XiaoMi-AI文件搜索系统
World File Search System下边缘
EdgeWise：随机通信延迟下边缘设备上的节能 CNN 计算
本文提出了一个框架，以实现边缘设备上卷积神经网络 (CNN) 的节能执行。该框架由一对通过无线网络连接的边缘设备组成：性能和能耗受限的设备 D 作为数据的第一个接收者，能耗不受约束的设备 N 作为 D 的加速器。设备 D 动态决定如何分配工作负载，以尽量减少其能耗，同时考虑到网络延迟固有的不确定性和数据传输所涉及的开销。这些挑战通过采用马尔可夫决策过程 (MDP) 的数据驱动建模框架来解决，其中 D 在 O(1) 时间内查阅最优策略来做出逐层分配决策。作为一个特例，还提出了一种线性时间动态规划算法，用于在假设网络延迟在整个应用程序执行过程中保持不变的情况下一次性找到最佳层分配。所提出的框架在由 Raspberry PI 3 作为 D 和 NVIDIA Jetson TX2 作为 N 组成的平台上进行了演示。与完全在 D 和 N 上执行 CNN 的替代方案相比，能耗平均降低了 31% 和 23%。还实施了两种最先进的方法，并与所提出的方法进行了比较。
从MRI图像自动分割皮层下边缘结构的深度学习工具箱
开发了一种工具，可以自动使用T1加权MRI作为输入的输入，从而自动分割了几个皮层下边缘结构（伏隔核，基础前脑，隔核，下丘脑，无乳腺体，乳腺体和福尼克斯）。此工具填写未满足的需求，因为很少有（如果有的话）可以分割这些临床相关结构。使用39个手动标记的MRI数据集对具有空间，强度，对比度和降噪的U-NET进行了训练。通常，相对于其他结构的可比工具，骰子得分，真实的正率，错误的发现率和手动自动体积相关性非常好。使用该工具对698个受试者进行了不同的数据集；对所得标签的评估表明，该工具在不到1％的情况下失败了。该工具的测试可靠性非常好。除乳腺体型以外的所有结构的自动分割体积都显示出在检测临床效果，年龄效应或两者兼而有之的有效性。此工具将与FreeSurfer（Surfer.nmr.mgh.harvard.edu/fswiki/sclimbic）公开发布。与其他皮质和皮层边缘分段一起，此工具将允许FreeSurfer以自动化的方式全面对边缘系统。