XiaoMi-AI文件搜索系统
World File Search System三维几何
基于脑电图的运动想象分类的动态域自适应深度学习网络
摘要：脑电信号相邻通道之间存在相关性，如何表示这种相关性是目前正在探索的问题。另外，由于脑电信号的个体间差异，这种差异导致新受试者需要花费大量的校准时间进行基于脑电的运动想象脑机接口。为了解决上述问题，我们提出了一种基于动态域自适应的深度学习网络。首先，将脑电数据映射到三维几何空间，通过3D卷积模块学习其时空特征，然后利用空间通道注意机制加强特征，最后的卷积模块可以进一步学习特征的时空信息。最后，为了考虑受试者间和跨会话的差异，我们采用了动态领域自适应策略，通过引入最大均值差异损失函数来减少特征之间的距离，并利用部分目标域数据对分类层进行微调。我们在BCI竞赛IV 2a和OpenBMI数据集上验证了所提方法的性能。在受试者内实验下，在OpenBMI和BCIC IV 2a数据集上获得了70.42±12.44和73.91±11.28的准确率。
基于计算机的影视场景重建...
摘要：影视场景重建是影视制作过程中的重要环节，对影片的视觉效果和观众的观影体验有着决定性的影响。利用三维重建技术自动获取自然场景三维几何结构的建模方法，可以摆脱传统三维建模繁琐的人工交互模式，使三维建模过程更加简单便捷。本研究尝试将计算机辅助设计（CAD）和机器视觉技术应用到影视场景重建中，旨在保证模型精度的同时降低模型复杂度，从而提高影视场景重建的整体效率。研究还引入了一种基于小波变换（WT）的评估函数来评估影视场景重建的质量。与WT模型相比，本文提出的改进算法显著提高了图像处理效率，减少了处理时间。此外，通过引入光照和纹理信息，重建模型具有更高的真实感，为观众提供身临其境的观影体验，从而提高观影体验的质量。研究成果在影视场景重建的各个阶段发挥了至关重要的作用，为影视制作带来了更高的价值和更广阔的创作空间。
高光谱成像用于硅纳米柱阵列的高通量、空间分辨光谱散射测量
摘要：现代高通量纳米图案化技术（如纳米压印光刻技术）使得在大面积基底（cm 2 至 m 2 规模）上制造纳米结构阵列（尺寸为 10 至 100 纳米的特征）成为可能，例如硅晶片、玻璃片和柔性卷对卷网。制造这种大面积纳米结构阵列 (LNA) 的能力创造了广阔的设计空间，实现了广泛的应用，包括光学设备（例如线栅偏振器、透明导体、彩色滤光片和抗反射表面）以及电子元件的构建块（例如超级电容器、传感器和存储器架构）。然而，现有的计量方法将难以与制造方法一起扩展。例如，扫描电子显微镜 (SEM) 和原子力显微镜 (AFM) 具有微米级视场 (FOV)，这妨碍了对以每分钟平方米的速度制造的 LNA 进行全面特性分析。散射测量方法具有更大的 FOV（通常为几百微米到几毫米），但传统散射测量系统一次只测量一个点的样品，这也使得它们对于大规模 LNA 制造来说太慢。在这项工作中，我们展示了使用高光谱成像对传统光谱散射测量方法进行并行化，将该技术的吞吐量提高了 106-107 倍。我们通过使用高光谱成像和反射光谱的逆向建模来展示这种方法，以微米级空间分辨率获得毫米和厘米级 Si 纳米柱阵列结构的三维几何数据。这项工作表明，可以对各种 LNA 进行几何测量，并有可能在大面积上实现高速测量，这对于未来的 LNA 制造至关重要。