XiaoMi-AI文件搜索系统
World File Search SystemFeatures
事件细分的神经基础：环境中稳定的特征由神经状态反映
Small-scale locations Low-level visual features Large-scale locations Alexnet layers Shots MFCC Speech Events Low-level visual features Small-scale locations Large-scale locations MFCC Speech Events Speech Low-level visual features Alexnet layers Shots Small-scale locations Large-scale locations MFCC Events Events Low-level visual features Alexnet layers Shots Small-scale locations Large-scale locations MFCC语音
rsoft光子设备工具新功能
RSOFT光子设备工具2024.09释放带来了光子设备仿真的速度，准确性和可用性。关键更新包括全波FDTD的GPU加速度，BeamProp BPM中的自动化功率重归于，元音设计器中的远场优化，diffractmod RCWA中的非正交结构域支持，以及向Python 3的过渡。这些改进设置为彻底改变光子设备模拟，从而更快，更准确。
学习小对象检测的区分功能...
总结要解决诸如小目标大小，目标特征模糊以及在小物体检测中区分目标和背景的困难之类的挑战，我们提出了一种基于多尺度图像降级的方法，结合了对比度学习模型。通过利用对比度学习技术，我们的方法旨在赋予准确区分对象和背景所需的判别特征。要专门针对小物体，我们将目标样本靶向各种多尺度图像降解模式，然后才能将它们置于对比度学习模型中。然后将增强技术应用于这些退化的样品，以促进有效的对比特征学习。因此，该模型可以更好地揭示小目标和背景之间的差异，从而提高小物体检测性能。此外，考虑到空间域特征对图像的局部变化敏感，而频域特征对全球结构变化敏感，我们的方法涉及空间和频域中的对比度学习模型，旨在为小对象检测获得更强大的功能。在MS可可数据集和Visdrone2019数据集上进行的广泛实验验证了我们提出的方法在显着提高小物体检测准确性方面的有效性。关键词：小对象检测，对比度学习，双域网络，多尺度图像退化
ExplainBattery：使用高效 LSTM 模型和可解释性功能增强电池容量估计
摘要 预测和健康管理 (PHM) 通过预测故障和采取预防措施对于确保机器可靠运行至关重要。在这种情况下，准确预测用于广泛应用的锂离子电池的容量至关重要，因为它们会随着时间的推移不可避免地退化。电池管理系统 (BMS) 在电池整个生命周期的健康状况监测和管理中发挥着关键作用。我们提出了一种新型的长短期记忆 (LSTM) 神经网络模型来预测锂离子电池容量。我们的模型旨在比最先进的模型更高效，特别是在可训练参数的数量方面，使其适合部署在 BMS 中常见的低资源设备上。利用 NASA 艾姆斯预测卓越中心提供的锂离子电池老化数据集，我们证明我们的 LSTM 模型可以提供准确可靠的容量预测。为了补充所提出的模型，本文介绍了 ExplainBattery，这是一个允许用户与我们高效的 LSTM 进行交互的 Web 应用程序。该工具使用户能够直观地了解不同电池的预测结果，并通过可解释的仪表板探索最具影响力的属性。ExplainBattery 增强了我们模型的可用性和透明度，为 PHM 和 BMS 环境中的进一步研究和实际应用提供了一个可访问的平台。
利用光电容积描记法特征进行脑心相互作用的网络生理学方法以表征情感状态
新兴证据强调了心脏和大脑动态之间的双向、复杂和非线性交流。虽然一些研究已经应用人工智能根据静态 EEG 和 PPG 特征来区分和分类情绪，但很少有研究关注不同情绪状态下这些相互作用的网络元素。本研究使用来自 DEAP 数据集的数据（其中包括参与者观看情感唤起音乐视频时记录的 EEG 和 PPG 信号），应用了一种新颖的网络分析方法来研究大脑节律和 PPG 特征（幅度、峰峰间隔和脉冲宽度幅度）之间的动态相互作用。部分互相关的时间延迟稳定性用于识别情绪状态。在情感状态下，EEG 节律与 PWA 和 PPI 之间存在显着相关性（p <0.05）。然而，PPI 或 PWA 影响 EEG 波段的反向关系并不显着。此外，PPG 振幅与 EEG 节律之间的相关性（反之亦然）并未显著区分情感状态，这表明 PPG 振幅对情绪状态的指示性不如 PPI 或 PWA。研究结果确立了 EEG-PWA 和 EEG-PPI 连接是情感状态的可靠指标，并为开发可解释的基于图的情绪识别系统提供了见解。
扩散-PBD：通过扩散特征演示的可推广机器人编程
摘要 - 通过演示编程（PBD）是一种通过演示所需行为来编程机器人操纵技巧的技术技术。但是，大多数现有的方法要么需要广泛的演示，要么无法推广其最初的演示条件。我们介绍了扩散PBD，这是一种新颖的PBD方法，它使用户能够通过利用预先训练的视觉基础模型捕获的表示形式来综合单个演示中的可通用的机器人操纵技能。在演示时间，手和对象检测先验用于从锚定的人类示范中提取路点，以参考场景中的参考点。在执行时，利用了预训练的扩散模型的功能，以确定新观测中的相应参考点。我们通过一系列真实的机器人实验来验证这种方法，表明扩散PBD适用于广泛的操作任务，并且具有强大的能力，可以推广到看不见的对象，摄像头视图和场景。可以在https://diffusion-pbd.github.io
SSD 安全功能技术简介
©2021 Micron Technology, Inc. 保留所有权利。本文中的所有信息均按“原样”提供，不提供任何形式的担保，包括任何默示担保、适销性担保或适用于特定用途的担保。Micron、Micron 徽标和所有其他 Micron 商标均为 Micron Technology, Inc. 的财产。所有其他商标均为其各自所有者的财产。产品仅保证符合 Micron 的生产数据表规格。产品、程序和规格如有变更，恕不另行通知。Rev. C 10/2024 CCM004-676576390-11562。
UCC5880-Q1 隔离式 20A 可调节栅极驱动 IGBT/SiC MOSFET 栅极驱动器，具有高级保护功能，适用于汽车应用数据表 (Rev. A)
• 具有实时可变驱动强度的双输出驱动器 – ±15A 和 ±5A 驱动电流输出 – 数字输入引脚 (GD*)，用于在没有 SPI 的情况下调整驱动强度 – 3 个电阻设置 R1、R2 或 R1||R2 – 集成 4A 有源米勒钳位或可选外部驱动器用于米勒钳位晶体管 • 初级侧和次级侧有源短路 (ASC) 支持 • 内部和外部电源的欠压和过压保护 • 驱动器芯片温度感应和过温保护 • 短路保护： – 对 DESAT 事件的响应时间为 110ns – DESAT 保护 – 最高 14V 的选择 – 基于分流电阻的短路 (SC) 和过流 (OC) 保护 – 可配置的保护阈值和消隐时间 – 可编程软关断 (STO) 和两级软关断 (2STO) 电流 • 集成 10 位 ADC – 能够测量电源开关温度、DC Link 电压、驱动器芯片温度、DESAT 引脚电压、VCC2 电压 –可编程数字比较器 • 高级 VCE/VDS 钳位电路 • 符合功能安全标准 – 专为功能安全应用而开发 – 提供文档以帮助符合 ASIL D 标准的 ISO 26262 系统设计 • 集成诊断： – 保护比较器的内置自检 (BIST) – 用于功率器件健康监测的栅极阈值电压测量 – INP 至晶体管栅极路径完整性 – 内部时钟监控 – 故障报警和警告输出 (nFLT*) – ISO 通信数据完整性检查 • 基于 SPI 的器件重新配置、验证、监控和诊断 • 150V/ns CMTI • 符合 AEC-Q100 标准，结果如下： – 器件温度等级 1：-40°C 至 +125°C 环境工作温度
糖尿病性视网膜病的特征分割，而无需使用计算机视觉模型yolov8和yolov9
摘要：计算机视觉是医学图像分析中的强大工具，支持对眼部疾病的早期检测和分类。糖尿病性视网膜病（DR）是继发于糖尿病的严重眼科疾病，伴随着危险性疾病的几个早期迹象，例如微型神经疗法（MAS），出血（Hemos）和渗出液（EXS），这些症状已被广泛研究并靶向由计算机视觉模型检测的对象。在这项工作中，我们测试了最先进的Yolov8和Yolov9 Architectures DR Feldus功能分割的表演，而无需编码经验或编程背景。我们从公共Messidor数据库中获取了一百个DR图像，并手动标记并准备了它们以进行像素分割，并测试了不同模型变体的检测能力。我们通过数据增强增加了训练样本的多样性，包括平铺，翻转和旋转眼底图像。在检测诸如MA，Hemo和ex之类的DR病变时，提出的方法达到了可接受的平均平均精度（MAP），以及眼睛后极的标志，例如视盘。我们将我们的结果与涉及不同神经网络的文献中的相关作品进行了比较。我们的结果是有希望的，但尚未准备好进入临床实践。必须进行准确的病变检测，以确保早期和正确的诊断。未来的工作将进一步研究病变检测，尤其是MA分割，并通过改进的提取技术，图像预处理和标准化数据集进行研究。