XiaoMi-AI文件搜索系统
World File Search SystemSemantic
解码心灵：跨模态感知和想象的神经差异和语义表征
本研究对与感知和想象概念相关的神经信号进行了分析，旨在提高有言语障碍人士的沟通能力。该研究利用通过 124 通道 ANT Neuro eego Mylab EEG 系统（ANT Neuro BV，亨格洛，荷兰）获取的公开可用的脑电图 (EEG) 数据。该数据集包括来自 12 名参与者的 11,554 次试验。所提出的卷积神经网络 (CNN) 模型在将 EEG 数据分类为来自感知或想象的语音任务条件方面优于其他模型，测试准确率达到 77.89%。传统的机器学习模型，包括随机森林 (RF)、支持向量分类器 (SVC) 和 XGBoost，都表现出过度拟合的趋势，导致准确率较低。至于语义解码，不幸的是，不同的模型在机会层面上执行。索引词：语音解码、EEG、BCI、语义解码
解开过去语义信息的记忆
人类的视觉系统能够处理连续的视觉信息流，但大脑在连续的视觉处理过程中如何编码和检索近期的视觉记忆仍不清楚。本研究探讨了在连续的视觉刺激下，工作记忆保留过去信息的能力。然后我们提出了一项新任务——记忆解开，旨在从 fMRI 信号中提取和解码过去的信息。为了解决过去记忆信息干扰的问题，我们设计了一种解开的对比学习方法，灵感来自前摄干扰现象。该方法将相邻 fMRI 信号之间的信息分离为当前和过去成分，并将它们解码为图像描述。实验结果表明，该方法有效地解开了 fMRI 信号中的信息。这项研究可以推进脑机接口并缓解 fMRI 中时间分辨率低的问题。1
移动AIGC的跨模式生成语义通信：联合语义编码和及时工程
于2023年12月20日收到； 2024年6月18日修订； 2024年8月20日接受。出版日期2024年8月26日；当前版本的日期2024年11月5日。这项工作得到了中国国家自然科学基金会（NSFC）的一部分，根据赠款62102099和授予U22A2054的赠款，部分由Guangzhou基础研究计划，根据Grant 2023A04J1699的赠款，一部分是由Guangdong Basic和Grant Indied Basic Research Foundation下的Grant 2023A151515151514 01137。这项研究也得到了新加坡国家研究基金会的一部分，部分由InfoComm媒体发展局在其未来的通信研发研究和发展方面的一部分，部分由国防科学组织（DSO）国家实验室根据AI新加坡计划，根据Grant FCP-NTU-RG-2022-010和Grant FCP-ASTRORE的GRANT FCP-ASTRASTAR TAIRISTION，在Grant FCP-NTU-RG-2022-010和下第1层在赠款RG87/22下，部分由NTU金融计算技术中心（NTU-CCTF）。这项研究也部分得到了Sutd SRG-ISTD-2021-165的支持，部分由Sutd-Zju的想法在Grant Sutd-Zju（VP）202102下的一部分，部分由新加坡教育部，新加坡教育部在SMU-SUTD下的22-SISSIS-SIS-SIS-SIS-SMU-048和STAIRITY pactiatiatiatiatiatiatiatiation in. Smu-sutd pransiatiatiatiatiatiations praintiatiatiatiatiatiations pransiatiatiatiatiationnif。NSF在Grant CNS-2148382下部分支持Shiwen Mao的工作。建议接受J. Ren。（通讯作者：Jiawen Kang。）
Lyapunov引导的深度加强学习，用于语义意识到的AOI最小化，在UAV辅助无线网络中
摘要 - 该论文研究了一个无人驾驶汽车（UAV）辅助语义网络，地面用户（GUS）通过无人机的继电器定期将传感信息定期捕获到基站（BS）。GUS和UAV都可以从大型原始数据中提取语义信息，并将其传输到BS以恢复。较小尺寸的语义信息可降低延迟并改善信息新鲜度，而较大尺寸的语义信息可以在BS上进行更准确的数据重建，从而保留原始信息的价值。我们引入了一种新颖的语义感知年龄（SAOI）度量，以捕获信息的新鲜度和语义重要性，然后通过共同优化UAV-GU关联，语义提取，以及UAV的轨迹来提出时间平均的SAOI最小化问题。我们通过Lyapunov框架将原始问题分解为一系列子问题，然后使用层次深度强化学习（DRL）来解决每个子问题。具体来说，UAV-GU关联由DRL确定，然后是更新语义提取策略和无人机部署的优化模块。仿真结果表明，层次结构提高了学习效率。此外，它通过语义提取可实现较低的AOI，同时确保最小的原始信息丢失，表现优于现有基准。
生物信息学中的简报
摘要 - 生成的人工智能（GAI）已成为一个快速新兴的领域，该领域在智能和自动创建各种内容方面具有巨大的潜力。为了支持这种人工智能生成的内容（AIGC）服务，未来的通信系统必须满足严格的要求，包括高数据速率，吞吐量和低潜伏期，同时有效地利用有限的光谱资源。语义通信（SEMCOM）被视为一种革命性的交流计划，可以通过传达信息的含义而不是繁殖来应对这一挑战。gai算法是在模型预培训和微调，知识基础构建和资源分配方面，为启用智能有效的SEMCOM系统的基础。相反，SEMCOM可以提供较低延迟和高可靠性的AIGC服务，因为它可以执行数据编码和压缩数据以及基于知识和上下文的推理的能力。在这项调查中，我们通过研究GAI-DRIENS SEMCOM网络的架构，无线通信方案和网络管理来打破新的基础。我们首先引入了一种用于GAI驱动的SEMCOM网络的新型体系结构，其中包括数据平面，物理基础架构和网络控制平面。反过来，我们对端到端GAI驱动的SEMCOM系统的收发器设计和语义有效性计算提供了深入的分析。最后，我们探索了几个承诺的用例，即自动驾驶，智能城市和元视频，以提供GAI驱动的SEMCOM网络的全面理解和未来方向。随后，我们在拟议的网络中介绍了创新的生成水平和知识管理策略，包括知识结合，更新和共享，确保基于知识的准确性推理。
tdcl：视觉的密集语义对比度学习 -
摘要。传统的单对象跟踪任务正在经历新的转型浪潮，尤其是随着语义缺乏的出现，这导致了视觉跟踪任务的兴起。但是，将Vi-Sual Tracker与自然语言描述相结合的先前方法倾向于依靠文本描述的全局表示，而较少考虑文本描述和Vi-Sual外观之间的精细连接。本文提议利用双向交叉注意模块来捕获语言和视觉特征之间的连接，这些连接进一步投影为密集的语义反映以保持对齐方式。为了保持搜索区域与耦合的自然语言之间的语义同意，并使融合功能保持一致，本文提出了一种新颖的密集性对比度学习损失，以弥合文本和视觉方式之间的语义差距，并以密集的形式对齐。所提出的框架在跟踪包含自然语言描述的数据集（例如TNL2K和OTB99-LANG）方面实现了有希望的结果。我们的方法提供了一种新颖的解决方案，用于代表和对齐单个对象跟踪任务的跨模式信息，并可能激发该领域的进一步研究。
clft：用于语义分割的摄像头融合变压器自动驾驶
摘要 - 关于基于相机和LIDAR的语义对象细分的批判性研究，用于自动驾驶的批判性研究显着受益于深度学习的发展。具体来说，视觉变压器是一种新型的突破性，将多头注意机制成功地带入了计算机视觉应用。因此，我们提出了一个基于视觉变压器的网络，以进行摄像机范围融合，以应用于自动驾驶的语义分割。我们的提案在双向网络上使用视觉变压器的新型渐进式策略，然后将结果集成到变压器解码器层上的交叉融合策略中。与文献中的其他作品不同，我们的摄像头融合变压器在诸如雨水和低照明之类的挑战性条件下进行了评估，表现出良好的性能。本文以不同的方式报告了对车辆和人类类别的分割结果：仅相机，仅LIDAR-和摄像头融合。我们对也用于语义分割的其他网络执行相机融合式传输（CLFT）的相干控制的基准实验。实验旨在从两个角度独立地评估CLFT的能力：多模态传感器融合和骨干架构。定量评估表明，与完全跨跨性神经网络网络（FCN）摄像头 - LIDAR-LIDAR融合神经网络相比，我们的CLFT网络可在具有挑战性的暗湿条件下获得高达10％的改善。我们的完整代码可在线提供交互式演示和应用程序1。与变压器主链与网络形成鲜明对比，但使用单一模态输入，全周围的改进为5-10％。
PotholeGuard：一种基于点云语义分割的坑洼检测方法
摘要 — 坑洼检测对于道路安全和维护至关重要，传统上依赖于 2D 图像分割。然而，现有的 3D 语义坑洼分割研究往往忽略点云稀疏性，导致局部特征捕获和分割精度不理想。我们的研究提出了一种创新的基于点云的坑洼分割架构。我们的模型有效地识别隐藏特征并使用反馈机制来增强局部特征，改善特征呈现。我们引入了一个局部关系学习模块来理解局部形状关系，增强了结构洞察力。此外，我们提出了一种轻量级自适应结构，用于使用 K 最近邻算法细化局部点特征，解决点云密度差异和域选择问题。共享 MLP 池化被集成以学习深度聚合特征，促进语义数据探索和分割指导。在三个公共数据集上进行的大量实验证实了 PotholeGuard 优于最先进方法的性能。我们的方法为稳健而准确的 3D 坑洼分割提供了一种有前途的解决方案，可应用于道路维护和安全。索引词——坑洼、点云、语义分割、计算机视觉
select2col：利用语义信息的时空重要性以进行有效的协作感知
摘要 - 通过利用共享的语义信息来促进的感知在克服孤立剂的个体局限性方面起着至关重要的作用。但是，现有的协作感知方法倾向于仅关注语义信息的空间特征，同时忽略了时间维度的重要性。因此，合作的潜在利益。在Select2Col中，我们开发了一种合作者选择方法，该方法利用轻量级的图形神经网络（GNN）来估计每个合作者在增强感知表现方面的语义信息（IOSI）的重要性，从而确定了贡献者的合作者，同时排除了那些潜在地产生负面影响的那些合作者。此外，我们提出了一种称为HPHA的语义信息融合算法（历史先前的混合注意），该算法将多尺度的关注和短期关注模块整合起来，以分别从空间和时间尺寸中捕获IOSI，并从空间和时间维度中捕获IOSI稳定权重，并分配了精选的fusion Fusion Fusion Fusion Fusion for-Refortor-refortor-refortor of Informent for fromitient of Informent fromitient fromitient fromitient fromitient fromitient from from from from infusient fromient fromient fromient fromitient fromient of信息。在三个开放数据集上进行的大量实验演示了
人工智能生成内容的语义通信（AIGC）涉及有效的内容创建
人工智能生成的内容（AIGC）服务在数字内容创建中具有巨大的潜力。AIGC的独特能力，例如基于最小输入的内容生成，具有巨大的潜力，尤其是与语义通信（SEMCOM）集成时。在本文中，开发了一种用于集成AIGC和SEMCOM的新型综合概念模型。，在语义级别上引入了内容一般级别，该级别介绍了AIGC和SEMCOM如何相互作用以产生有意义有效的内容。此外，考虑到针对AIGC服务量身定制的语义提取和评估指标的关节，提出了采用AIGC技术的新型框架作为语义信息的编码和解码器。该框架可以适应所产生的不同类型的内容，所需的质量和使用的语义信息。通过采用深Q网络（DQN），提出了一个案例研究，该案例研究提供了对优化问题及其收敛特征的可行性的有用见解。