XiaoMi-AI文件搜索系统
World File Search SystemFFT
半径优化的高效模板匹配用于脑图像病变检测
摘要 — 为了快速自动诊断神经疾病，需要从体积磁共振成像 (MRI) 中计算机辅助检测脑损伤。模板匹配技术可以为脑损伤的自动定位提供满意的结果；然而，找到使模板和损伤相似度最大化的最佳模板大小仍然具有挑战性。这增加了算法的复杂性和对计算资源的要求，同时使用了三维 (3D) 模板处理大型 MRI 体积。因此，需要降低模板匹配的计算复杂度。在本文中，我们首先提出了一个数学框架，用于计算归一化互相关系数 (NCCC) 作为 MRI 体积和近似 3D 高斯模板之间的相似性度量，具有线性时间复杂度，而不是传统的基于快速傅里叶变换 (FFT) 的方法，其复杂度为，其中是图像中的体素数，是尝试的模板半径的数量。然后，我们提出一个数学公式来分析估计图像中每个体素的最佳模板半径，并计算具有位置相关最佳半径的 NCCC，从而将复杂度降低到。我们在一个合成和两个真实的多发性硬化症数据库上测试了我们的方法，并将其在病变检测中的性能与 FFT 和最先进的病变预测算法进行了比较。我们通过实验证明了所提出的方法在脑病变检测中的效率及其与现有技术相当的性能。索引术语 – 脑病变检测、计算复杂度、FFT、MRI、NCCC、模板匹配。
CNN加速器的硬件有效卷积算法：简短的评论
摘要。卷积神经网络（CNN）是一项在图像处理和计算机视觉应用方面非常重要的技术。CNN的瓶颈是多维卷积，通常需要加速器硬件。这些加速器使用的卷积算法直接影响缩放期间速度增加与硬件资源消耗之间的比率，这是一种称为硬件效率的度量。该指标越低，在较小的性能改进上花费的功率和区域越多。在这篇综述中，我们分析了卷积层中使用的当前验证算法的硬件效率的潜力：大多数现代应用，Toom-Cook卷积和FFT卷积使用的IM2COL卷积。我们的分析揭示了有关硬件缩放的IM2COL卷积的效率低下，并确认了使用Toom-Cook和FFT卷积的硬件有效应用的潜力，每个应用程序都带有警告。此外，我们确定了这些算法的可能硬件应用程序，这些应用程序可以在未来的工作中扩展。
通过固态去湿法生长的硅纳米晶体高灵敏度 MIS 结构
图 3：(a) 和 (b) 通过对 1 nm 和 2 nm 厚的 a-Si 进行去湿处理获得的 Si NC 的 SEM 图像，显示 NC 的尺寸均匀；(c) 从 1 nm 厚的 a-Si 获得的单个 NC 的 TEM 横截面图像。插图中给出了图像的 FFT 和 NC 的缩放。
编号理论变换（NTT）
数字理论变换（NTT）是一种强大的数学工具，在开发量子加密后（PQC）和同形加密（HE）方面变得越来越重要。使用具有快速傅立叶变换式算法实现时，使用具有准线性复杂性O（N log N）而不是O（n log N）的卷积定理有效计算多项式乘法的能力使其成为现代密码学中的关键组成部分。FFT风格的NTT算法或Fast-NTT在基于晶格的密码学中特别有用。在此简短说明中，我们简要介绍了通过传统的教学书算法，传统NTT，其倒数（INTT）和类似FFT的版本的NTT/Intt的传统学科算法，线性，环状和否定卷积的基本概念。然后，我们通过不同的概念和算法提供一致的玩具示例，以了解NTT概念的基础。
宏观属性预测，用于从微观结构到高级均质化的625添加性生产
添加性生产的金属零件的抽象设计需要组合模型，以预测微观结构，制造和操作条件的零件的机械响应。本文记录了我们对空军研究实验室（AFRL）添加剂制造建模挑战3的反应，该挑战3要求参与者预测IN625的拉伸优惠券作为微观结构和制造条件的函数的机械响应。代表性体积（RVE）方法与晶体可塑性材料模型结合在一起，该模型在用于应对挑战的快速傅立叶变换（FFT）框架内求解。在竞争期间，材料模型的量化被证明是一个挑战，这促使本手稿中使用适当的概括分解（PGD）引入了本手稿。最后，一种称为自洽聚类分析（SCA）的机械减少阶方法，显示为解决这些问题的FFT方法的替代方法。除了提出反应分析外，还讨论了与建模相关的一些物理解释和假设。
