XiaoMi-AI文件搜索系统
World File Search System于图
视觉与深层神经网络中的内部注意机制用于图像分类和对象检测
深神经网络（DNN）中所谓的“注意机制”表示DNN的自动适应，以捕获具有特定分类任务和相关数据的代表性特征。这种注意机制通过加强特征通道和本地强调每个特征图中的特征来在全球范围内发挥作用。渠道和特征重要性是在全球端到端DNS培训过程中学习的。在本文中，我们提出了一项研究，并提出了一种具有不同方法的方法，并在训练图像旁边添加了补充视觉数据。我们使用人类的视觉注意图在任务驱动或自由观看条件下独立于心理视觉实验获得的人类视觉注意图，或者在自由观看条件下或预测视觉注意图的强大模型。我们在图像旁边添加了视觉注意图作为新数据，从而将人类的视觉注意力引入DNNS培训中，并将其与全球和局部自动注意机制进行比较。实验结果表明，DNN中的已知注意力机制几乎与人类的视觉关注在一起，但提出的方法仍然可以更快地收敛和在图像分类任务中更好地表现。
.4cmstudy基于图像处理的新能量车辆电动机系统的视觉感知控制
本文根据图像处理技术介绍了一种新的能源车辆驾驶控制系统。通过处理和分析道路图像，新的能源驾驶控制系统能够识别道路元素，计划路线并计算其方向和速度参数。为了改善系统在各种环境中的适用性，它首先将道路图像分为两类：路面和其他物体。然后，它使用手动迭代方法来确定最佳阈值，并建议一种自适应阈值改进方法。第二，该系统将进行道路元素的特征提取，包括样本类型，例如坡道，直路，曲线，十字路口和障碍物。通过辅助特征提取和样品类型表征，系统实现了各种道路元素的识别和分类。最终，系统执行了图像捕获，预处理和边界提取。然后使用路径计划和道路中心线拟合来实现车辆导航。该技术确定了角参数，并在车辆方向和速度参数测试期间提供了车辆的精确导航方向。新能量汽车的驾驶控制系统非常适用且实用，为这些车辆在复杂的道路条件下安全运行提供了有效的技术援助。
基于图神经网络的图形结构SFC的节能VNF部署，并限制了深度强化学习
摘要 - 网络函数虚拟化（NFV），该函数将网络函数从硬件中解除，并将其转换为独立于硬件的虚拟网络函数（VNF），是许多新兴网络域，例如5G，Edge，Edge Computing和Data-Center网络。服务功能链（SFC）是VNF的有序集。VNF部署问题是在SFC中找到最佳的部署策略VNF，同时保证服务级协议（SLA）。现有的VNF部署研究主要关注无能量考虑的VNF序列。但是，随着用户和应用程序要求的快速开发，SFC从序列到动态图，服务提供商对NFV的能源消耗越来越敏感。因此，在本文中，我们确定了能节能的图形结构的SFC问题（EG-SFC），并将其作为组合优化问题（COP）提出。受益于COP机器学习的最新进展，我们提出了一个基于约束深度强化学习（DRL）方法的端到端图神经网络（GNN）来求解EG-SFC。我们的方法利用图形卷积网络（GCN）表示DRL中的双重Q-Network（DDQN）的Q网络。提出了掩模机制来处理COP中的资源约束。实验结果表明，所提出的方法可以处理看不见的SFC图，并且比贪婪的算法和传统DDQN更好地表现出更好的性能。
基于图像分割的草坪割草机器人的边界识别
准确地识别草坪边界是草坪割草机器人的可行操作的基础。当前的草坪边界识别方法依赖于预埋的电缆或通过RTK-GPS定位技术绘制边界。两种方法都容易受到定位错误和环境变化的影响。实时识别基于图像的草坪边界的实时识别可以在路径计划和对草坪割草机器人的边界识别之间形成实时闭环，从而提高了机器人工作的鲁棒性和可靠性。U-NET网络是一个简单的图像分割模型，适用于具有有限计算资源的机器人。但是，草坪的二元分割的结果通常是开放的边界线，这与医学图像中U-NET模型的某些多闭合单元的结果不同。因此，很难将U-NET模型直接应用于准确的草坪分割。考虑到草坪图像的特征和有限的计算资源，本文引入了具有通道空间注意机制和变化的损耗函数的改进的U-NET模型，这更好地解决了草坪边界识别的问题。改进模型的MDICE值为97.7％，比原始U-NET模型高约2％。
基于图像的可解释人工智能准确识别1
13 Krizhevsky A，Sutskever I，Hinton GE。具有深卷积280神经网络的Imagenet分类。在：第281届神经281信息处理系统国际会议论文集 - 第1卷。Curran Associates Inc。：Red Hook，NY，282 USA，2012年，第1097–1105页。283
máster伊拉斯mus mundus在人工智能中用于图像...
辅导研究与开发项目1（PPKE）义务2 34063 33235生物医学信号处理1（PPKE）Optativa 4 33235 33235 33241辅导研究与发展项目I 2（UAM）启动4 33241 33241 33241 33241 IDEVITIA或移动摄像机2（UAM）义大肌6 34065 34066视觉信号处理深度学习I 2（UAM）义务肌6 34066 34067视觉信号处理的深度学习II 2（UAM）dompotoria 6 34067辅导研究与开发项目1（PPKE）义务2 34063 33235生物医学信号处理1（PPKE）Optativa 4 33235 33235 33241辅导研究与发展项目I 2（UAM）启动4 33241 33241 33241 33241 IDEVITIA或移动摄像机2（UAM）义大肌6 34065 34066视觉信号处理深度学习I 2（UAM）义务肌6 34066 34067视觉信号处理的深度学习II 2（UAM）dompotoria 6 34067
基于图像的视觉伺服伺服在空间空间内进行自动机器人操作
太空机器人技术使人类能够扩大其空间外观功能。机器人臂对于科学数据收集，在其他行星上处理样品以及轨道上的维修操作至关重要，例如加油，维护，装配和清除碎屑。现有的空间操纵系统通常依赖于远程运行，由于沟通延迟和对熟练运营商的需求而构成挑战[1]。启用自主机器人操作的关键要素是Visuomotor技能的开发，它使机器人可以在执行ma-nipulation任务时识别和跟踪对象以及在复杂而动态的环境中导航。机器人可以通过使用视觉伺服（VS）策略来获得基于视觉观察的动作来获得视觉运动技能[2]。这项工作比较了用于自动空间机器人操作的四个基于图像的VS（IBV）技术，评估了复杂的旋转转换场景中不同的深度估计方法，传感器方式，特征和控制定律。此外，我们通过组装方案评估空间维修，组装和制造（ISAM）功能。
评估用于空间机器人操作的基于图像的视觉致毒技术
机器人臂对于多种外星应用至关重要。平面流动器（图1）使用机器人臂收集科学数据并处理样品。类似地，轨道机器人臂半自治地在国际空间站（ISS）进行泊位，检查和组装的操作（图2）。空间中的大多数现有操作系统都需要由宇航员或地面控制器进行远程处理，由于通信延迟以及对高技能运营商的需求，这可能是具有挑战性的。此外，快速增长的空间工业化工作需要自动操纵系统，以适应人类干预最少的动态场景[1]。开发用于空间机器人操纵器的Visuomotor技能可以显着增强自动操作。这些技能使机器人能够识别和跟踪对象，并在执行操纵任务时浏览复杂和动态的环境，增强灵活性和鲁棒性。机器人可以通过使用视觉伺服（VS）策略来获取视觉运动技能，以根据视觉观察来控制机器人的相对运动。由此产生的精度提高将使关键的内部维修任务，例如加油，重新定位，组件更换或修复失败的卫星。这项工作介绍了四种IBVS技术的比较，这些技术可用于增强自主空间机器人操作。我们评估了复杂的旋转转换场景中的不同深度估计方法，传感器方式，特征和控制定律。此外，我们通过组装方案评估ISAM功能。
BigPICC：一种基于图的方法，用于鉴定突变数据中的致癌基因组合
来自癌症患者的基因组数据代表了患者基因突变的存在与癌症发生之间的关系。人类中不同类型的癌症被认为是由两个至九个基因突变的组合引起的。通过传统的详尽搜索来识别这些组合，需要与组合大小成倍扩展的计算量，即使对于尖端超级计算机也是棘手的。我们提出了一种无参数的启发式方法，该方法利用基因患者突变的内在拓扑来鉴定致癌组合。通过使用它们来预测以前看不见的样品中肿瘤的存在来测量鉴定组合的生物学相关性。所得的16种癌症类型的分类器在详尽的搜索结果中表现出色，平均敏感性为80.1％的敏感性和91.6％的特异性，每种癌症类型的命中率最佳选择。我们的方法能够找到较高的致癌组合靶向，这将需要多年的计算进行详尽的搜索。
基于图形的Clifford Isometries的基于图形状态的合成框架
我们解决了Clifford等轴测汇编的问题，即如何将Clifford等轴测图合成为可执行的量子电路。我们提出了一个简单的合成框架，该框架仅利用Clifford组的基本特性和一个符号组的一个方程式。我们通过表明文献的几种正常形式是天然推论来强调框架的多功能性。我们恢复了在LNN档案馆执行Clifford电路所必需的两量Qubit Gate深度的状态，并与另一项工作同时。我们还提出了针对Clifford等法的实用合成算法，重点是Clifford操作员，图形状态和Pauli旋转的Codia -Gonalization。基准表明，与最新方法相比，在所有三种情况下，我们都会改善2 Q量的门计数和随机实例的深度。我们还改善了实用量子化学实验的执行。