增强场景流量估计的性能，我们制定了一种新颖的损失函数，以解释静态点和动态点之间的数据不平衡。对Argoverse 2场景流量任务的评估表明，Deflow在大规模点云数据上取得了最新的结果，表明我们的网络与其他网络相比具有更好的性能和效率。该代码在https://github.com/kth-rpl/deflow上进行开源。