- 将锂离子电池配备合理的热故障诊断可以避免热失控,并确保电池安全可靠。这项研究构建了一个锂电池热故障诊断模型,该模型基于参数和结构的电池数据集优化了原始掩模区域的Con Volutional Volutional Network。模型处理电池表面的热图像,确定有问题的电池并找到有问题的区域。骨干网络用于处理电池热IM年龄并提取功能信息。通过RPN网络,对热功能进行了分类和回归,并使用蒙版分支最终确定电池故障的位置。此外,我们还基于电池数据集优化了基于掩码区域的卷积神经网络,这既是参数和结构。在大多数情况下,改进的LBIP-V2的性能优于LBIP-V1。我们测试了单细胞电池数据集,13S电池组数据集和扁平的1P3电池组数据集上LBIP的性能。结果表明,LBIP的识别精度超过95%。同时,我们在0 - 15分钟内模拟了13S电池组的故障,并测试了LBIP在实时电池故障诊断中的有效性。结果表明,LBIP可以有效响应在线故障,置信度超过98%。
DeepFake模型滥用构成了主要的安全性。现有的被动和主动的深层检测方法都缺乏义务和鲁棒性。在这项研究中,我们提出了一个可插入式有效的活性模型水印框架以进行深泡泡检测。这种方法促进了识别水印在各种深层生成模型中的嵌入,使当局能够轻松提取它们以进行检测。具体来说,我们的方法利用生成模型解码器中的通用卷积结构。它采用自适应水嵌入定位的结合内核稀疏性,并引入了汇总内核的归一化,以无缝地与固有模型的水印参数无缝。对于水印提取,我们基于深层检测模型共同训练水印提取器,并使用BCH编码有效地识别水印图像。最后,我们将方法应用于八种主要类型的深泡剂模型。实验表明,即使在沉重的损失通道中,我们的方法可成功地检测到平均准确性超过94%的深烟。这种方法独立于发电模型的培训,而不会影响原始模型的性能。此外,我们的模型需要培训数量非常有限的参数,并且对三种主要的自适应攻击具有弹性。可以在https://github.com/guaizao/pluggable-watermarking
摘要 脑电图 (EEG) 因其出色的时间分辨率和较差的空间分辨率而被应用于情绪识别。这导致大多数基于 EEG 的情绪识别模型强调利用时间特征而忽略了空间分辨率提供的有效信息。为了提取更具信息量的表示,我们提出了一种用于情绪识别的弹性图 Transformer 网络 (EmoGT),其灵感来自 Transformer 在时间序列分析方面的优势和图卷积网络在拓扑分析中的卓越性能。此外,通过采用专门设计的结构,它可以灵活扩展以应对多模态输入。在 3 个公共数据集上的实验结果表明,我们的模型在单模态和多模态情况下平均比最新结果高出 3%,表明了同时利用时间和空间信息的有效性。
摘要 本文提出了一种针对焊球HIP(Head-In-Pillow)缺陷检测的AI(人工智能)解决方案。HIP缺陷会影响焊球的导电性,导致间歇性故障。由于HIP缺陷的位置和形状多变,传统的机器视觉算法无法完全解决该问题。近年来,卷积神经网络(CNN)在图像识别和分类方面表现优异,但由于数据不足,容易引起过拟合问题。因此,我们结合CNN和机器学习算法支持向量机(SVM)来设计我们的检测流程。参考几种最新模型的优点,我们提出了3D CNN模型,并采用焦点损失和三重态损失来解决由稀有缺陷数据引起的数据不平衡问题。与几种经典的CNN模型和深度学习检测软件SuaKIT相比,我们的检测方法具有最佳性能和快速的测试速度。
摘要 - 采用人工智力来创建高度逼真的合成媒体,对隐私,安全性和错误信息传播构成了重大威胁。传统的深层检测方法,主要基于电流神经网络(CNN),通常在有效地识别这些复杂的伪造方面掉落。本项目探讨了平行视觉变压器(PVIT)用于深泡探测器的使用,利用其高级功能在建模复杂模式和视觉数据中的长距离依赖性中进行建模。我们使用NVIDIA A100 GPU的Google Colab培训了由140K真实和假面的数据集培训了PVIT模型。我们的结果表明,PVIT可显着提高检测准确性,精度,召回和鲁棒性,提供有希望的解决方案,以打击达到91.92精度的DeepFake技术所带来的挑战。索引术语 - 深层检测,平行视觉变形,以前,AI生成的,伪造的内容识别,变换,网络安全,数字取证,机器学习,深度学习。
摘要 — 从脑电图 (EEG) 信号中进行情绪识别是生物医学研究的一个重要领域,其应用范围广泛,从精神障碍调节到人机交互。在本文中,我们讨论了 EEG 情绪识别的两个基本方面:情绪状态的连续回归和情绪的离散分类。虽然分类方法已经引起了广泛关注,但回归方法仍然相对未被充分探索。为了弥补这一差距,我们引入了 MASA-TCN,这是一种新颖的统一模型,它利用时间卷积网络 (TCN) 的空间学习能力进行 EEG 情绪回归和分类任务。关键创新在于引入了空间感知时间层,使 TCN 能够捕捉 EEG 电极之间的空间关系,从而增强其辨别细微情绪状态的能力。此外,我们设计了一个具有注意力融合的多锚块,使模型能够自适应地学习 EEG 信号中的动态时间依赖性。在两个公开数据集上的实验表明,MASA-TCN 在 EEG 情绪回归和分类任务中都取得了比最先进方法更高的结果。
摘要 — 人类情感与多个分布式大脑区域密切相关,并且区域之间存在功能联系。然而,如何抽象区域级信息以提高脑电图 (EEG) 情感识别性能尚未得到很好的考虑。为了解决这个问题,我们提出了一种新颖的自适应分层图卷积网络 (AHGCN),它包括 EEG 通道的基本通道级图和大脑区域的区域级图。与以前的方法不同,我们提出了一种自适应池化操作来自动划分大脑区域而不是手动定义它们。为了捕捉大脑区域或 EEG 通道之间的内在功能联系,我们设计了一个门控自适应图卷积操作。此外,我们开发了一个图解池化操作来整合区域级图和通道级图以提取更多用于分类的判别特征。在两个广泛使用的数据集上的实验表明,我们提出的方法优于许多最先进的 EEG 情感识别方法,并且可以找到一些有趣的 EEG 通道组合。索引词——EEG 情绪识别、图卷积神经网络 (GCNN)、图池化
摘要。肌肉体积是运动中有用的定量生物标志物,也是对退行性肌肉疾病的随访。除了体积外,还可以通过从医学图像中分割感兴趣的肌肉来提取其他形状的生物标志物。手动细分仍然是当今此类测量的黄金标准,尽管非常耗时。我们提出了一种在3D磁共振图像上自动分割18个下肢肌肉的方法,以进行这种形态计量分析。从本质上讲,当MR图像中观察到不同肌肉的组织是无法区分的。因此,肌肉分割算法不能依靠外观,而只能依靠参观提示。然而,这种轮廓很难检测到,它们的厚度在受试者之间也有所不同。为了应对上述挑战,我们提出了一种基于混合体系结构的分割方法,结合了汇总和视觉变压器块。我们首次在肌肉分割的背景下首次研究这种混合体系结构的行为以进行形状分析。考虑到一致的解剖肌肉构型,我们依靠变压器块来捕获肌肉之间的长距离关系。为了进一步利用解剖学先验,这项工作的第二个贡献包括基于根据训练数据估算出的合理肌肉邻居的邻接矩阵增加了规则损失。我们对
情绪识别在人与人之间的互动中起着至关重要的作用,因为它是理解人类在日常生活中遇到事件和互动时情绪状态和反应的关键。在人机交互方面,情绪研究变得至关重要,因为它是设计先进系统的基础,以支持广泛的应用领域,包括法医、康复、教育等。一种有效的情绪识别方法是基于脑电图 (EEG) 数据分析,它被用作分类系统的输入。从多个通道收集各种情绪的脑信号会产生繁琐的数据集,这些数据集难以管理、传输和用于各种应用。在此背景下,本文介绍了 Emp a theia 系统,该系统通过在对脑电图信号进行分类之前将其编码为图像来探索不同的脑电图表示。具体来说,所提出的系统通过基于图像的编码处理和传输交互状态和映射 (PRISMIN) 框架从 EEG 数据中提取时空图像编码或图集,从而获得输入信号的紧凑表示。然后通过 Emp a theia 架构对图集进行分类,该架构包含基于卷积、循环和变压器模型的分支,这些模型经过设计和调整,可捕捉空间和时间方面
摘要——疼痛是一种综合现象,伴随着大脑中感觉和情境过程的动态相互作用,通常与可检测到的神经生理变化有关。大脑活动记录工具和机器学习技术的最新进展引起了用于客观和基于神经生理学的疼痛检测的神经计算技术的研究和开发。本文提出了一种基于脑电图 (EEG) 和深度卷积神经网络 (CNN) 的疼痛检测框架。通过招募 10 名慢性背痛患者,研究了 CNN 用于区分诱发疼痛状态和静息状态的可行性。实验研究分两个阶段记录 EEG 信号:1. 运动刺激 (MS),通过执行预定义的运动任务来诱发背痛;2. 视频刺激 (VS),通过观看一组视频片段来诱发背痛感知。多层 CNN 对静息状态和疼痛状态下的 EEG 片段进行分类。这种新方法具有高性能和稳定性,因此对于构建强大的疼痛检测算法具有重要意义。我们的方法的受试者工作特征曲线下面积 (AUC) 分别为 MS 和 VS 中的 0.83 ± 0.09 和 0.81 ± 0.15,高于最先进的方法。还分析了亚脑区,以检查与疼痛检测相关的不同脑拓扑结构。结果表明,MS 引起的疼痛