XiaoMi-AI文件搜索系统
World File Search SystemMulti
受大脑启发的具有脉冲神经元的多层感知器
近年来，多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差，MLP 在特征提取方面表现良好并取得了惊人的效果。然而，由于其结构简单，其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能，我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络，在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中，我们将 LIF 神经元的机制合并到 MLP 模型中，以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信，包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块，我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率，据我们所知，这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
多尺度混合制造：体积打印与两种技术的结合
最近，一种名为体积打印 (VP) 的新型基于光的制造方法已成为此类应用的一种有前途的技术，它能够在几秒钟内打印复杂的厘米大小的模型。[26,27] 最近的研究表明，使用从玻璃到生物聚合物等材料，可以创建中空、可灌注结构，并可能针对中尺度血管系统。[28–31] 然而，与上述所有方法一样，VP 也无法覆盖从 µ m/亚 µ m 到 cm 的分辨率范围，因此目前将其应用限制在特征 > 100–200 µ m 的微流体结构上。另一种基于光的方法双光子烧蚀 (2PA) 则提供了互补功能，虽然打印时间和构造尺寸有限，但达到了所有生物制造方法中最高的分辨率（≤ 1 µ m）。 [8] 2PA 是基于高强度脉冲激光诱导的多光子电离，[32,33,34] 并且已被探索用于各种应用，从“纳米手术”到形成细胞指导微通道。[35–41]
用于鸢尾花数据的量子变分多类分类器...
摘要。量子计算机机器学习的最新进展主要得益于两项发现。将特征映射到指数级大的希尔伯特空间中使它们线性可分——量子电路仅执行线性运算。参数移位规则允许在量子硬件上轻松计算目标函数梯度——然后可以使用经典优化器来找到其最小值。这使我们能够构建一个二元变分量子分类器，它比经典分类器具有一些优势。在本文中，我们将这个想法扩展到构建多类分类器并将其应用于真实数据。介绍了一项涉及多个特征图和经典优化器以及参数化电路的不同重复的系统研究。在模拟环境和真实的 IBM 量子计算机上比较了模型的准确性。
通过共享缺少模态的多模态学习...
缺失模态问题对于多模态模型来说至关重要，但并非易事。当前旨在处理多模态任务中缺失模态问题的方法要么仅在评估期间处理缺失模态，要么训练单独的模型来处理特定的缺失模态设置。此外，这些模型是为特定任务设计的，例如，分类模型不易适应分割任务，反之亦然。在本文中，我们提出了共享特定特征建模 (ShaSpec) 方法，该方法比解决上述问题的竞争方法简单得多，也更有效。ShaSpec 旨在通过学习共享和特定特征来更好地表示输入数据，从而在训练和评估期间利用所有可用的输入模态。这是通过一种依赖于基于分布对齐和域分类的辅助任务以及残差特征融合程序的策略实现的。此外，ShaSpec 的设计简单性使其易于适应多种任务，例如分类和分割。在医学图像分割和计算机视觉分类方面进行了实验，结果表明 ShaSpec 的表现远胜于竞争方法。例如，在 BraTS2018 上，ShaSpec 将增强肿瘤的 SOTA 提高了 3% 以上，将肿瘤核心的 SOTA 提高了 5%，将整个肿瘤的 SOTA 提高了 3%。1
标题转移学习基于小儿EEGS多个渠道的癫痫发作检测
摘要 - 癫痫是一种常见的神经系统疾病，其特征是在全球范围内影响多达7,000万人的癫痫发作。在生命的头十年中，每150名儿童中大约有一个被诊断出患有癫痫病。脑电图是诊断癫痫发作和其他脑部疾病的重要工具。但是，脑电图的专家视觉分析很耗时。除了减少专家注释时间外，自动癫痫发作检测方法是帮助专家分析脑电图的强大工具。对小儿脑电图中癫痫发作的自动检测的研究已被提出。深度学习算法通常用于小儿癫痫发作检测方法；但是，它们在计算上很昂贵，并且需要很长时间才能开发。可以使用转移学习来解决此问题。在这项研究中，我们在小儿EEG的多个通道上开发了一种基于转移学习的癫痫发作检测方法。公开可用的CHB-MIT EEG数据集用于构建我们的方法。数据集分为训练（n = 14），验证（n = 4）和测试（n = 6）。从10 s EEG信号产生的具有5 s重叠的频谱图用作三个预训练的传输学习模型（RESNET50，VGG16和InceptionV3）的输入。我们小心翼翼地将孩子分成培训或测试集中，以确保测试集是独立的。基于脑电图测试集，该方法具有85.41％的精度，85.94％的召回率和85.49％的精度。此方法有可能协助研究人员和临床医生对小儿脑电图中癫痫发作的自动分析。
使用 CRISPR/Cas9 对无融合生殖四倍体草皮和牧草（Paspalum notatum Flügge ́）进行多等位基因编辑
多倍体在禾本科植物中很常见，对传统育种提出了挑战。基因组编辑技术绕过了杂交和自交，能够在一代中对多个基因拷贝进行有针对性的修改，同时保持许多多倍体基因组的杂合背景。巴哈草（Paspalum notatum Flügge ́；2 n =4 x =40）是一种无融合生殖的四倍体 C4 物种，在美国东南部广泛种植，作为肉牛生产和公用事业草坪的饲料。叶绿素生物合成基因镁螯合酶（MgCh）被选为在四倍体巴哈草中建立基因组编辑的快速读出目标。含有 sgRNA、Cas9 和 npt II 的载体通过基因枪法递送到愈伤组织培养物中。通过基于 PCR 的检测和 DNA 测序对编辑植物进行了表征，并观察到高达 99% 的 Illumina 读数的诱变频率。野生型 (WT) 巴哈草的测序显示，MgCh 的序列变异水平很高，这可能是因为存在至少两个拷贝，可能包含八种不同的等位基因，包括假基因。MgCh 突变体表现出明显的叶绿素消耗，叶片绿度降低了 82%。两种品系显示出随时间推移的编辑进展，这与体细胞编辑有关。获得了嵌合 MgCh 编辑事件的无融合生殖后代，并允许在一系列叶绿素消耗表型中识别出统一编辑的后代植物。高度编辑的突变体的 Sanger 测序显示 WT 等位基因的频率升高，可能是由于频繁的同源定向修复 (HDR)。据我们所知，这些实验是首次报道将基因组编辑应用于多年生暖季草皮或牧草。该技术将加速巴哈草品种的开发。
量子多模型拟合 - CVF 开放获取
几何模型拟合是一个具有挑战性但又十分基础的计算机视觉问题。最近，量子优化已被证明可以增强单模型情况的稳健拟合，同时多模型拟合的问题仍未得到解决。为了应对这一挑战，本文表明后一种情况可以从量子硬件中显著受益，并提出了第一种多模型拟合 (MMF) 的量子方法。我们将 MMF 表述为一个问题，现代绝热量子计算机可以对其进行有效采样，而无需放宽目标函数。我们还提出了一种迭代和分解版本的方法，该方法支持真实世界大小的问题。实验评估在各种数据集上都显示出有希望的结果。源代码可在以下位置获得：https://github.com/FarinaMatteo/qmmf 。
Wafer-Scale Gold Nanomesh通过纳米转移印刷朝着具有成本效益的多重传感平台
检测化学和生物物质，以涉及各种应用方案，例如可穿戴电子设备，智能点（POC）诊断，环境监测等。[1,2]要适当地满足这些新兴要求，理想的生化传感器应具有诸如高灵敏度，长期鲁棒性，快速响应，实时监测能力，出色的选择性，低单位成本，检测下限，较大的动态范围，低功耗等等等特性[3]但是，人类仍然需要进行陡峭的攀登之旅才能实现这些目标。值得注意的是，2019年冠状病毒病的全球大流行（Covid-19）表明，我们的技术储备在满足这种紧急，庞大和多功能的要求方面并没有充分准备，并引起了对生化感测技术的极大关注。迄今为止，包括化学主义的几种主要技术路线，[4,5] plasonic，[6,7]电化学，[8,9]声传感器，[10,11]等。已经开发出来，每个传感器中的每一个都在某些上述方面具有针对各种实际应用方案的特定优点。纳米制造技术的快速开发用于不同材料和各种结构，由于其小特征和主动结构特性，例如高地表到数量，独特的物理特性，独特的物理特性等，戏剧性地增强了这些传感设备的性能。[12–14]
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
仿生学中的多感觉整合：相关性和前景
摘要 综述目的 本综述旨在强调与仿生肢体和体感反馈恢复相关的多感觉整合过程日益增长的重要性。 最新发现 通过神经刺激恢复准现实感觉已被证明可为肢体截肢者带来功能和运动益处。近期，与人工触觉相关的认知过程似乎在假肢的完全整合和接受中发挥着至关重要的作用。 摘要 仿生肢体中实现的人工感觉反馈增强了截肢者对假肢的认知整合。多感觉体验是可以测量的，必须在设计新型体感神经假体时予以考虑，其目标是为假肢使用者提供逼真的感觉体验。正确整合这些感觉信号将保证更高水平的认知益处，从而实现更好的假肢并减少感知到的肢体扭曲。