XiaoMi-AI文件搜索系统
World File Search Systemconstrained
基于深度学习的流程，用于通过连续捕获的立体视频估计不受约束的水下环境中水生生物的数量和大小
摘要：使用固定式水下摄像机是一种现代且适应性强的方法，可提供持续且经济高效的长期解决方案来监测特别感兴趣的水下栖息地。此类监测系统的共同目标是更好地了解各种海洋生物种群的动态和状况，例如迁徙或商业相关鱼类种群。本文介绍了一种完整的处理流程，用于从固定式水下鱼类观测站 (UFO) 的立体摄像机捕获的立体视频数据中自动确定生物种群的丰度、类型和估计大小。记录系统进行了现场校准，然后使用同步记录的声纳数据进行了验证。视频数据在德国北部波罗的海入口基尔峡湾连续记录了近一年。它展示了水下生物的自然行为，因为使用被动低光摄像机代替主动照明来减弱吸引力并实现尽可能少的侵入性记录。记录的原始数据通过自适应背景估计进行预过滤，以提取具有活动的序列，然后由深度检测网络（即 Yolov5）进行处理。这提供了在两个摄像机的每个视频帧中检测到的生物的位置和类型，用于按照基本匹配方案计算立体对应关系。在后续步骤中，使用匹配的边界框的角坐标来近似所描绘生物的大小和距离。本研究中使用的 Yolov5 模型是在一个新颖的数据集上训练的，该数据集包含 10 类海洋动物的 73,144 张图像和 92,899 个边界框注释。该模型实现了 92.4% 的平均检测准确率、94.8% 的平均精度 (mAP) 和 93% 的 F1 得分。
使用协作尖峰神经网络求解二次不受约束的二进制优化
摘要 - 次数不受约束的二进制优化（QUBO）问题成为一种有吸引力且有价值的优化问题，因为它可以轻松地转换为各种其他组合优化问题，例如图形/数字分区，最大值，SAT，SAT，Vertex，Vertex，Vertex，TSP，TSP等。其中一些问题是NP-HARD，并广泛应用于行业和科学研究中。同时，已经发现Qubo与两个新兴的计算范式，神经形态计算和量子计算兼容，具有巨大的潜力，可以加快未来的优化求解器。在本文中，我们提出了一种新型的神经形态计算范式，该计算范式采用多个协作尖峰神经网络来解决QUBO问题。每个SNN进行局部随机梯度下降搜索，并定期分享全球最佳解决方案，以对Optima进行元效力搜索。我们模拟了模型，并将其与无协作的单个SNN求解器和多SNN求解器进行比较。通过对基准问题的测试，提出的方法被证明在寻找QUBO Optima方面更有效。具体来说，它在无协作和单SNN求解器的情况下分别在多SNN求解器上显示X10和X15-20加速。索引术语 - 数字计算，尖峰神经网络作品，组合优化，QUBO
高阶无约束二进制优化和 MIMO 最大似然检测的量子算法
摘要 — 在本文中，我们提出了一种支持实值高阶无约束二进制优化 (HUBO) 问题的量子算法。该算法基于 Grover 自适应搜索，该搜索最初支持具有整数系数的 HUBO。接下来，作为应用示例，我们将多输入多输出最大似然检测公式化为具有实值系数的 HUBO 问题，其中我们使用 5G 标准中指定的格雷编码位到符号映射。所提出的方法使我们能够为检测问题构建有效的量子电路，并分析所需量子比特和量子门的特定数量，而其他传统研究假设这种电路可作为量子预言机。为了进一步加速量子算法，我们还推导出目标函数值的概率分布，并确定一个唯一阈值以采样更好的状态。假设未来出现容错量子计算，我们提出的算法有可能显著降低经典领域的查询复杂性，并在量子领域提供二次加速。
II。对治疗效果的敏感性-Lirias
在过去的几十年中迅速开发了用于解决最佳控制问题的多种拍摄方法，并被广泛认为是加快优化过程的有希望的方向。在这里，我们根据顺序二次编程（SQP）方法提出和分析了一种新的多重拍摄算法，该方法适用于由大规模时间依赖性的部分di ff构成方程（PDES）控制的最佳控制问题。我们研究了KKT矩阵的结构，并通过预处理的共轭梯度算法求解大规模的KKT系统。提出了一个简化的块Schur补体预处理程序，该预处理允许在时间域中进行该方法并行化。首先对所提出的算法进行了验证，该算法是针对由Nagumo方程约束的最佳控制问题的验证。结果表明，对于多种射击方法，可以通过适当的起始猜测和匹配条件的缩放来实现相当大的加速度。我们进一步将提出的算法应用于由Navier-Stokes方程控制的二维速度跟踪问题。，我们发现算法的加速度最高为12，而最多可在50张射击窗口中进行单次射击。我们还将结果与较早的工作进行了比较，该结果使用增强的拉格朗日算法而不是SQP，在大多数情况下显示了SQP方法的更好性能。
通过反事实增强和形态约束的 3D 深度生成模型对脑成像进行公平建模
我们描述了 CounterSynth，这是一种微分同胚变形的条件生成模型，可在体积脑图像中诱导标签驱动的、生物学上合理的变化。该模型旨在为下游判别建模任务合成反事实训练数据增强，其中保真度受到数据不平衡、分布不稳定、混杂或规格不足的限制，并且在不同亚群中表现出不公平的表现。我们专注于人口统计属性，使用基于体素的形态测量、条件属性的分类和回归以及 Fréchet 初始距离来评估合成反事实的质量。在人为的人口不平衡和混杂的背景下检查下游判别性能，我们使用英国生物库和 OASIS 磁共振成像数据对 CounterSynth 增强与这些问题的当前解决方案进行基准测试。我们在整体保真度和公平性方面都实现了最先进的改进。 CounterSynth 的源代码可在 https://github.com/guilherme-pombo/CounterSynth 上找到。
大脑约束深度神经网络模型中语言对感知和概念形成的影响
使用神经生物学约束的人类大脑语义学习模型来模拟具体和抽象概念的习得，无论有无言语标签。使用赫布学习机制模拟概念习得和语义学习。我们测量了网络的类别学习性能，定义为它成功地（i）将部分重叠的感知实例分组为单个（抽象或具体）概念表征，同时（ii）仍然区分不同概念的表征的程度。给定概念的语言标签与感知实例的共存通常会改善网络对类别的学习，对抽象概念的有益效果明显大于具体概念。这些结果为语言结构对概念形成和这些概念实例的感知运动处理的因果影响提供了神经生物学解释：在概念习得期间提供言语标签可以改善皮质机制，通过这种机制，对物体和动作的体验以及单词的学习会导致形成特定概念和含义的神经元集合。此外，本研究结果还做出了一个新颖的预测，即这种“沃尔夫”效应应该受到所习得语义类别的具体性/抽象性的调节，语言标签更有利于抽象概念的学习，而非具体概念的学习。本文是主题问题“互动中的概念：社会参与和内在体验”的一部分。
语言对脑约束深度神经网络模型中感知和概念形成的影响
使用神经生物学约束的人类大脑语义学习模型来模拟具体和抽象概念的习得，无论有无言语标签。使用赫布学习机制模拟概念习得和语义学习。我们测量了网络的类别学习性能，定义为它成功地（i）将部分重叠的感知实例分组为单个（抽象或具体）概念表征，同时（ii）仍然区分不同概念的表征的程度。给定概念的语言标签与感知实例的共存通常会改善网络对类别的学习，对抽象概念的有益效果明显大于具体概念。这些结果为语言结构对概念形成和这些概念实例的感知运动处理的因果影响提供了神经生物学解释：在概念习得期间提供言语标签可以改善皮质机制，通过这种机制，对物体和动作的体验以及单词的学习会导致形成特定概念和含义的神经元集合。此外，本研究结果还做出了一个新颖的预测，即这种“沃尔夫”效应应该受到所习得语义类别的具体性/抽象性的调节，语言标签更有利于抽象概念的学习，而非具体概念的学习。本文是主题问题“互动中的概念：社会参与和内在体验”的一部分。
内建立的超构成相互作用使高安全性实用
免责声明这一信息是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，或其任何雇员均未对任何信息，设备，产品或过程披露或代表其使用将不会侵犯私人拥有的私有权利。参考文献以商品名称，商标，制造商或其他方式指向任何特定的商业产品，流程或服务，并不一定构成或暗示其认可，建议或受到美国政府或其任何机构的支持。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
利用 CRISPR 基因编辑技术对致癌 KRAS 变异进行无约束校正
。CC-BY 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2022 年 12 月 22 日发布了此版本。；https://doi.org/10.1101/2022.12.21.521522 doi：bioRxiv 预印本
复杂度驱动的 CNN 压缩，适用于资源受限的边缘 AI
摘要 — 物联网 (IoT) 支持的网络边缘人工智能 (AI) 的最新进展通过实现低延迟和计算效率，在智能农业、智能医院和智能工厂等多个应用中实现了边缘智能。然而，在资源受限的边缘设备上部署 VGG-16 和 ResNets 等最先进的卷积神经网络 (CNN) 实际上是不可行的，因为它们有大量的参数和浮点运算 (FLOP)。因此，作为一种模型压缩的网络修剪概念正在引起人们的关注，以加速低功耗设备上的 CNN。最先进的修剪方法，无论是结构化的还是非结构化的，都没有考虑卷积层所表现出的复杂性的不同潜在性质，而是遵循训练-修剪-再训练流程，这会导致额外的计算开销。在这项工作中，我们通过利用 CNN 固有的层级复杂性，提出了一种新颖且计算高效的修剪流程。与典型方法不同，我们提出的复杂性驱动算法根据其对整体网络复杂性的贡献选择特定层进行过滤器修剪。我们遵循直接训练修剪模型的过程，避免计算复杂的排名和微调步骤。此外，我们定义了三种修剪模式，即参数感知 (PA)、FLOP 感知 (FA) 和内存感知 (MA)，以引入 CNN 的多功能压缩。我们的结果表明，我们的方法在准确性和加速方面具有竞争力。最后，我们提出了不同资源和准确性之间的权衡，这有助于开发人员在资源受限的物联网环境中做出正确的决策。