XiaoMi-AI文件搜索系统
World File Search System判别
MCG-June-2022-Training-Education-Articles.pdf
“世界级的领导者是世界级的学习者。”前高乐氏公司高管、海军陆战队员唐·克诺斯今年早些时候在海军陆战队大学 Al and Jan Gray 研究项目的剪彩仪式上说了这些话。海军陆战队长期以来一直重视职业军事教育 (PME)，认为这是军人职业中固有的关键和根本推动因素。然而，在当今充满挑战的近乎势均力敌的竞争世界中，我们比以往任何时候都更加明白，战场上的判别因素不是由我们的枪口速度决定的，而是由我们的思维速度决定的。不幸的是，我们并不是唯一一个努力改造军队的人。像中国这样的近乎势均力敌的竞争对手也在转向高度技术化的军事备战力量。我们的第 38 任司令指出：“随着我们的技术优势不断减弱，对我们的部队来说，保持个人决策和单位能力的优势将变得更加重要。”我们的目标是培养出最专业、最有批判性思维的战士。
找出所有局部不可区分的广义贝尔态集
一般而言，对于二体量子系统 C d ⊗ C d 和一个整数 k ，使得 4 ≤ k ≤ d ，k 个广义贝尔态（GBS）集的局部鉴别只有很少的必要充分条件，并且很难局部区分 k - GBS 集。本文的目的在于彻底解决某些二体量子系统中 GBS 集的局部鉴别问题。首先给出了三个实用有效的充分条件，Fan 等人的结果 [Phys Rev Lett 92, 177905 (2004); Phys Rev A 99, 022307 (2019)] 可以推导出这些条件的特例。其次在C 4 ⊗ C 4 中给出了GBS集局部判别的充分必要条件,并给出了所有局部不可区分的4-GBS集的列表,从而彻底解决了GBS集的局部判别问题.在C 5 ⊗ C 5 中得到了GBS集单向局部判别的简明充分必要条件,对Wang等人提出的问题中d = 5的情况给出了肯定的回答.
SiC MOSFET 软故障模式和硬故障模式
摘要 — 本文首先讨论了在短路电热应力下 1200 V SiC 功率 MOSFET 中产生短路故障或开路故障特征的判别现象。由于开路故障行为与应用特别相关，本文接着提出了对一些商用器件的基准测试，确定了一款产品，该产品在偏置电压高达额定值的至少 50% 的情况下，能够提供一致的开路故障特性。对于该特定器件，我们将提供全面的功能和结构特性。具体而言，本文表明：栅极电流是短路应力下随后发生的退化的有效监测器，可用于评估损伤积累以及器件退化的可逆性或永久性；开路故障特征与栅极结构的退化有关，在距离有源单元相对较远且不涉及场氧化物的区域中，栅极和源极端子之间会产生短路。该发现与分立器件和多芯片功率模块（包括多个并联连接的芯片）的应用相关。
对Wasserstein Gans和F-Gans的探索| CS231N
生成对抗网（GAN）[4]被提议为计算机视觉领域中的生成建模框架。gan从训练数据样本中学习了概率分布，因此从Random Noises生成了新图像。此“学习和生成”机制建立在对手上，一个分类器作为判别模型，以确定是否直接从数据中采样图像还是由发电机生成，也是另一个具有从随机噪声生成图像的代理组件。损失功能鼓励发电机使歧视器将生成的图像分类为实际数据。正如CS231N讲座中所讨论的那样，由于生成模型的本质是检测现有数据中的概率密度，然后对Vanilla Gan及其变体产生，因此这些gan犯罪者的最终输出的最终输出被模型为输入图像的可能性，是从数据中采样的实际图像，而不是生成的。这在以前的工作中被证明是有效的。但是，我们可以考虑其他方法，其中之一是Wasserstein-Gan（Wgan），它不训练歧视者（评论家）作为分类器输出
人工智能城市挑战赛车辆重新识别实证研究
本文介绍了我们针对 2021 年人工智能城市挑战赛 (AICITY21) 的 Track2 的解决方案。Track2 是一个使用真实世界数据和合成数据的车辆重新识别 (ReID) 任务。在本次挑战中，我们主要关注四个点，即训练数据、无监督领域自适应 (UDA) 训练、后处理、模型集成。（1）裁剪训练数据和使用合成数据都可以帮助模型学习更多判别性特征。（2）由于测试集中有一个在训练集中未出现的新场景，因此 UDA 方法在挑战中表现良好。（3）后处理技术包括重新排名、图像到轨迹检索、摄像头间融合等，可显著提高最终性能。（4）我们集成了基于 CNN 的模型和基于 Transformer 的模型，它们提供了不同的表示多样性。通过上述技巧，我们的方法最终取得了 0.7445 的 mAP 分数，在比赛中获得第一名。代码可在 https://github.com/michuanhaohao/AICITY2021_Track2_DMT 获得。
枕叶神经磁信号短语的视觉解码
摘要 — 正字法视觉感知（阅读）是通过大脑不同语言中心与视觉皮层之间广泛的动态相互作用进行编码的。在本研究中，我们利用脑磁图 (MEG) 研究了正字法视觉感知解码，其中短语以视觉方式呈现给参与者。我们比较了使用枕叶内的传感器和使用整个头部传感器获得的解码性能。使用了两种简单的机器学习分类器，即支持向量机 (SVM) 和线性判别分析 (LDA)。实验结果表明，仅使用枕叶传感器的解码性能与任务期间使用所有传感器获得的性能相似，均高于偶然水平。此外，通过采取短时间窗口进行的时间分析表明，与后期相比，枕叶传感器在开始时更具判别性，而在后期使用整个头部传感器设置的表现略好于枕叶传感器。这一发现可能表明在视觉语言感知过程中存在顺序（从视觉皮层到枕叶以外的其他区域）。
讲义字段，戒指和模块-Sergey Mozgovoy
1。戒指2 1.1。基本定义2 1.2。理想和商戒指4 1.3。环同态7 1.4。代数9 2。积分域13 2.1。基本定义13 2.2。独特的分解域（UFD）14 2.3。主理想域（PID）16 2.4。GCD和LCM 17 2.5。欧几里得域18 2.6。分数的场20 2.7。多项式环中的分解21 3。字段23 3.1。基本定义23 3.2。场扩展25 3.3。分裂字段和有限字段28 3.4。代数闭合字段29 3.5。用指南针和直码结构30 4。对称多项式33 4.1。判别35 5。模块36 5.1。定义和示例36 5.2。同构和子模型37 5.3。简单且难以解决的模块39 5.4。中文剩余定理41 5.5。PID 42 5.6上的模块。Noetherian模块44附录A.环形多项式45附录B. RSA算法47
特征转化，用于1型糖尿病患者的有效血糖预测
摘要：一种代谢性疾病糖尿病，使身体失去对血糖调节的控制。随着自我监控系统的最新进展，患者可以访问其个性化的血糖预科，并可以利用它来对未来血糖水平的有效预测。有效的糖尿病管理系统要求对血糖水平进行准确的估计，除了使用适当的预测算法之外，该系统还取决于歧视性数据表示。在这项研究工作中，提出了将基于事件的数据转换为判别连续特征。此外，开发了多层长期短期记忆（LSTM）的复发性神经网络，用于预测1型糖尿病患者的血糖水平。该提出的方法用于预测30和60分钟的预测范围。使用俄亥俄T1DM数据集评估了三名患者的结果。所提出的方案的预测范围分别为30分钟和60分钟的最低RMSE评分为14.76 mg/dl和25.48 mg/dl。建议的方法可以在闭环系统中使用，以精确的胰岛素递送至1型患者，以获得更好的血糖控制。
![arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日](/simg/g:\will\search\icon\source\e\e6ec1b3829732dbc1ce8187ace6d88e29d133d95.webp)
arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
一种用于精确脑功能映射的启发式信息聚类搜索方法
图 3 (a) 与 ICS 算法相比，探照灯程序的步骤和输出的说明。灰色体素是探照灯方法中的搜索球中心体素，也是 ICS 算法中的起始体素。此示意图中探照灯的半径是一个体素，探照灯球的信息（每个球体用特定颜色表示）被分配给球体中心的体素，也就是说，输出图中的每个体素都具有与其搜索球相同的颜色（信息）。另一方面，ICS 方法的输出是一组通过数据驱动的启发式方法从起始体素扩展而来的聚类。每个聚类的信息都用特定的颜色表示。(b) 左：ICS 创建的重叠聚类的示例说明。右：单独描绘的相同聚类。黑点表示的体素是起始体素 vs，根据判别分析启发式方法进行扩展，从而为每个聚类得出特定的判别分数