XiaoMi-AI文件搜索系统
World File Search SystemNeural
神经：自动驾驶的神经渲染
神经辐射场（NERFS）在自动驾驶（AD）社区中广受欢迎。最近的方法显示了NERFS进行闭环模拟的潜力，广告系统的启动测试以及作为先进的培训数据增强技术的潜力。但是，现有的方法通常需要较长的训练时间，密集的语义范围或缺乏普遍性。这反过来妨碍了NERF的应用在大规模上应用于AD。在本文中，我们提出了一种针对动态AD数据量身定制的可靠的新型视图合成方法。我们的方法具有简单的网络设计，凸轮和激光镜头的广泛传感器建模 - 包括滚动快门，梁发散和射线掉落 - 并且适用于开箱即用的多个数据集。我们在五个受欢迎的广告数据集上验证其性能，从而实现最新的性能。为了鼓励进一步开发，我们公开发布了神经源源代码。
图像、GMTI 和信息融合的神经方法 - DTIC
根据 JDL 数据融合组过程模型，在 0、1、2 和 2+/3 级进行数据和信息融合。为了支持多传感器 IMINT 和 GMTI 融合和 3D 可视化，我们构建了阿拉巴马州莫比尔码头和周边地区的 3D 站点模型，该模型允许使用我们现有的图像挖掘工具进行搜索，并提供 COP 环境，可以在其中模拟和可视化场景。我们开发了用于模拟交通和编写单个车辆移动脚本的软件，以支持场景创建。我们探索了几个新概念来支持 2+/3 级的更高级别的信息融合。一种方法源于对动态脉冲信息网络及其同步形式的神经处理的洞察。这些网络可以以关系和学习到的关联的形式绑定数据和语义知识。我们证明了使用这些网络在移动数据集中学习动态城市场景中移动车辆之间的简单关联的可行性。第二种方法涉及从图像和/或文本数据中提取知识结构。我们开发了两种从数据集中的概念共现中发现分类法的机制。我们证明了这些方法对融合图像和文本语料库的有效性。最后一种方法利用神经启发机制从移动的跟踪实体中学习正常行为模型。这些模型随后被使用
通过跳跃扩散驱动的神经SDE的多变量时间序列建模
在数据科学和机器学习的不断发展的景观中，时间序列建模的领域已成为一个重要且挑战性的研究领域。时间序列数据及其独特的时间依赖性和顺序模式，在金融，医疗保健和气候科学等各个领域中找到了应用[1,2,3]。时间序列的准确建模对于创建强大的模型和理解复杂系统至关重要。建模时间序列的一种方法是通过生成模型[4]，该模型在异常检测[5]和数据增强[6]中具有实际应用。在本文中，我们提出了一种基于时间序列生成和建模的神经SDE的新颖方法。尤其是，我们旨在创建一个可以利用默顿模型[3]作为跳跃框架的模型，该模型可以考虑实际市场的跳跃。归一化流是具有易生化密度估计的生成模型家族。主要思想是通过组成几个函数f i将初始复杂的数据分散分散转换为一个简单的想法。有一些
通过实例模式编写器实现可泛化的隐式神经表征
尽管隐式神经表征 (INR) 近期取得了进展，但对于基于坐标的 INR 多层感知器 (MLP) 来说，学习跨数据实例的通用表征并将其推广至未见实例仍然具有挑战性。在这项工作中，我们为可推广的 INR 引入了一个简单而有效的框架，该框架使基于坐标的 MLP 能够通过仅调节早期 MLP 层中的一小组权重作为实例模式组合器来表示复杂数据实例；其余 MLP 权重学习跨实例通用表示的模式组合规则。我们的可推广 INR 框架与现有的元学习和超网络完全兼容，可用于学习预测未见实例的调节权重。大量实验表明，我们的方法在音频、图像和 3D 对象等广泛领域都实现了高性能，而消融研究验证了我们的权重调节。
用于电子神经网络的数模混合突触芯片
级联的 CMOS 突触芯片包含一个 32x32 (1024) 个可编程突触的交叉阵列，已被制造为用于完全并行实现神经网络的“构建块”。突触基于混合数模设计，该设计利用片上 7 位数据锁存器来存储量化权重，并利用两象限乘法 DAC 来计算加权输出。突触具有 6 位分辨率，传输特性具有出色的单调性和一致性。已制造了一个包含四个突触芯片的 64 神经元硬件，用于研究反馈网络在优化问题解决中的性能。在本研究中，已在硬件中实现了 7x7 一对一分配网络和 Hop field-Tank 8 城市旅行商问题网络。已证明该网络能够实时获得最佳或接近最佳的解决方案。
利用神经速度场进行微分同胚图像配准
微分同胚图像配准能够提供平滑的变换和拓扑保存，在许多医学图像分析任务中是必需的。传统方法对可接受的变换空间施加某些建模约束，并使用优化来寻找两幅图像之间的最佳变换。指定正确的可接受的变换空间具有挑战性：如果空间过于严格，配准质量可能会很差，而如果空间过于笼统，则优化可能难以解决。最近基于学习的方法利用深度神经网络直接学习变换，实现了快速推理，但由于难以捕捉微小的局部变形和泛化能力，在准确性方面面临挑战。在这里，我们提出了一种新的基于优化的方法，称为 DNVF（带神经速度场的微分同胚图像配准），该方法利用深度神经网络来建模可接受的变换空间。具有正弦激活函数的多层感知器 (MLP) 用于表示连续速度场，并为空间中的每个点分配一个速度矢量，从而提供对复杂变形进行建模的灵活性以及优化的便利性。此外，我们提出了一种级联图像配准框架 (Cas-DNVF)，结合了优化和基于学习的方法的优点，其中训练完全卷积神经网络 (FCN) 来预测初始变形，然后使用 DNVF 进行进一步细化。在两个大型 3D MR 脑部扫描数据集上进行的实验表明，我们提出的方法明显优于最先进的配准方法。
研究论文 使用反向传播神经网络对高光谱遥感数据中的岩性信息进行提取和分类
为了解决高光谱遥感数据处理中遇到的同构问题,提高高光谱遥感数据在岩性信息提取与分类的精度,以岩石为研究对象,引入反向传播神经网络(BPNN),对高光谱图像数据进行归一化处理后,以岩性光谱与空间信息为特征提取目标,构建基于深度学习的岩性信息提取模型,并使用具体实例数据分析模型的性能。结果表明:基于深度学习的岩性信息提取与分类模型总体精度为90.58%,Kappa系数为0.8676,能够准确区分岩体性质,与其他分析模型相比具有较好的性能。引入深度学习后,提出的BPNN模型与传统BPNN相比,识别精度提高了8.5%,Kappa系数提高了0.12。所提出的提取及分类模型可为高光谱岩矿分类提供一定的研究价值和实际意义。
DNA：用于模板的可变形神经关节网络...
在本文中，我们提出了一种新型的可变形神经关节网络 (DNA-Net)，这是一种基于无模板学习的方法，用于从单个 RGB-D 序列进行动态 3D 人体重建。我们提出的 DNA-Net 包括一个神经关节预测网络 (NAP-Net)，它能够通过学习预测一组关节骨骼来跟随输入序列中人体的运动，从而表示人体的非刚性运动。此外，DNA-Net 还包括有符号距离场网络 (SDF-Net) 和外观网络 (Color-Net)，它们利用强大的神经隐式函数来建模 3D 几何和外观。最后，为了避免像以前的相关工作那样依赖外部光流估计器来获得变形线索，我们提出了一种新的训练损失，即基于易到难几何的损失，这是一种简单的策略，它继承了倒角距离的优点来实现良好的变形引导，同时仍然避免了其对局部不匹配敏感性的限制。DNA-Net 以自监督的方式直接在输入序列上进行端到端训练，以获得输入对象的 3D 重建。DeepDeform 数据集视频上的定量结果表明，DNA-Net 的表现优于相关的最先进方法，并且有足够的差距，定性结果还证明我们的方法可以高保真度和细节重建人体形状。
摘要。这项工作旨在回顾人工神经网络（ANN）的最典型实现，这些实现是在前馈神经网络中实现的。
摘要。这项工作旨在回顾人工神经网络 (ANN) 的最典型实现，这些实现在前馈神经网络 (FNN) 和循环神经网络 (RNN) 中实现。讨论了 ANN 架构和基本操作原理的本质区别。学习过程的问题分几个部分介绍。使用 ANN 进行预测的优势已在自适应教育学、医学和生物学分类、工业等多个热门领域得到证实。JEL：C45。关键词：人工智能；人工神经网络；前馈神经网络；循环神经网络；感知器。引用：Alytis Gruodis (2023) 人工神经网络在过程建模中的实现。当前实现概述。– 应用业务：问题与解决方案 2(2023)22–27 – ISSN 2783-6967。https://doi.org/10.57005/ab.2023.2.3
