摘要:基于 P300 的拼写器可用于通过大脑活动控制家庭自动化系统。评估基于 P300 的拼写器中使用的视觉刺激是脑机接口 (BCI) 领域的常见主题。本研究的目的是使用可用性方法比较两种在以前的研究中表现优异的刺激类型。12 名参与者在两种条件下控制 BCI,这两种条件下的刺激类型不同:一个红色名人脸被白色矩形 (RFW) 包围,以及一系列中性图片 (NPs)。可用性方法包括与有效性(准确性和信息传输率)、效率(压力和疲劳)和满意度(愉悦度和系统可用性量表和情感网格问卷)相关的变量。结果表明,有效性没有显著差异,但使用 NPs 的系统报告的愉悦度明显更高。因此,由于在潜在用户可能经常使用的系统中也应该考虑满意度变量,因此对于基于视觉 P300 拼写器的家庭自动化系统的开发来说,使用不同的 NP 可能比使用单个 RFW 更合适。
摘要 —本文的图异常检测旨在区分行为方式与占图结构实例大多数的良性节点不同的异常节点。图异常检测受到学术界和工业界越来越多的关注,然而,现有的该任务研究在从图数据中学习信息异常行为时仍然存在两个关键问题。一方面,异常通常很难捕捉,因为它们的异常行为很微妙,而且缺乏关于它们的背景知识,这导致了严重的异常样本稀缺。同时,现实世界图中的绝大多数对象都是正常的,这也带来了类别不平衡问题。为了弥补这一差距,本文设计了一种新的基于数据增强的图异常检测(DAGAD)框架,用于属性图,配备了三个专门设计的模块:1)使用图神经网络编码器学习表示的信息融合模块,2)使用生成的样本为训练集提供信息的图数据增强模块,3)不平衡定制学习模块,用于区分少数(异常)和多数(正常)类别的分布。在三个数据集上进行的一系列实验证明,DAGAD 在各种最常用的指标方面优于十种最先进的基线检测器,同时进行了广泛的消融研究,验证了我们提出的模块的强度。索引术语——异常检测、图挖掘、数据增强、异常样本稀缺性、类别不平衡、图神经网络、半监督学习
如今,人们对模式识别和计算机视觉等应用的兴趣使得图像处理算法变得非常重要。然而,视觉信息量的快速增长对传统计算机目前可用的计算能力造成了压力。量子图像处理 (QImP) 专注于在量子计算领域提供传统图像处理策略的对应物,利用其固有的并行特性。多年来,已经提出了许多 QImP 算法来使用量子形式对图像进行编码和处理。尽管如此,在最先进的技术中,没有足够的空间对可用的技术进行直接和实际的比较。因此,当试图了解它们是否代表了相对于传统对应物的有效机会时,就会出现困难,尤其是考虑到当今量子硬件的局限性和非理想性时。本论文的目标是定义一个与 Qiskit(一种用于量子计算的开源软件开发工具包)兼容的 QImP 算法的 Python 软件库,使用户能够灵活地比较参考输入图像上的不同技术,并通过特定的性能系数分析它们的适用性。首先,对 QImP 的现有文献进行了初步研究,以确定最有前途的算法。然后,它们被实现为参数模块,并逐渐形成了库。Jupyter Notebooks 被认为是提供有意识地应用所提供算法的实用用户指南。支持技术的选择涵盖编码方法、基本处理工具、压缩和边缘检测算法,并考虑到量子硬件有限的计算资源和实际应用的可能性。所有实施的电路都进行了测试,既通过在经典计算机上进行模拟,也在真实的量子硬件上进行测试。考虑到几个用例,不同算法在应用中的优势和劣势已经得到证实。本论文为探索 QImP 场景奠定了基础,而由于其灵活性和模块化特性,实施的库提供了包含和描述新算法并将其与其他算法进行比较的可能性。
摘要 — 基于脑电图 (EEG) 信号的情绪识别在情感计算和脑机接口 (BCI) 领域引起了广泛关注。尽管已经提出了几种深度学习方法来处理情绪识别任务,但开发有效提取和使用判别特征的方法仍然是一个挑战。在这项工作中,我们提出了一种新颖的时空注意神经网络 (STANN),通过多列卷积神经网络和基于注意的双向长短期记忆的并行结构来提取 EEG 信号的判别空间和时间特征。此外,我们通过图信号处理 (GSP) 工具探索 EEG 信号的通道间关系。我们的实验分析表明,当原始 EEG 信号或其图形表示(在称为 GFT-STANN 的架构中)用作模型输入时,所提出的网络改进了价和唤醒水平的逐主题二元分类以及价-唤醒情绪空间中的四类分类的最新结果。
简介/目的:军队中发放和回收武器的过程应该足够快,并应立即提供有关武器状态的准确信息。方法:本文通过使用现代边缘计算技术解决发放和归还武器记录数字化的问题。该问题通过两种方法提出。第一种方法基于机器学习算法的应用,用于根据摄像机图像识别武器的序列号,而第二种方法涉及 RFID 技术的应用。用户身份验证基于生物识别技术的应用。结果:使用摄像头测试用于识别武器的架构所获得的结果表明,这种架构不适合识别武器。使用 RFID 技术的武器识别解决方案克服了前面提到的解决方案的问题。但是,RFID 技术需要对武器上或武器内标签的实现进行额外的修改,以便可以进行读取。结论:基于 RFID 技术的武器识别解决方案和具有生物特征认证的用户识别解决方案可以轻松可靠地识别、快速发放和检索武器、网络缓解以及实时监控武器状态。
简介/目的:军队中发放和回收武器的过程应该足够快,并应立即提供有关武器状态的准确信息。方法:本文通过使用现代边缘计算技术解决发放和归还武器记录数字化的问题。该问题通过两种方法提出。第一种方法基于机器学习算法的应用,用于根据摄像机图像识别武器的序列号,而第二种方法涉及 RFID 技术的应用。用户身份验证基于生物识别技术的应用。结果:使用摄像头测试用于识别武器的架构所获得的结果表明,这种架构不适合识别武器。使用 RFID 技术的武器识别解决方案克服了前面提到的解决方案的问题。但是,RFID 技术需要对武器上或武器内标签的实现进行额外的修改,以便可以进行读取。结论:基于 RFID 技术的武器识别解决方案和具有生物特征认证的用户识别解决方案可以轻松可靠地识别、快速发放和检索武器、网络缓解以及实时监控武器状态。
简介/目的:军队中发放和回收武器的过程应该足够快,并应立即提供有关武器状态的准确信息。方法:本文通过使用现代边缘计算技术解决发放和归还武器记录数字化的问题。该问题通过两种方法提出。第一种方法基于机器学习算法的应用,用于根据摄像机图像识别武器的序列号,而第二种方法涉及 RFID 技术的应用。用户身份验证基于生物识别技术的应用。结果:使用摄像头测试用于识别武器的架构所获得的结果表明,这种架构不适合识别武器。使用 RFID 技术的武器识别解决方案克服了前面提到的解决方案的问题。但是,RFID 技术需要对武器上或武器内标签的实现进行额外的修改,以便可以进行读取。结论:基于 RFID 技术的武器识别解决方案和具有生物特征认证的用户识别解决方案可以轻松可靠地识别、快速发放和检索武器、网络缓解以及实时监控武器状态。
1 耶鲁大学医学院放射学和生物医学成像系,333 Cedar Street,PO Box 208042,纽黑文,CT 06520,美国;sara.merkaj@uni-ulm.de(SM);ryan.bahar@yale.edu(RCB);tal.zeevi@yale.edu(TZ);mingde.lin@yale.edu(ML);ichiro.ikuta@yale.edu(II);gabriel.cassinellipetersen@yale.edu(GICP);lawrence.staib@yale.edu(LS); sam.payabvash@yale.edu (SP) 2 乌尔姆大学神经外科系,Albert-Einstein-Allee 23, 89081 Ulm,德国 3 Visage Imaging, Inc.,12625 High Bluff Dr, Suite 205,San Diego,CA 92130,美国 4 Visage Imaging, GmbH.,Lepsiusstraße 70, 12163 Berlin,德国;kbousabarah@visageimaging.com 5 加州大学旧金山分校放射学和生物医学成像系,505 Parnassus Ave.,San Francisco,CA 94143,美国;john.mongan@ucsf.edu (JTM);soommee.cha@ucsf.edu (SC) * 通信地址:mariam.aboian@yale.edu;电话:+650-285-7577 † 这些作者对这项工作做出了同等贡献。
摘要背景:药物-靶标相互作用预测(DTIs)对于加速药物研究和药物重新定位变得越来越重要。药物-靶标相互作用网络是DTIs预测的典型模型。由于药物和靶标之间存在许多不同类型的关系,药物-靶标相互作用网络可用于建模药物-靶标相互作用关系。近期关于药物-靶标相互作用网络的研究大多集中在药物节点或靶标节点上,而忽略了药物-靶标之间的关系。结果:提出了一种新的预测方法来独立地建模药物和靶标之间的关系。首先,我们利用药物和靶标的不同层次关系来构建药物-靶标相互作用的特征。然后,我们使用线图来建模药物-靶标相互作用。之后,我们引入图变换器网络来预测药物-靶标相互作用。结论:我们引入线图来建模药物与靶标之间的关系。将药物-靶标相互作用从链接转换为节点后,我们使用图变换器网络来完成药物-靶标相互作用预测任务。
摘要。传统上,用于检测感兴趣要素的计算机视觉解决方案(例如,缺陷)是基于严格的上下文敏感的实现,以解决包含一组明确条件的问题。另一方面,几种机器学习方法证明了它们的概括能力,不仅是为了不断地改善分类,而且还基于基本方面从新示例中学习:从算法设置中分离数据。有关向后传播的发现以及基于图形卡技术建立的进步,可以提高机器学习的进步,这是一个被称为深度学习的子领域的进步,由于人类通常由人类处理的地图和交易知识,它在许多工业领域都变得非常流行,并具有令人难以置信的可伸缩性。织物缺陷检测是已逐渐自动化的手动过程之一,它是上述方法,因为它是质量控制的重要过程。目标是多种多样的:减少人体错误,疲劳,人体工程学问题和相关成本,同时改善所涉及任务的迅速性和准确性,并直接影响利润。遵循纺织行业的特定重点之后,这项工作旨在简要审查缺陷类型和自动化光学检查(AOI)(AOI),主要基于机器学习技术,这些技术已经证明了它们在识别纺织品材料分析中识别异常方面的有效性。基于已知体系结构(例如Alexnet或视觉几何组)(VGG16)等卷积神经网络(CNN),允许在98%以上的精确度上达到准确性。还提供了简短的讨论,并分析了当前表征这一干预领域的状态以及一些未来的挑战。