XiaoMi-AI文件搜索系统
World File Search System信息丢失
单电子硅 CMOS 量子点中的电荷噪声和自旋
可扩展量子计算机的发展正进入关键阶段，几种不同的固态量子比特设计已被证明是未来量子计算机基础的有力候选。硅基量子点自旋量子比特就是这样一种候选，它是该领域的一个相对较新的领域，但具有长相干时间和高保真测量和操控的潜力。硅还具有利用工业专业知识和与当前半导体制造技术的兼容性来生产可靠、可重复和可扩展的量子比特设计的显著优势。要大规模开发全功能的量子计算机，单个量子比特设计应紧凑、控制开销低，并与环境的交互最少，以防止量子信息丢失。量子点所经历的主要环境相互作用之一是所有电子设备中都存在的 1 /𝑓 电荷噪声特征。量子点区域的电场波动对半导体自旋量子比特中的单量子比特和多量子比特测量、操控和相干性构成了重大挑战。
![arXiv:2406.02444v1 [quant-ph] 2024 年 6 月 4 日](/simg/g:\will\search\icon\source\6\6db0a0743206c6bdef245015e9a5685b2f64def6.webp)
arXiv:2406.02444v1 [quant-ph] 2024 年 6 月 4 日
量子纠错 (QEC) 在防止量子系统中的信息丢失方面起着关键作用，并为可靠的量子计算提供了框架。为物理激励的噪声模型识别具有良好代码参数的量子代码仍然是一个有趣的挑战。除了量子比特代码之外，我们在此提出了一类量子比特纠错码，专门用于防止振幅阻尼噪声。具体来说，我们构建了一类四量子比特代码，该代码满足所有单量子比特和一些双量子比特阻尼误差的纠错条件，最高可达阻尼参数 γ 的领先阶。我们设计了一种协议来提取可以明确识别这组错误的综合征，从而产生一种噪声自适应恢复方案，该方案实现了 O(γ 2) 的保真度损失。对于 d = 2 的情况，我们的 QEC 方案与已知的 4 量子比特代码示例及其相关的基于综合征的恢复相同。我们还使用 Petz 恢复图评估了我们这类代码的性能，并注意到与量子比特情况的一些有趣偏差。
tcl-net：具有频率域融合和多角度注意的轻巧有效的飞行网络
摘要。朦胧的图像带来了一个具有挑战性的问题，由于信息丢失和颜色失真而遭受。当前的基于深度学习的去悬式方法通过增加网络深度来增强性能，但会导致大量参数开销。同时，标准卷积层集中在低频细节上，通常会说出高频信息，这阻碍了模糊图像中提出的先前信息的有效利用。在本文中，我们提出了TCL-NET，这是一个轻巧的飞行网络，该网络强调了频域特征。我们的网络首先包含一个用于提取高频和低频内形式的所谓层，该层是针对原始模糊图像的快速变压器专门设计的。同时，我们设计了一个频率域信息融合模块，该模块将高频和低频信息与后续卷积层的卷积网络作品集成在一起。此外，为了更好地利用原始图像的空间信息，我们引入了一个多角度注意模块。使用上述设计，我们的网络以仅0.48MB的总参数大小实现了出色的性能，与其他最先进的轻量级网络相比，参数的数量级降低了。
基于事件的图像增强在高动态范围方案下
摘要。事件摄像机作为具有较高dynamic范围的生物启发的视觉传感器，能够解决局部过度繁殖或不受欢迎的问题，即在具有高动态范围或波动的光照条件下，常规的基于框架的摄像机会遇到的常规基于框架的摄像机。由于两种相机之间的模态差距，简单的融合是不可行的。此外，由摄像机位置和框架速率偏差引起的幽灵伪影也会影响最终融合图像的质量。为了解决问题，本文提出了一个联合框架，将当地暴露的帧与事件摄像机捕获的事件流相结合，以在高动态范围场景中以偏斜的纹理增强图像。具体来说，使用轻量级的多尺度接收场块用于从事件流到帧的快速模态转换。此外，还提出了一个双分支融合模块来对齐特征并删除幽灵伪像。实验结果表明，所提出的方法有效地减轻了一系列极端照明条件的图像高度明亮和黑暗区域的信息丢失，从而产生了逼真的和自然的图像。
TELKOMNIKA 电信计算电子和控制
在人机交互中，传感器对于保证实时应用中的稳定性和高性能至关重要。尽管如此，机器人的精确便携式传感器通常成本高昂，而且使用免费软件处理信号的灵活性很低。因此，我们提出了一种可穿戴传感器网络来测量人机交互系统中的下肢角位置。实现该目标的方法包括使用低成本设备实现无线网络、验证设计要求以及通过概念验证进行验证。设计网络的要求包括低信息丢失、实时通信和传感器融合，以使用陀螺仪和加速度计估计角位置。因此，开发的传感器网络具有基于 ESP8266 微控制器的客户端-服务器架构。此外，该网络使用标准 802.11 b/g/n 来传输角速度和加速度测量值。此外，我们实现了用户数据报协议 (UDP) 协议，以 10 毫秒的采样时间实时运行。最后，我们实施了概念验证以显示系统的有效性。因此，我们使用卡尔曼滤波器来估计脚、小腿、大腿和臀部的角度位置。结果表明，实施的传感器网络适用于实时机器人应用。
一种改进的残差网络用于检测和分类
阿尔茨海默病 (AD) 是一种脑部疾病，会显著降低患者的记忆和正常行为能力。通过应用多种方法来区分 AD 的不同阶段，神经影像数据已用于提取与 AD 各个阶段相关的不同模式。然而，由于老年人和不同阶段的大脑模式相似，研究人员很难对其进行分类。在本文中，通过添加额外的卷积层对 50 层残差神经网络 (ResNet) 进行了修改，以使提取的特征更加多样化。此外，激活函数 (ReLU) 被替换为 (Leaky ReLU)，因为 ReLU 会取其输入的负部分，将其降为零，并保留正部分。这些负输入可能包含有用的特征信息，有助于开发高级判别特征。因此，使用 Leaky ReLU 代替 ReLU 以防止任何潜在的输入信息丢失。为了从头开始训练网络而不遇到过度拟合的问题，我们在完全连接层之前添加了一个 dropout 层。所提出的方法成功地对 AD 的四个阶段进行了分类，准确率为 97.49%，精确度、召回率和 f1 分数为 98%。
对整合过程控制的海洋样品的细菌DNA提取方法的评估
要通过分子方法研究海洋环境中的微生物群落，重要的是要以足够的量和纯度提取DNA。样品中抑制剂的存在可能导致虚假的阴性结果或信息丢失，但可以通过实验中的过程控制来突出显示。我们比较了海洋样品上的七种细菌DNA提取方法：鱼皮，g和胆量，软体动物肉，浮游植物和浮游动物。在一半的样品中添加了一个过程控制（单核细胞增生李斯特菌）。比较了DNA提取方法的性能，以产生针对细菌TUF基因和过程控制Hlya基因的QPCR扩增的更纯和浓缩的DNA。通过分光光度法测定测定DNA的纯度和浓度。结果表明，使用PowerBiofilm和Purelink微生物组试剂盒获得了最高纯度和浓度DNA。QPCR数据证实了这些试剂盒以更高的扩增效率产生了更好的细菌DNA纯度和浓度。在某些样品中，通过靶向Hlya基因的QPCR检测到抑制剂的存在，表明样品是被抑制剂污染的异质性。DNA提取物适用于海洋环境中的遗传下游应用。
Lyapunov引导的深度加强学习，用于语义意识到的AOI最小化，在UAV辅助无线网络中
摘要 - 该论文研究了一个无人驾驶汽车（UAV）辅助语义网络，地面用户（GUS）通过无人机的继电器定期将传感信息定期捕获到基站（BS）。GUS和UAV都可以从大型原始数据中提取语义信息，并将其传输到BS以恢复。较小尺寸的语义信息可降低延迟并改善信息新鲜度，而较大尺寸的语义信息可以在BS上进行更准确的数据重建，从而保留原始信息的价值。我们引入了一种新颖的语义感知年龄（SAOI）度量，以捕获信息的新鲜度和语义重要性，然后通过共同优化UAV-GU关联，语义提取，以及UAV的轨迹来提出时间平均的SAOI最小化问题。我们通过Lyapunov框架将原始问题分解为一系列子问题，然后使用层次深度强化学习（DRL）来解决每个子问题。具体来说，UAV-GU关联由DRL确定，然后是更新语义提取策略和无人机部署的优化模块。仿真结果表明，层次结构提高了学习效率。此外，它通过语义提取可实现较低的AOI，同时确保最小的原始信息丢失，表现优于现有基准。
行式热敏打印机
● 在使用本产品之前，请务必通读本手册。阅读本手册后，请将其保存在安全且易于取用的地方，以备日后参考。● 本手册中包含的信息如有变更，恕不另行通知。● 未经 CITIZEN SYSTEMS 许可，禁止以任何方式复制或转让本文档的部分或全部内容。● 请注意，无论本手册中是否存在缺失、错误或印刷错误，CITIZEN SYSTEMS 对任何操作结果均不承担任何责任。● 请注意，CITIZEN SYSTEMS 对因使用本手册中未指定的选件或耗材而导致的任何问题概不负责。● 除非本手册其他部分另有说明，否则请勿尝试维修、拆卸或修理本产品。● 请注意，CITIZEN SYSTEMS 对因本手册中未指定的不正确操作/处理或不当操作环境而造成的任何损害概不负责。● 数据基本上是临时使用的，不会长期或永久保存。请注意，CITIZEN SYSTEMS 对因事故、维修、测试或其他情况导致数据丢失而造成的损害或利润损失概不负责。● 如果发现信息丢失、错误或不确定事项，请联系您的 CITIZEN SYSTEMS 经销商。● 如果发现任何混乱或缺失的页面，请联系您的 CITIZEN SYSTEMS 经销商进行更换。
![arXiv:1908.06673v1 [cs.CV] 2019 年 8 月 19 日](/simg/g:\will\search\icon\source\6\66c89fbf34bc913fc5bec08cad97a41c01e802c6.webp)
arXiv:1908.06673v1 [cs.CV] 2019 年 8 月 19 日
点云分类在各种机载光检测和测距 (LiDAR) 应用中发挥着重要作用，例如地形测绘、森林监测、电力线检测和道路检测。然而，由于机载 LiDAR 系统的传感器噪声、高冗余、不完整性和复杂性，点云分类具有挑战性。传统点云分类方法大多侧重于开发手工制作的点几何特征，并采用基于机器学习的分类模型进行点分类。近年来，深度学习模型的进步使得研究人员将重点转向基于机器学习的模型，特别是深度神经网络，来对机载 LiDAR 点云进行分类。这些基于学习的方法首先将非结构化的 3D 点集转换为常规的 2D 表示，例如特征图像集合，然后采用 2D CNN 进行点分类。此外，这些方法通常需要计算额外的局部几何特征，如平面度、球度和粗糙度，以利用原始三维空间中的局部结构信息。然而，3D到2D的转换会导致信息丢失。在本文中，我们提出了一种方向约束的全卷积神经网络（D-FCN），它可以将原始三维坐标和激光雷达强度作为输入；因此，它可以直接应用于非结构化三维点云进行sem