XiaoMi-AI文件搜索系统
World File Search SystemTsung
tsung-wei我<
o verview我对行动，感知和认知的三重奏感兴趣。我的毕业论文以嵌入图像中的视觉结构和上下文为中心。我已经使用无监督/弱监督的方法研究了层次分割和识别。最近，我一直在通过模仿学习来构建操纵政策。我想探索机器人通才学习以进行未来的研究。
http://social-epistemology.com ISSN：2471-9560三十年后的下一步：回复Basu Tsung-yen Tsou，弗吉尼亚理工学院
12（3）：5–14。2023。https：//wp.me/p1bfg0-7du s Umitran Basu的“技术的社会建设三十年：动态而模糊？方法论的难题”（2022）提供了有见地的评论，并为我们建立了一个坚实的基石，可以审查和反思技术的社会建构（SCOT）。为未来的科学，技术和社会（STS）撰写评论是一种仁慈和慷慨的行为。通过Basu对SCOT的彻底和结构化的评论，我们可以从Scot的过去成就和科学技术研究中的分歧中学习。 Basu在按时间顺序上安排了对Scot的评论，从Trevor Pinch和Wiebe Bijker在自行车上的第一个经验案例到苏格兰人在全球范围内受到批评后的演变。 在按时间顺序审查之后的部分中，巴苏提出了他对苏格兰人的方法论上的困难和困境的关键见解 - 运营和解释性困境（10-12）。 1。 引言运营困难发生时，当SCOT扩展到技术框架之外并引入其他两个分析单位时，就会发生运营困难：社会技术合奏和技术文化。 由于SCOT具有从文物和相关社会群体到技术框架的强大方法论，因此将社会技术合奏或技术文化纳入技术框架是一项挑战。 换句话说，后来引入的概念仅限于自己的规模和挑战，以在工件，社会技术合奏和技术文化之间建立可行的联系。 从一开始，苏格兰人的开拓者（Bijker and Pinch）就一直处于学术辩论的中心。通过Basu对SCOT的彻底和结构化的评论，我们可以从Scot的过去成就和科学技术研究中的分歧中学习。Basu在按时间顺序上安排了对Scot的评论，从Trevor Pinch和Wiebe Bijker在自行车上的第一个经验案例到苏格兰人在全球范围内受到批评后的演变。在按时间顺序审查之后的部分中，巴苏提出了他对苏格兰人的方法论上的困难和困境的关键见解 - 运营和解释性困境（10-12）。1。引言运营困难发生时，当SCOT扩展到技术框架之外并引入其他两个分析单位时，就会发生运营困难：社会技术合奏和技术文化。由于SCOT具有从文物和相关社会群体到技术框架的强大方法论，因此将社会技术合奏或技术文化纳入技术框架是一项挑战。换句话说，后来引入的概念仅限于自己的规模和挑战，以在工件，社会技术合奏和技术文化之间建立可行的联系。从一开始，苏格兰人的开拓者（Bijker and Pinch）就一直处于学术辩论的中心。解释性困境植根于Scot的基本假设，即可以从自下而上解释伪像的变化。尽管Bijker后来开发了社会技术合奏和技术文化来满足宏观分析的要求，但他拒绝将这些宏观概念视为先验假设。因此，在研究技术变化的因果关系时，社会技术的合奏和技术文化是解释的，而不是解释。SCOT中解释的重要资源是在人工制品，相关社会群体和技术框架中的微观相互作用。在方法论过渡中确定了这两个困境后，巴苏（Basu）断言，未来使SCOT更普遍并扩大其解释范围的尝试将不可避免地遇到操作困难和困境（Basu 2022，14）。巴苏的审查和渗透性诊断SCOT的方法论困境使未来的STS学者有益于重新审视SCOT和STS发展的论坛。来自技术，技术社会学和技术哲学的批评和评论积极参与SCOT的发展。Bijker和Pinch在回应先前的批评并调整了SCOT的分析框架后，开始了新的学术旅程。他们的最新贡献可以在负责任的研究与创新（RRI），公众参与科学以及在STS中进行和做的最新进展。BASU的可靠评论和评论使我们可以回顾一下Scot的未来以下步骤。然而，比杰克和他的同事们已经采取了下一步。
黄朝宗（Chao-tsung Huang）副教授...
摘要：在人工智能的时代，卷积神经网络（CNN）正在成为一种用于图像处理的强大技术，例如去核，超分辨率甚至样式转移。他们表现出很大的潜力，可以将下一代相机和展示带入我们的日常生活。但是，传统的CNN加速器很难在边缘生成超高分辨率视频，因为它们的大量急速带宽和功耗。例如，用于降级的高级FFDNET可能需要131 GB/s的DRAM带宽，而在4K UHD 30FPS处则需要106个计算顶部。在这次演讲中，我将介绍我们最近的两部作品，以应对DRAM带宽和功耗的挑战。首先，我将讨论图像处理CNN带来的图像二线革命并阐述其设计挑战；为了清楚起见，他们与识别CNN的差异将得到强调。然后，我将以整体方式介绍我们的第一份作品 - ECNN [Micro'19]，共同优化推理流，网络模型，指令集和处理器设计。尤其是，具有面向硬件的ERNET模型的基于块的推理流可以支持FFDNET级DINOISING和SRRESNET级超分辨率，在4K UHD 30 FPS下使用小于2 GB/s的DRAM带宽。最后，我将介绍我们的第二件作品（ISCA'21]，它利用了Ring Argebra的常规稀疏度，以实现近乎最大的硬件节省和优雅的卷积发动机质量降解。布局结果表明，可以分别使用3.76 W和2.22 W进行等效的41个高位计算，分别以40 nm的技术为50％（无质量下降）和75％和75％（PSNR下降的0.11 dB）。