XiaoMi-AI文件搜索系统
World File Search SystemImagery
一种新型运动图像分类的模型
摘要：运动图像分类对具有移动性障碍的人具有很大的意义，以及如何提取和利用运动图像脑图像（EEG）渠道的有效特征一直是注意力的焦点。有许多不同的方法用于运动临时分类，但是对人脑的有限理解需要更多有效的方法来提取脑电图数据的特征。图形神经网络（GNN）已证明其在分类图结构中的效果。 GNN的使用为大脑结构连接特征提取提供了新的可能性。在本文中，我们提出了一个新的图形神经网络，基于称为MutualGraphnet的原始EEG通道的相互信息。我们使用相互信息作为与空间时间图卷积网络（ST-GCN）相结合的ADJACENCY矩阵可以提取运动成像电脑图（EEG）的过渡规则，更有效地通道数据。实验是在运动图像脑电图数据集上进行的，我们将模型与当前的最新方法进行了比较，结果表明，互助网络足够强大，足以学习可解释的特征并优于当前最新方法。关键字：图形卷积，深度学习，脑电图（EEG），脑部计算机间（BCI）
辨别人工智能生成图像的年龄差异
1.简介 AI 工具在我们的日常生活中越来越普遍。最近，AI 生成的文本和图像方面出现了许多创新，例如 ChatGPT [23] 和 Midjourney [18] 等 AI 工具。此类工具对于企业来说非常有用且价格低廉，因此已在编程和设计中得到专业使用 [16]。然而，随着人工智能的兴起，也带来了一些值得强调的负面后果。例如，普通人以数字方式创建和传播虚假信息的能力得到了增强。如果处理不当，可能会产生重大的社会后果。在之前的一项研究中，讨论了生成图片来制造伪造科学证据的可能性 [12]。他们得出结论，这可能对学术出版构成严重威胁，因为它很难被发现。人工智能被用来传播虚假信息的一个例子是，一段假视频中，气候活动家 Greta Thunberg 支持环保军事技术，即所谓的“可生物降解导弹” [15]。除此之外，还有很多其他人工智能生成的名人图像的例子，这些图像在网上获得了广泛的关注 [14]。虚假信息已经成为一个如此重要的话题，以至于近年来，假新闻、后真相和虚假信息这几个词分别被柯林斯词典、牛津词典和 Dictionary.com 评为“年度词汇” [3]。
CoralNet：用于自动注释底栖图像的 AI
Beijbom、Edmunds、Roelfsema、Smith、Kline、Neal、Dunlap、Moriarty、Fan、Tan、Chan、Treibitz、Gamst、Mitchell、Kriegman，“面向底栖调查图像的自动注释：人类专家的多变性和自动化操作模式”，PLOS ONE，2015 年
用于运动意象分析的多层 CNN 模型
摘要 明尼苏达大学的研究人员率先提出了脑控无人机的概念，并由此引发了一系列研究。这些早期的努力为更先进的脑控无人机原型奠定了基础。然而，由于 BCI 信号具有非平稳性和高维性，因此本质上非常复杂。因此，仔细考虑特征提取和分类过程至关重要。本研究引入了一种新方法，将预训练的 CNN 与经典神经网络分类器和 STFT 频谱相结合，形成多层 CNN 模型 (MTCNN)。MTCNN 模型用于解码两类运动想象 (MI) 信号，从而实现对无人机上下运动的控制。本研究的实验阶段涉及四个关键实验。第一个实验使用大量数据集评估了 MTCNN 模型的性能，分类准确率高达 99.1%。第二个和第三个实验针对同一受试者在两个不同的数据集上评估了该模型，成功解决了与受试者间和受试者内差异相关的挑战。 MTCNN 模型在两个数据集上都实现了 99.7% 的出色分类准确率。在第四次实验中，该模型在另一个数据集上进行了验证，实现了 100% 和 99.6% 的分类准确率。值得注意的是，MTCNN 模型在两个 BCI 竞赛数据集上的准确率超过了现有文献。总之，MTCNN 模型展示了其解码与左手和右手运动相关的 MI 信号的潜力，为脑控无人机领域提供了有希望的应用，特别是在控制上下运动方面。此外，MTCNN 模型有可能通过促进该模型与基于 MI 的无人机控制系统的集成，为 BCI-MI 社区做出重大贡献。
基于脑电图的运动想象分类的深度学习
摘要 本研究使用先进的深度学习架构全面探索了基于脑电图的运动想象分类。我们重点关注六种不同的运动想象类别，研究了卷积神经网络 (CNN)、具有长短期记忆的 CNN (CNN-LSTM) 和具有双向 LSTM 的 CNN (CNN-BILSTM) 模型的性能。CNN 架构表现出色，准确率高达 99.86%，而 CNN-LSTM 和 CNN-BILSTM 模型分别达到 98.39% 和 99.27%，展示了它们在解码与想象运动相关的脑电图信号方面的有效性。结果强调了这项研究在辅助机器人和自动化等领域的潜在应用，展示了将认知意图转化为机器人动作的能力。这项研究为脑电图分析的深度学习领域提供了宝贵的见解，为脑机接口和人机交互的进步奠定了基础。
使用自适应改进的运动想象分类...
a. 将空间滤波器应用于处理后的训练数据以获得过滤后的训练数据。b. 计算过滤后的训练数据和训练标签之间的损失。c. 通过更新空间滤波器来最小化损失。（4）保存学习到的空间滤波器。（5）将学习到的空间滤波器应用于处理后的训练数据以获得过滤后的训练数据。（6）从过滤后的训练数据中提取特征以获得训练特征。（7）使用训练特征和训练标签训练分类器。（8）保存训练后的分类器。（9）预处理原始测试数据以获得处理后的测试数据。（10）将学习到的空间滤波器应用于处理后的测试数据以获得过滤后的测试数据。（11）从过滤后的测试数据中提取特征以获得测试特征。（12）使用训练后的分类器预测测试特征的标签。（13）返回预测的测试标签。
惯用手对优势和非优势形象的影响
具身认知假定所有心理过程都由身体及其与环境的感觉运动相互作用所塑造（Casasanto，2009 ；Garbarini 和 Adenzato，2004 ；Madan 和 Singhal，2012 ；Wilson，2002）。通过身体体验发展认知是身体特异性假设的基础，该假设认为不同身体的个体与周围环境的互动方式不同，因此应该表现出不同的思维方式（Casasanto，2009 ）。由于右撇子（RH）和左撇子（LH）个体以系统不同的方式使用身体，研究心理过程如何随着手优势而变化是研究这一假设的理想方法（Brunyé 等人，2012 ；Conson 等人，2010 ；Willems 等人，2010 ）。一种这样的心理过程是运动意象或对动作的想象而不进行实际执行（Madan & Singhal，2012）。运动意象主要涉及两种感觉方式：视觉和动觉。视觉方式涉及对想象运动的视觉化，而动觉方式则要求个体想象运动的感觉。这两种方式并不互相排斥。例如，即使在被指示在想象不熟悉的动作时使用动觉，个体也会使用视觉方式，这表明视觉方式是为了补充不熟悉动作不太生动的动觉形象（Mizuguchi 等人，2016 年；Olsson 等人，2008 年）。
调查用户对脑电图运动想象的熟练程度——...
摘要：基于脑电图 (EEG) 的脑机接口 (BCI) 研究广泛应用于轮椅控制。用户的能力是 BCI 效率的一个因素。因此，我们专注于 BCI 任务和协议，以从个人用户的稳健 EEG 特征中获得高效率。本研究提出了一种基于任务的大脑活动来获得 alpha 波段的力量，其中包括闭眼以获得枕叶区域的 alpha 反应、注意向上箭头以获得额叶区域的 alpha 反应以及想象的左/右运动以获得左/右运动皮层与 alpha 事件相关的去同步。EPOC X 神经耳机用于获取 EEG 信号。我们还通过推荐运动想象任务来提出用户在肢体运动范式的运动意象会话中的熟练程度。使用所提出的系统，我们验证了特征提取算法和命令翻译。 12 名志愿者参加了实验，并使用传统的运动想象范式来比较效率。利用用户的运动想象能力，左右命令的平均准确率达到 83.7%。通过用户熟练程度推荐的 MI 范式比传统 MI 范式的准确率高出约 4%。此外，模拟轮椅的实时控制结果显示，基于时间条件的效率很高。与基于操纵杆的控制相比，执行相同任务的时间结果仍然大约长三倍。我们建议使用用户熟练程度为初学者推荐个性化的 MI 范式。此外，所提出的 BCI 系统可用于严重残疾人士的电动轮椅控制。
航空高光谱图像和深度神经网络……
农作物产量需要以可持续的方式增加，以满足日益增长的全球粮食需求。为了确定具有高产潜力的农作物品种，植物科学家和育种家在数年间评估了多个地点数百个品系的表现。为了促进选择先进品种的过程，本研究开发了一个自动化框架。高光谱相机安装在无人机上，以收集具有高空间和光谱分辨率的航空图像。在连续两个生长季从三个实验产量田拍摄航空图像，这些田地由数百个实验地块（1×2.4 米）组成，每个实验地块包含一个小麦品系。联合收割机收割了上千块小麦地块的谷物，称重并记录为地面真实数据。为了利用高空间分辨率并研究地块内的产量变化，通过整合图像处理技术和光谱混合分析与专家领域知识，将地块图像划分为子地块。随后，使用分层抽样将子地块数据集划分为训练集、验证集和测试集。从每个子地块提取特征后，对深度神经网络进行产量估计训练。在子地块规模上预测测试数据集产量的决定系数为 0.79，均方根误差为 5.90 克。除了提供对子地块规模产量变化的见解外，所提出的框架还可以促进高通量产量表型分析过程，作为一种有价值的决策支持工具。它提供了以下可能性：（i）远程目视检查地块，（ii）研究作物密度对产量的影响，以及（iii）优化地块大小以每年在专用田地中调查更多线路。
使用数字图像开发地图绘制程序...
数字摄影测量是 GIS 中的重要数据源之一。航空摄影测量主要用于制作地形或专题地图以及数字地形模型。数字图像可以通过各种输入设备和技术创建，例如数码相机、扫描仪、坐标测量机、地震剖面仪、机载雷达等。在航空摄影测量中，航空照片是使用称为测量相机或大画幅相机（230mm x 230mm）的特殊相机和固定翼飞机获取的。测量相机具有稳定且精确的内部几何形状和非常低的镜头畸变。因此，它们是非常昂贵的设备，获取航空照片的成本也非常昂贵。要获取小面积的航空照片，使用普通的大画幅航空相机是不经济的。因此，必须使用其他替代方案。如今，世界各地的人们都开始使用小格式相机获取航空照片。在本研究中，无人驾驶飞行器 (UAV) 系统是一种非常小的飞机（2.7 公斤），称为 CropCam UAV（加拿大），用于获取某个区域的小格式航空照片（即数字图像）以进行测绘。使用全球定位系统在研究区域周围建立足够数量的地面控制和检查点。使用数字摄影测量系统处理数字图像以生成摄影测量输出，例如地图或正射影像。在本研究中，比较了大格式航空照片和小格式航空照片之间的测绘程序。通常，大格式和小格式相机的测绘程序是相同的。对于小画幅相机，需要拍摄多张照片才能覆盖大画幅相机所覆盖的相同区域。因此，需要更多时间来制作航拍照片。但是，小画幅相机具有巨大的潜力，可用于各种多样化的应用，例如小区域地图修订、高速公路上的碰撞事故、山体滑坡（环境灾害）、地理信息系统 (GIS) 应用等。关键词：无人机、数字摄影测量、小画幅航拍照片。1.0 研究背景