XiaoMi-AI文件搜索系统
World File Search SystemDenoise
UMT 人工智能评论（UMT-AIR）
摘要：图像去噪是一种从图像中去除噪声以创建清晰图像的过程。它主要用于医学成像，由于机器故障或为了保护患者免受辐射而采取的预防措施，医学成像机器会在最终图像中产生大量噪声。可以使用多种技术来避免在最终打印之前图像中出现此类失真。自动编码器是用于在最终打印之前对图像进行去噪的最著名软件。这些软件不是智能的，因此生成的图像质量不佳。在本文中，我们介绍了一种具有深度卷积神经网络的改进型自动编码器。与传统的自动编码器相比，它可以创建质量更好的图像。在张量板上使用测试数据集进行训练后，在具有各种形状的不同数据集上测试改进的自动编码器。由于几个原因，结果令人满意但不理想。尽管如此，我们提出的系统仍然比传统的自动编码器表现更好。
通过增强的拉格朗日方法来变异泊松denoing
摘要。在本文中，我们通过在一组局部相似性措施上最小化促进平滑度的函数，以比较给定图像的平均值以及在大量子框上比较一些候选图像，从而确定了给定的嘈杂图像。相关的凸优化问题具有大量的约束，这些约束是由kullback-leibler差异引起的扩展实现功能引起的。另外，这些非线性约束可以被重新重新构成AFFINE，这使该模型看起来更加易于处理。用于对模型的两种公式的数值处理（即原始限制和具有限制的原始公式），我们提出了一种相当普遍的增强拉格朗日方法，能够处理大量约束。提供了一种独立的，无衍生的全球融合理论，可以扩展到其他问题类别。对于在我们建议的图像denoising模型的设置中解决所得子问题的解决方案，我们使用合适的随机梯度方法。为了比较配方和相关的增强拉格朗日方法，提出了几个数值实验的结果。
通过事件增强多模态实现图像去遮挡...
摘要：透过密集遮挡重建场景图像是一项重要但具有挑战性的任务。传统的基于帧的图像去遮挡方法在面对极其密集的遮挡时可能会导致致命的错误，因为有限的输入遮挡帧中缺乏有效的信息。事件相机是受生物启发的视觉传感器，它以高时间分辨率异步记录每个像素的亮度变化。然而，仅从事件流合成图像是不适当的，因为事件流中只记录了亮度变化，而初始亮度是未知的。在本文中，我们提出了一种事件增强的多模态融合混合网络用于图像去遮挡，它使用事件流提供完整的场景信息，使用帧提供颜色和纹理信息。提出了一种基于脉冲神经网络（SNN）的事件流编码器，以有效地对事件流进行编码和去噪。提出了比较损失以生成更清晰的结果。在基于事件和基于帧的大规模图像去遮挡数据集上的实验结果表明，我们提出的方法达到了最先进的性能。
attmoe：注意与锂离子电池的使用寿命预测的专家混合在一起
对于锂离子（锂离子）电池，诸如材料老化和容量衰减之类的问题会导致电池性能降解甚至灾难性事件。预测剩余的使用寿命（RUL）是指示锂离子电池健康的有效方法，这有助于提高电池动力系统的可靠性和安全性。我们提出了一个新型的神经网络Attmoe，该网络将注意力机制与专家（MOE）的混合物结合在一起，以捕获电池RUL预测的容量淡出趋势。面对从传感器收集的原始数据始终充满噪音的问题时，Attmoe使用辍学掩码来代替原始数据。为了进行RUL预测，一个关键思想是，注意机制捕获了序列中的元素和更多注意力之间的长期依赖性，这是对包含更多降级信息的重要特征。另一个关键思想是，MoE使用许多专家来提高模型能力以实现更好的表示。最后，我们使用两个公共数据集进行了实验，以表明ATTMOE在RUL预测中有效，并且在相对误差方面提高了10％–20％。我们的项目都是开源的，可在https://github.com/xiuzezhou/rul上找到。
锂离子电池的剩余使用寿命预测...
无人管理的水下车辆通常部署在深海环境中，这些环境呈现出独特的工作条件。锂离子电池对于为水下车辆供电至关重要，至关重要的是要准确预测其剩余使用寿命（RUL）以保持系统的可靠性和安全性至关重要。我们提出了一个基于完整集合经验模式分解的残留寿命预测模型框架，并具有自适应噪声 - 时空卷积网（Ceemdan-TCN），该卷积网（Ceemdan-TCN）利用了扩张的因果汇报来提高模型捕获局部容量再生的能力，并增强了整体预测准确性。ceemdan被用来确定数据并防止由局部再生引起的Rul预测错误，并利用特征扩展来扩展原始数据的时间维度。NASA和CALCE电池容量数据集用作训练网络框架的输入。输出是当前预测的剩余容量，它与实际剩余电池容量进行了比较。MAE，RMSE和RE用作RUL预测性能的评估索引。在NASA和CACLE数据集上验证了所提出的网络模型。评估结果表明，我们的方法具有更好的寿命预测性能。同时，证明特征扩展和模态分解都可以提高模型的概括能力，这在工业场景中非常有用。
基于锂离子电池的剩余使用寿命预测...
无人管理的水下车辆通常部署在深海环境中，这些环境呈现出独特的工作条件。锂离子电池对于为水下车辆供电至关重要，至关重要的是要准确预测其剩余使用寿命（RUL）以保持系统的可靠性和安全性至关重要。我们提出了一个基于完整集合经验模式分解的残留寿命预测模型框架，并具有自适应噪声 - 时空卷积网（Ceemdan-TCN），该卷积网（Ceemdan-TCN）利用了扩张的因果汇报来提高模型捕获局部容量再生的能力，并增强了整体预测准确性。ceemdan被用来确定数据并防止由局部再生引起的Rul预测错误，并利用特征扩展来扩展原始数据的时间维度。NASA和CALCE电池容量数据集用作训练网络框架的输入。输出是当前预测的剩余容量，它与实际剩余电池容量进行了比较。MAE，RMSE和RE用作RUL预测性能的评估索引。在NASA和CACLE数据集上验证了所提出的网络模型。评估结果表明，我们的方法具有更好的寿命预测性能。同时，证明特征扩展和模态分解都可以提高模型的概括能力，这在工业场景中非常有用。
使用生成对抗网络对脑电信号进行自动去噪
摘要：脑机接口（BCI）在各个领域有着广泛的应用。在基于脑电信号的研究中，信号去噪是必不可少的一步。本文提出了一种基于生成对抗网络（GAN）的去噪方法，对多通道脑电信号进行自动去噪。定义新的损失函数以确保滤波后的信号能够尽可能多地保留原始的有效信息和能量。该模型可以模仿和集成人工去噪方法，减少处理时间，因此可以用于大量数据处理。与其他神经网络去噪模型相比，所提出的模型多了一个判别器，它始终判断噪声是否被滤除。生成器则不断改变去噪方式。为了确保GAN模型稳定地生成脑电信号，提出了一种新的归一化方法，即基于样本熵阈值和能量阈值（SETET）归一化来检查异常信号并限制脑电信号的范围。去噪系统建立后，虽然去噪模型采用不同受试者的数据进行训练，但仍然能够适用于新受试者的数据去噪。本文讨论的实验采用HaLT公开数据集。相关性和均方根误差（RMSE）作为评价标准。结果表明，提出的自动GAN去噪网络达到了与手动混合人工去噪方法相同的性能。此外，GAN网络使去噪过程自动化，大大减少了时间。
探索脑机界面中的协同作用
患有严重神经损伤的个体通常依赖于辅助技术，但是当前的方法在准确解码多度自由度（DOF）运动方面存在局限性。皮质内脑机界面（IBMIS）使用神经信号提供更自然的控制方法，但目前在更高的动作方面挣扎 - 大脑毫不费力地处理。从理论上讲，大脑通过肌肉协同作用简化了高功能运动，这些肌肉将多个肌肉连接起来作为单个单位。已经使用降低性降低技术进行了研究，例如主成分分析（PCA），非负矩阵分解（NMF）和Demixed PCA（DPCA），并成功地用于降低噪声并改善非侵入性应用中的噪声并提高离线解码器的稳定性。然而，它们在改善各种任务的植入记录的解码和普遍性方面的有效性尚不清楚。在这里，我们评估了大脑和肌肉协同作用是否可以在非人类灵长类动物的IBMI表现中提高执行两多手指任务的IBMI表现。具体来说，我们测试了PCA，DPCA和NMF是否可以压缩和降低大脑和肌肉数据，并改善跨任务的解码器概括。我们的结果表明，尽管所有方法在解码准确性时都有最小的损失有效地压缩数据，但没有通过降解来改善性能。此外，这些方法均未增强跨任务的概括。这些发现表明，虽然降低维度可以帮助数据压缩，但仅凭它可能无法揭示提高解码器性能或概括性所需的“真实”控制空间。需要进一步的研究来确定协同作用是最佳控制框架还是是否需要替代方法来增强IBMI应用中的解码器鲁棒性。
探索脑机接口的协同作用
患有严重神经损伤的人通常依赖辅助技术，但目前的方法在准确解码多自由度 (DoF) 运动方面存在局限性。皮层内脑机接口 (iBMI) 使用神经信号来提供更自然的控制方法，但目前难以处理更高自由度的运动——大脑可以轻松处理这些运动。据推测，大脑通过肌肉协同作用简化了高自由度运动，肌肉协同作用将多块肌肉连接起来作为一个单元发挥作用。这些协同作用已经使用降维技术进行了研究，例如主成分分析 (PCA)、非负矩阵分解 (NMF) 和分离 PCA (dPCA)，并成功用于降低噪音和提高非侵入式应用中的离线解码器稳定性。然而，它们在改善不同任务中植入记录的解码和通用性方面的有效性尚不清楚。在这里，我们评估了大脑和肌肉协同作用是否可以提高非人类灵长类动物执行双自由度手指任务时的 iBMI 性能。具体来说，我们测试了 PCA、dPCA 和 NMF 是否可以压缩和去噪大脑和肌肉数据并提高解码器在任务中的泛化能力。我们的结果表明，虽然所有方法都能有效地压缩数据，同时解码精度损失最小，但没有一种方法能通过去噪来提高性能。此外，没有任何方法能增强跨任务的泛化能力。这些发现表明，虽然降维可以帮助数据压缩，但单独使用降维可能无法揭示提高解码器性能或泛化能力所需的“真实”控制空间。需要进一步研究以确定协同作用是否是最佳控制框架，或者是否需要替代方法来增强 iBMI 应用中解码器的鲁棒性。
表示动态系统的无条件降解扩散模型的表示
摘要。我们提出了用于数据驱动的动力学系统的授予扩散模型。在这种类型的深度学习中，对神经网络进行了训练，以替代和扭转扩散过程，在该过程中，高斯噪声被从动力学系统的吸引子中添加到状态。迭代应用，神经网络可以将各向同性高斯噪声的样品映射到状态分布。我们展示了这种神经网络在Lorenz 1963系统的概念验证实验中的潜力。经过培训的状态发电，神经网络可以生产几乎与吸引子上的样本。该模型已经学会了系统的内部表示，适用于国家生成以外的不同任务。作为第一个任务，我们通过重新培训其最后一层并将其余网络保留为固定特征提取器，从而为预训练的神经网络提供了替代建模。在这些低维设置中，这种精细的模型的性能与从头开始训练的深度神经网络相似。作为第二个任务，我们应用预训练的模型来从确定性运行中生成合奏。扩散运行，然后迭代应用神经网络，条件状态生成，这使我们能够从运行的邻居区域中的吸引子中采样。为了控制所得的集合扩散和高斯性，我们调整扩散时间，从而调整吸引子的采样部分。虽然更容易调整，但此提出的集合采样器可以在集合最佳插值中胜过调谐的静态协方差。因此，这两个应用显示，降级扩散模型是代表动态系统学习的有前途的方法。