XiaoMi-AI文件搜索系统
World File Search Systemimagery
识别运动想象脑机接口中各种用户状态和特征的最佳偏置反馈
摘要 — 目的。神经自我调节对于实现对脑机接口 (BCI) 的控制必不可少。这可能是一个艰苦的学习过程，尤其是对于运动想象 BCI。提出了各种训练方法来帮助用户完成 BCI 控制并提高绩效。值得注意的是使用有偏反馈，即非现实的表现表现。有偏反馈对表现和学习的好处因用户而异（例如取决于他们最初的 BCI 控制水平）并且仍是推测性的。为了理清这些推测，我们调查了哪些性格类型、初始状态和校准性能 (CP) 可以从有偏反馈中受益。方法。我们进行了一项实验（n=30，进行 2 次实验）。提供给每个组（n=10）的反馈要么是正面的、负面的，要么是无偏的。结果。统计分析表明，偏见与：1）工作量、2）焦虑和 3）自我控制之间的相互作用会显著影响在线表现。例如，较低的初始工作量加上负面偏见与没有任何偏见（69%）相比，峰值性能（86%）更高。无论偏见如何，高焦虑都与表现呈负相关（60%），而低焦虑与负面偏见最为匹配（76%）。对于低 CP，学习率（LR）仅在短期内（LR=2%）随着负面偏见而增加，因为在第二个会话期间它会严重下降（LR=-1%）。结论。我们揭示了上述人为因素与偏见之间的许多相互作用。此外，我们使用预测模型来确认和揭示更多的相互作用。意义。本文是朝着确定人格类型、状态和 CP 的最佳偏见反馈迈出的第一步，以最大限度地提高 BCI 性能和学习。
视频人工智能系统的成本和收益如何？视频人工智能：初始成本和长期收益 投资人工智能是许多公司经常谈论的事情。但您实际上投资的是什么？成本是多少？长期收益是什么？在本白皮书中，我们将解释如何以及为何投资视频人工智能。 为什么要投资视频人工智能？主要原因是视觉图像包含非常重要的数据。通过使用这些数据，您可以作为一家公司脱颖而出，目标是为您的客户提供更好的解决方案。 通过投资视频人工智能 (Video AI)，您可以从视频数据中获得正确的智能信息。简而言之，人工智能 (AI) 以高度智能的方式识别、分类和索引镜头。在此基础上，可以搜索、编辑和量化收集和分类的数据。人工智能软件实时处理视频数据，以便您可以在发生检测警报时快速评估和响应。此外，可以轻松检索现有视频片段。因此，您可以快速搜索数千小时的镜头以查找所需的事件。当 AI 系统识别、分类和索引素材时，会产生额外的数据。从长远来看，这些收集到的元数据可以成为有价值的商业智能的额外来源。可以使用各种商业智能工具清晰地以图形方式显示这一点。当您考虑实施视频 AI 系统时，重要的是要正确评估总购置成本。换句话说，就是总拥有成本 (TCO)。当然，这些成本会根据每个组织的独特需求和情况而有所不同。本白皮书将概述系统要求、基础设施、网络和实施方面的各种实施因素和相关成本考虑因素。以及该产品可以提供的巨大长期节省。系统要求视频 AI 是一种智能软件技术，但为了使软件正常运行，外围设备必须到位。提前清楚了解所需的系统要求非常重要。IP 摄像机的数量、所需的 AI 功能以及安装类型（本地、远程或云）的组合决定了所需的系统要求。一些视频 AI 平台易于与已安装的 IP 摄像机结合使用。在销售过程中提出这一点很重要，因为它会影响初始投资。一个好的视频 AI 实施合作伙伴可以就所需的硬件为您提供建议。为了达到预期的效果，确定摄像机的类型和摄像机的位置非常重要。基础设施视频 AI 解决方案的基础设施因需求而异。有些人希望为多个位置提供集成解决方案，而其他人可能会考虑将视频 AI 用于单个位置。IP 摄像机、AI 服务器和 NVR/VMS 系统都可以位于一个物理位置本地，也可以位于多个物理位置。将物理位置上的摄像机与（公共）云中的软件相结合也是可能的。同样，正确的 AI 实施合作伙伴的作用非常重要。
视频人工智能系统的成本和收益如何？视频人工智能：初始成本和长期收益 投资人工智能是许多公司经常谈论的事情。但您实际上投资的是什么？成本是多少？长期收益是什么？在本白皮书中，我们将解释如何以及为何投资视频人工智能。 为什么要投资视频人工智能？主要原因是视觉图像包含非常重要的数据。通过使用这些数据，您可以作为一家公司脱颖而出，目标是为您的客户提供更好的解决方案。 通过投资视频人工智能 (Video AI)，您可以从视频数据中获得正确的智能信息。简而言之，人工智能 (AI) 以高度智能的方式识别、分类和索引镜头。在此基础上，可以搜索、编辑和量化收集和分类的数据。人工智能软件实时处理视频数据，以便您可以在发生检测警报时快速评估和响应。此外，可以轻松检索现有视频片段。因此，您可以快速搜索数千小时的镜头以查找所需的事件。当 AI 系统识别、分类和索引素材时，会产生额外的数据。从长远来看，这些收集到的元数据可以成为有价值的商业智能的额外来源。可以使用各种商业智能工具清晰地以图形方式显示这一点。当您考虑实施视频 AI 系统时，重要的是要正确评估总购置成本。换句话说，就是总拥有成本 (TCO)。当然，这些成本会根据每个组织的独特需求和情况而有所不同。本白皮书将概述系统要求、基础设施、网络和实施方面的各种实施因素和相关成本考虑因素。以及该产品可以提供的巨大长期节省。系统要求视频 AI 是一种智能软件技术，但为了使软件正常运行，外围设备必须到位。提前清楚了解所需的系统要求非常重要。IP 摄像机的数量、所需的 AI 功能以及安装类型（本地、远程或云）的组合决定了所需的系统要求。一些视频 AI 平台易于与已安装的 IP 摄像机结合使用。在销售过程中提出这一点很重要，因为它会影响初始投资。一个好的视频 AI 实施合作伙伴可以就所需的硬件为您提供建议。为了达到预期的效果，确定摄像机的类型和摄像机的位置非常重要。基础设施视频 AI 解决方案的基础设施因需求而异。有些人希望为多个位置提供集成解决方案，而其他人可能会考虑将视频 AI 用于单个位置。IP 摄像机、AI 服务器和 NVR/VMS 系统都可以位于一个物理位置本地，也可以位于多个物理位置。将物理位置上的摄像机与（公共）云中的软件相结合也是可能的。同样，正确的 AI 实施合作伙伴的作用非常重要。
在陈述性干扰和睡眠的背景下，与脑电图中的运动图像中的事件相关的对同步
运动图像（MI）与Neurofeatback（NF）结合使用，是一种有希望的补充剂，可促进脑损伤后运动能力的获取和恢复受损的运动能力。但是，控制MI NF的能力受到广泛的个体间变异性的影响。大量用户在取得良好的结果方面遇到了困难，这损害了他们在学习或康复环境中从Mi NF中受益的机会。已经提出，上下文因素（即实际运动任务之外的因素）可以解释运动技能的个体差异。回顾性声明性干扰和睡眠已经被确定为运动执行（ME）和基于MI的实践的关键因素。在这里，我们研究了这些发现是否概括为练习mi nf。三个组在随后的两天进行了三个用NF练习MI的三个块。在两个组中，MI NF块之后是立即或延迟的声明内存任务。对照组仅执行MI NF，没有特定的干扰任务。在实验的第一天，第二天的第三天运行了两个mi nf块。在mu和beta频率事件事件相关的对同步（ERD）中，在块NF中有显着的内部收益，其中所有组都很明显。但是，数据并未提供有关立即或延迟对Mi nf ERD的宣告性干扰的影响的证据。另外，在睡觉过夜后，Mi nf Erd保持不变。我们没有观察到有关声明性干扰和睡眠的预期结果模式。这是在可变实验任务设计，个体间差异和绩效指标的背景下讨论的。
佛罗里达县数字正射影像项目标准 - NET
• AT - 空中三角测量 • ASPRS – 美国摄影测量与遥感学会 • CADD – 计算机辅助设计与制图 • CSDGM – 数字地理空间元数据内容标准 • DEM – 数字高程模型 • ESRI – 环境系统研究所 • FAC – 佛罗里达州行政法规 • FGDC – 联邦地理数据委员会 • FIPS – 联邦信息处理标准 • FCDOP – 佛罗里达县数字正射影像计划 • FDOT – 佛罗里达州交通部 • FPRN – 佛罗里达永久参考网络（由 FDOT 建立和维护） • FS – 佛罗里达州法规 • GeoTIFF – 栅格图像文件。GeoTIFF 完全符合 TIFF 6.0 规范，并且
佛罗里达县数字正射影像项目标准 - NET
• AT - 空中三角测量 • ASPRS – 美国摄影测量与遥感学会 • CADD – 计算机辅助设计与制图 • CSDGM – 数字地理空间元数据内容标准 • DEM – 数字高程模型 • ESRI – 环境系统研究所 • FAC – 佛罗里达州行政法规 • FGDC – 联邦地理数据委员会 • FIPS – 联邦信息处理标准 • FCDOP – 佛罗里达县数字正射影像计划 • FDOT – 佛罗里达州交通部 • FPRN – 佛罗里达永久参考网络（由 FDOT 建立和维护） • FS – 佛罗里达州法规 • GeoTIFF – 栅格图像文件。GeoTIFF 完全符合 TIFF 6.0 规范，并且
一种新型运动图像分类的模型
摘要：运动图像分类对具有移动性障碍的人具有很大的意义，以及如何提取和利用运动图像脑图像（EEG）渠道的有效特征一直是注意力的焦点。有许多不同的方法用于运动临时分类，但是对人脑的有限理解需要更多有效的方法来提取脑电图数据的特征。图形神经网络（GNN）已证明其在分类图结构中的效果。 GNN的使用为大脑结构连接特征提取提供了新的可能性。在本文中，我们提出了一个新的图形神经网络，基于称为MutualGraphnet的原始EEG通道的相互信息。我们使用相互信息作为与空间时间图卷积网络（ST-GCN）相结合的ADJACENCY矩阵可以提取运动成像电脑图（EEG）的过渡规则，更有效地通道数据。实验是在运动图像脑电图数据集上进行的，我们将模型与当前的最新方法进行了比较，结果表明，互助网络足够强大，足以学习可解释的特征并优于当前最新方法。关键字：图形卷积，深度学习，脑电图（EEG），脑部计算机间（BCI）
SaS-BCI：一种预测图像记忆性并使用心理意象作为基于大脑的生物特征认证的新策略
摘要 安全认证是信息安全最重要的层面之一。如今，人体生物特征识别技术是用于认证目的的最安全方法，它涵盖了密码和 PIN 等旧式认证方式存在的问题。最近的生物特征识别技术在安全性方面有很多优势；然而，它们仍然存在一些缺点。技术的进步使得一些特定的设备成为可能，因为它们都是可见和可触摸的，因此可以复制和制作假的人体生物特征识别。因此，需要一种新的生物特征识别技术来解决其他类型的问题。脑电波是人体数据，它将其用作一种新型的安全认证方式，吸引了许多研究人员的关注。有一些研究和实验正在调查和测试脑电图信号以发现人类脑电波的独特性。一些研究人员通过应用不同的信号采集技术、使用脑机接口 (BCI) 进行特征提取和分类，在这一领域取得了很高的准确率。任何 BCI 过程的一个重要部分是获取和记录脑电波的方式。本文针对脑信号的授权和认证过程提出了一种新的信号采集策略。这是通过预测用户大脑中的图像记忆能力，将心理意象用作安全认证的可视化模式。因此，用户可以通过在脑海中可视化特定图片来验证自己的身份。总之，我们可以看到脑电波会根据心理任务而有所不同，这使得将它们用于认证过程变得更加困难。基于大脑的认证有许多信号采集策略和信号处理，通过使用正确的方法，可以实现更高的准确率，适合将脑信号用作另一种生物特征安全认证。
AI-ForestWatch：基于语义分割的端到端框架，使用多光谱遥感图像进行森林估计和变化检测
摘要。森林变化检测对于可持续森林管理至关重要。由于毁林（例如野火或开发活动引起的伐木）或造林而导致的森林面积变化会改变森林总面积。此外，它还会影响可用于商业目的的可用库存、碳排放引起的气候变化以及森林栖息地估计的生物多样性，这对于灾害管理和政策制定至关重要。近年来，林业人员依靠手工制作的特征或双时间变化检测方法来检测遥感图像中的变化以估计森林面积。由于手动处理步骤，这些方法很脆弱且容易出错，并且可能产生不准确的（即低估或高估）分割结果。与传统方法相比，我们提出了 AI-ForestWatch，这是一个用于森林估计和变化分析的端到端框架。所提出的方法使用基于深度卷积神经网络的语义分割来处理多光谱空间图像，通过自动从数据集中提取特征来定量监测森林覆盖变化模式。我们的分析完全由数据驱动，并使用 2014 年至 2020 年的扩展版（带植被指数）Landsat-8 多光谱影像进行。作为案例研究，我们估算了巴基斯坦 15 个地区的森林面积，并生成了 2014 年至 2020 年的森林变化图，在此期间，这些地区开展了主要的造林活动。我们的批判性分析显示，15 个地区中有 14 个地区的森林覆盖率有所提高。AI-ForestWatch 框架及其相关数据集将在发布后公开，以便其他国家或地区可以采用。© 作者。由 SPIE 根据知识共享署名 4.0 未移植许可证出版。分发或复制本作品的全部或部分内容需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.JRS.15.024518]
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
在诱导电动机扰动期间改善运动图像分类
1纳瓦拉公立大学统计，计算机科学与数学系，帕姆普罗纳公立大学，西班牙2机器学习小组，计算机科学学院，柏林技术研究所，柏林柏林，德国3研究所3研究所，医学心理学和行为神经生物学研究所（IMP） (BRTA), Donostia-San Sebasti ´ an, Spain 5 BIFOLD Berlin Institute for the Foundations of Learning and Data, Berlin, Germany 6 Bernstein Center for Computational Neuroscience Berlin, Berlin, Germany 7 Department of Artificial Intelligence, Korea University, Seoul, Republic of Korea 8 Max Planck Institute for Informatics, Saarbrücken, Germany 9 Department of Neurology, Max Planck Institute对于人类认知和脑科学，德国莱比锡10认知与决策中心，认知神经科学研究所，国家研究大学高等教育学院，俄罗斯莫斯科，俄罗斯11作者都做出了同样的贡献。*作者应与之解决任何信件。