XiaoMi-AI文件搜索系统
World File Search Systemperceptual
特定的学习障碍（SLD）概况
Specific learning disability (SLD) means a disorder in one or more of the basic psychological processes involved in understanding or in using language, spoken or written, that may manifest itself in the imperfect ability to listen, think, speak, read, write, spell, or to do mathematical calculations, including conditions such as perceptual disabilities, brain injury, minimal brain dysfunction, dyslexia, and developmental aphasia.特定的学习障碍不包括主要是视觉，听力或运动障碍，智力障碍，情感障碍或环境，文化或经济劣势的结果（34 C.F.R.300.8（c）（10））。
使用基于 Transformer-encoder 的 EEG 编码器和 GAN 从 EEG 记录中生成视觉刺激
如图 1 所示，感知脑解码 (PBD) 是一种利用不同刺激引起的大脑反应来辨别原始感知刺激（例如视觉或听觉线索）或其某些特征的方法。通常，PBD 在认知和临床两个方面都具有优势。通过 PBD，可以仔细研究与外部刺激相对应的不同大脑活动模式。在临床环境中，大脑解码技术可以用于与患有闭锁综合症或瘫痪等疾病（这些疾病可能会损害运动和发声功能）的个体进行交流。在这种情况下，可以尝试在提供感知刺激的同时重建个体的反应或想象。此外，改进的感知脑解码方法可以用于记忆检索或可视化思维等应用，从而有助于认知研究和康复工作。
模块指南汽车软件工程
- Introduction: applications, computational models for vision, perception and prior knowledge, levels of vision, how humans see - Pixels and filters: digital cameras, image representations, noise, filters, edge detection - Regions of images and segmentation: segmentation, perceptual grouping, Gestalt theory, segmentation approaches, image compression - Feature detection: RANSAC, Hough transform, Harris corner detector - Object recognition: challenges, template matching, histograms, machine learning - Convolutional neural networks: neural networks, loss functions and optimization, backpropagation, convolutions and pooling, hyperparameters, AutoML, efficient training, selected architectures - Image sequence processing: motion, tracking image sequences, Kalman filter, correspondence problem, optical flow
lma- ...
Laban运动分析（LMA）及其工作要素提供了一个概念框架，我们可以通过该框架观察，描述和解释运动的意图。努力属性提供了人们如何移动与运动方式与他人交流之间的联系。至关重要的是要研究努力的感知特征，以验证它是否可以作为支持动画和机器人技术中广泛应用的有效框架，这些框架需要一个系统来创建或感知运动中的表达性变化。为此，我们首先构建了一个五个不同动作的简短视频剪辑的运动数据库：步行，坐下，通过，通过，put，波浪以八种方式进行，与努力元素的极端相对应。然后，我们进行了感知评估，以检查努力元素之间的感知一致性和感知的关联：空间（间接/直接），时间（持续/突然），体重（光/强）和流动（自由/绑定）出现在运动刺激中的空间（持续/突然）和流动性（自由/强）。感知一致性评估的结果表明，尽管
灵长类动物 V1 的功率光遗传刺激
摘要 直接刺激灵长类动物 V1 能否替代视觉刺激并模仿其感知效果？为了解决这个问题，我们开发了一种光学遗传工具包，使用宽视野钙成像“读取”神经群体反应，同时使用光遗传学将神经反应“写入”行为猕猴的 V1。我们专注于视觉掩蔽现象，其中共定位的中等亮度掩蔽显著降低了对暗淡目标的检测（Cornsweet 和 Pinsker，1965 年；Whittle 和 Swanston，1974 年）。使用我们的工具包，我们测试了 V1 光遗传刺激是否可以重现视觉掩蔽的感知掩蔽效应。我们发现，与视觉掩蔽类似，低功率光刺激可以显著降低视觉检测灵敏度，视觉和光遗传学引起的 V1 反应之间的亚线性相互作用可以解释这种感知效应，并且这些神经和行为效应具有空间选择性。我们的工具包和结果为进一步探索通过直接刺激感觉皮层来实现感知替代打开了大门。
22K18163研究结果报告-Kaken数据库
研究成果の概要（英文）：该项目通过系统的文献综述和行为实验探索了主动感与被动感知的好处。我们的系统评价确定了来自四种不同感觉方式的86项相关研究。我们提取了使我们能够将感知结果与任务细节联系起来的数据，并发现尽管主动感知通常会提高感知准确性，但结果因感觉方式和任务而差异很大。在我们的行为实验中，我们使用了由机器人臂和感觉替代设备组成的2D对象大小估计任务。结果表明，认知参与提高了感知的准确性，但是在主动探索模式和被动模式之间没有显着差异。这项研究还强调了需要改进实验界面以进行更全面的研究。
事件感知：思维 - 脑透视
人们在离散事件方面认为和想象活动。在这里，作者提出了一个理论，该理论是根据持续的感知处理引起的，对事件之间的边界感知并调节注意力和记忆。感知系统不断就接下来会发生的事情进行预测。当出现预测中的瞬态误差时，就会感知事件边界。根据理论，对事件的看法取决于感官提示和知识结构，这些感官提示和知识结构代表了先前学习的有关事件零件的信息以及有关演员目标和计划的推论。神经系统和神经生理学数据表明，事件的表示可能是由横向前额叶皮层中的结构来实现的，并且通过处理途径（包括前扣带回途径）计算并评估了感知预测误差，包括前扣带回皮层和皮质下皮质神经瘤系统。
决策线索如何改变我们的感知和信心
了解个人在做出感知决策时如何利用社交信息以及社交信息如何影响他们的决策信心在社会中至关重要。迄今为止，人们对人类的感知决策以及受社会影响的相关神经介质知之甚少。本研究提供了个人在执行面部/汽车识别任务时如何被他人决策操纵的经验证据。受试者受到他们认为是其他受试者的决定的显著影响，而实际上，线索是独立于刺激而操纵的。一般来说，当受试者的个人决定与线索一致时，他们的决策信心往往会增加，而当线索与他们的个人判断相冲突时，他们的信心会降低，这往往导致决策逆转。使用一种新颖的统计模型，可以根据受试者受线索影响的倾向对他们进行排名。随后通过对他们的神经数据的分析证实了这一点。神经时间序列分析表明，在早期阶段，使用社交线索进行决策并没有显著差异，这与使用预测线索的神经预期研究不同。神经数据的多变量模式分析暗示额叶皮层在视觉处理的后期阶段可能发挥着作用，它似乎编码了线索对感知决策的影响。具体来说，内侧额叶皮层似乎在促进冲突线索之前的感知决策方面发挥着作用。
查尔斯·道格拉斯·吉尔伯特
查尔斯·吉尔伯特（Charles Gilbert）及其同事的目标是了解电路水平上的大脑功能机理。吉尔伯特（Gilbert）确定了由远程横向连接组成的皮质电路的组成部分，并显示了神经元之间的连接如何动态运行。他已经确定了介导感知学习和脑部病变后功能恢复的皮质连接的长期变化，以及使神经元能够根据任务需求改变其功能的短期变化。他发现大脑区域的功能受到关注，期望和感知任务的自上而下的影响。实际上，神经元是自适应处理器，能够根据行为环境选择输入子集。他提出了一个模型，在该模型中，通过反馈对皮质区域的反馈与这些区域内的内在连接之间的相互作用，可以实现这种输入选择和相关的皮质动力学。他目前正在探索这种电路相互作用方式如何解释神经和行为障碍中的感知功能障碍。
通过人类机器人对话框共同改善自然语言命令的解析和看法
在这项工作中，我们提出了使用人类机器人对话框来提高移动机器人代理的语言理解的方法。代理人解析了自然语言的潜在语义含义，并使用机器人传感器来创建红色和重型等感知概念的多模式模型。代理可用于显示导航路线，向人交付对象，并将对象从一个位置转移到另一个位置。我们使用对话框clarientation问题既可以理解命令并生成其他解析培训数据。代理人采用机会性积极学习来选择有关单词如何与对象相关的问题，从而提高其对感知概念的理解。我们在亚马逊机械土耳其人上评估了该代理。在对话中引起的数据培训后，代理减少了对话问题的数量，同时获得了更高的可用性评级。此外，我们在机器人平台上演示了代理，在完成现实世界任务时，它在频率上学习了新的感知概念。