XiaoMi-AI文件搜索系统
World File Search Systemeess
![arxiv：2406.16780v1 [eess.sy] 2024年6月24日](/simg/a/ab289b6b57d659a7e9af9cf6816cc70cd4ac988b.webp)
arxiv：2406.16780v1 [eess.sy] 2024年6月24日
针对网络物理系统（CPS）可靠运行的主要挑战之一是网络攻击在系统驱动信号和测量方面的威胁。近年来，系统理论研究的重点是有效地检测和隔离这些网络攻击，以确保正确的恢复措施。尽管在这种情况下都使用了基于模型的方法和无模型的方法，但随着CPS中的复杂性和模型不确定性的增加，后者越来越流行。因此，在本文中，我们提出了针对CPS的基于Koopman操作员的无模型网络检测 - 隔离方案。该算法对其训练使用有限的系统测量结果，并生成实时检测式隔离标志。此外，我们提出了一个模拟案例研究，以检测和隔离插件电动汽车锂离子电池系统中的驱动和传感器攻击。
![arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日](/simg/9/9bf8c62dcc81309c6ab621b237a6ec6cab8ed069.webp)
arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日
摘要。人们对采用基于 Transformer 的架构进行医学图像分割的兴趣日益浓厚。然而，由于缺乏大规模带注释的医学数据集，要实现与自然图像相当的性能具有挑战性。相比之下，卷积网络具有更高的归纳偏差，因此很容易训练到高性能。最近，ConvNeXt 架构试图通过镜像 Transformer 块来现代化标准 ConvNet。在这项工作中，我们在此基础上进行了改进，设计了一种现代化且可扩展的卷积架构，以应对数据稀缺的医疗环境的挑战。我们推出了 MedNeXt，这是一个受 Transformer 启发的大核分割网络，它引入了 - 1）用于医学图像分割的完全 ConvNeXt 3D 编码器-解码器网络，2）残差 ConvNeXt 上采样和下采样块以保持跨尺度的语义丰富性，3）一种通过上采样小核网络迭代增加核大小的新技术，以防止在有限的医疗数据上出现性能饱和，4）在 MedNeXt 的多个级别（深度、宽度、核大小）上进行复合缩放。这使得它在 CT 和 MRI 模态和不同数据集大小的 4 个任务上实现了最佳性能，代表了一种现代化的医学图像分割深度架构。我们的代码已公开发布：https://github.com/MIC-DKFZ/MedNeXt。
![arxiv：2405.19373v1 [eess.sp] 2024年5月28日](/simg/d/d4c4c0613a482f7cd12f63056b2fb949e8f7d0ff.webp)
arxiv：2405.19373v1 [eess.sp] 2024年5月28日
摘要。基于脑电图（EEG）（EEG）的情绪识别已在神经信号处理和情感计算等领域引起了很大的关注和多样化的发展。然而，个体的独特大脑解剖结构导致跨受试者的脑电图信号的不可忽视的自然差异，这对跨主题情绪识别提出了挑战。尽管最近的研究试图解决这些问题，但它们仍然面临实际有效性和模型框架团结的局限性。当前的方法通常难以捕获EEG信号的复杂空间 - 时间动力学，并且无法有效地整合Mul-timodal信息，从而导致次优性能和跨受试者的普遍性有限。为了克服这些局限性，我们将基于预先训练的模型多模式读取器进行跨性能情绪识别，该识别利用了掩盖的脑信号建模和相互联系的时空注意机制。该模型通过在大规模数据集上进行预训练来学习EEG信号的通用潜在表示，并采用相关的时空注意机制来处理从EEG数据提取的差异熵（DE）特征。随后，提出了一个多级融合层以赋予歧视性特征，从而最大程度地提高了不同维度和模态的fe构的优势。公共数据集上的广泛实验证明了情绪阅读器在跨主题情感识别任务中的出色表现，表现优于最先进的方法。此外，该模型是从关注观点中解剖的，对与情绪相关的大脑区域进行定性分析，为神经信号处理中的情感研究提供了有价值的见解。
![arxiv：2405.11401v2 [eess.sy] 2024年5月24日](/simg/1/1ab1812592351ff84069368a5b9e57f623d03d24.webp)
arxiv：2405.11401v2 [eess.sy] 2024年5月24日
在过去的十年中，数据驱动的方法在受欢迎程度上激增，成为控制理论的宝贵工具。因此，控制反馈定律，系统dynamics甚至Lyapunov功能的神经网络近似都吸引了人们日益增长的关注。随着基于学习的控制的上升，对准确，快速和易于使用的基准的需求增加了。在这项工作中，我们提出了第一个基于学习的PDE边界控制的环境。在我们的基准测试中，我们引入了三个基础PDE问题 - 一维运输PDE，1D反应 - 扩散PDE和2D Navier-Stokes PDE-其求解器的求解器在用户友好的增强型健身房中捆绑在一起。在这个体育馆中，我们介绍了第一组无模型的，强化学习算法，用于解决这一系列的基准问题，达到稳定性，尽管与基于模型的PDE BackSteppping相比，成本更高。使用基准的环境和详细示例，这项工作大大降低了基于学习的PDE控制的进入的障碍 - 该主题在很大程度上没有由数据驱动的控制社区探索。整个基准标准可在GitHub上获得，并提供详细的文档，并且提供了增强的学习模型。关键字：部分微分方程控制，非线性系统，用于数据驱动控制的基准测试，增强学习
![arxiv：2305.17033v7 [eess.iv] 2024年5月23日](/simg/a/aefc7f2a4d762f208545fde75765fd6994c9bc44.webp)
arxiv：2305.17033v7 [eess.iv] 2024年5月23日
（ORCID：0000-0002-5366-5351）38美国加利福尼亚州加利福尼亚大学，美国加利福尼亚大学39 Beth Israel Deacones Medical Center，美国马萨诸塞州哈佛大学，美国马萨诸塞州（ORCID：0000-0002-5994-997）
![arXiv:2401.10746v4 [eess.SP] 2024 年 5 月 23 日](/simg/2/2149d5e294b4a943fa88ce6a6b3b2eb31a32b4b0.webp)
arXiv:2401.10746v4 [eess.SP] 2024 年 5 月 23 日
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
![arxiv：2402.05079v2 [eess.iv] 2024年3月30日](/simg/2/2cc87b240d96e4b59e1f32ad379715883beaa530.webp)
arxiv：2402.05079v2 [eess.iv] 2024年3月30日
摘要。在医学图像分析的最新进展中，综合神经网络（CNN）和视觉变压器（VIT）设定了重要的基准。虽然前者通过其卷积行动占领了当地的效果，但后者通过利用自我发场机制来实现非凡的全球环境理解。然而，两种体系结构在有效地对医学图像中的长期依赖性建模时都表现出局限性，这是精确分割的关键方面。受到Mamba体系结构的启发，该建筑的熟练程度熟练地处理长序列和以提高计算效率作为状态空间模型（SSM）的全球上下文信息，我们提出了Mamba-Unet，这是一种新颖的体系结构，这是一种具有MAMBA能力的医学图像序列中的U-NET。mamba-unet采用了基于跳过连接的纯净视觉曼巴（VMAMBA）基于编码器的结构，以在网络的不同尺度上保留空间信息。此设计促进了一个全面的特征学习过程，捕获了复杂的细节和医学图像中更广泛的疾病环境。我们在VMAMBA块中引入了一种新颖的集成机制，以确保编码器和解码器路径之间的无缝连通性和信息流，从而增强分割性能。我们对公开可用的ACDC MRI心脏分割数据集进行了实验，并进行了Synapse CT CT腹部分割数据集。结果表明，在同一超参数设置下，Mamba-Unet在医疗图像分割中的表现优于几种类型的UNET 1。源代码和基线信息可在https://github.com/ziyangwang007/mamba- unet上获得。
![arxiv：2403.05246v2 [eess.iv] 2024年3月11日](/simg/a/ad165b6a13abf37d21eab57efce88a670bdff83c.webp)
arxiv：2403.05246v2 [eess.iv] 2024年3月11日
摘要。unet及其变体已被广泛用于医学图像分割。但是，这些模型，尤其是基于变压器体系结构的模型，由于其大量参数和计算负载而构成挑战，因此它们不适合进行医疗保健应用。最近，由Mamba出现的国家空间模型（SSM）已成为CNN和Transformer Architectures的竞争替代品。在此基础上，我们将Mamba用作UNET内CNN和Transformer的轻巧替代品，目的是应对实际医疗环境中计算资源限制所带来的挑战。为此，我们介绍了将Mamba和UNET集成在轻量级框架中的轻量级Mamba UNET（Lightm-Unet）。具体来说，Lightm-Unet以纯Mamba的方式利用残留的视觉Mamba层来提取深层的语义特征和模型的长距离空间依赖性，并具有线性的组合复杂性。在两个现实世界2D/3D数据集上进行的广泛实验表明，Lightm-Unet超过了现有的状态文献。值得注意的是，与著名的NNU-NET相比，Lightm-Unet可实现卓越的分割性能，而Drasti则可以重新将参数和计算成本降低116X和21X。这突出了Mamba在促进模型轻量化方面的潜力。我们的代码实现可在https：//github.com/mrblankness/lightm-unet
蒂赛德大学 2027 年全球战略计划
该创新课程结合了大学三个学院面向未来的学习框架，旨在为学生提供独特的体验。该课程由蒂赛德大学和三所印度院校（桑杰·戈达瓦特大学、SRM 科学技术学院和阿吉恩卡·迪·帕蒂尔大学）的教职员工和学生共同开发。共同设计的课程将满足对灾害缓解领域专家日益增长的需求，以应对当今世界面临的关键全球挑战，如洪水、森林火灾和地震。所有院校的学生还将有机会通过商定的灵活流动或作为课程一部分的实习在英国和印度学习。作为学位课程开发的一部分，蒂赛德大学的学生前往印度参加与桑杰·戈达瓦特大学的弹性规划和灾害管理专业人员一起的培训计划，并与马哈拉施特拉邦和泰米尔纳德邦的灾害管理当局会面。蒂赛德的学者还