XiaoMi-AI文件搜索系统
World File Search System帧序列
使用基于事件的微型飞行器垂直着陆......
小型飞行机器人可以通过保持恒定的发散度，利用仿生光流进行着陆动作。但是，光流通常是根据标准微型摄像机记录的帧序列估算出来的。这需要在机上处理完整图像，限制发散度测量的更新率，从而限制控制回路和机器人的速度。基于事件的摄像机通过仅以微秒时间精度测量像素级亮度变化来克服这些限制，从而为光流估计提供了一种有效的机制。据我们所知，本文首次将基于事件的光流估计集成到飞行机器人的控制回路中。我们扩展了现有的“局部平面拟合”算法，以获得改进的、计算效率更高的光流估计方法，该方法适用于各种光流速度。该方法已针对真实事件序列进行了验证。此外，介绍了一种基于事件的光流估计发散的方法，该方法考虑了孔径问题。开发的算法在四旋翼飞行器上的恒定发散着陆控制器中实现。实验表明，使用基于事件的光流，可以在很宽的速度范围内获得准确的发散估计。这使四旋翼飞行器能够执行非常快速的着陆机动。
人类大脑 BOLD 自发活动内部流动的拓扑视图
在静息态功能性磁共振成像 (rs-fMRI) 中可检测到的具有可变延迟的时空大脑活动会产生高度可重复的结构，称为皮质滞后线，它会从一个大脑区域传播到另一个大脑区域。使用数据计算拓扑方法，我们发现三角测量 rs-fMRI 视频帧中持续、重复的血氧水平依赖性 (BOLD) 信号显示出以前未检测到的拓扑发现，即覆盖大脑激活区域的涡旋结构。BOLD 信号传播中涡旋形状的持久性测量是根据大脑自发活动期间随时间上升和下降的贝蒂数进行的。重要的是，以 BOLD 信号传播的几何形状给出的数据拓扑提供了一种实用的方法来应对和避开神经数据中的大量噪声，例如非零 BOLD 信号邻域中不需要的暗（低强度）区域。我们的研究结果已被整理并可视化为图表，这些图表能够追踪间歇性出现在 rs-fMRI 视频帧序列中的非平凡 BOLD 信号。这种对变化的滞后结构的追踪最终会形成所谓的持久条形码，这是一种象形文字，它提供了一种方便的视觉方式来展示、比较和分类大脑激活模式。
NeuronFlow：用于实时 AI 应用的神经形态处理器架构
视觉和音频传感器处理目前主要由神经网络主导。与手工制作的特征提取/分类技术相比，这些技术更强大、更准确且更易于开发。它们的出现使大量应用程序成为可能，并开辟了新的市场和机会。我们专注于云边缘应用程序，尤其是实时人工智能，即从一个或多个传感器接收实时数据并快速响应环境变化、实时做出决策的应用程序。实时人工智能通常对时间（尤其是延迟）和功耗有严格的要求，因此无法卸载到云端。我们认为，处理实时人工智能神经网络的流行策略存在功率瓶颈，现有计算架构无法解决这一问题。NeuronFlow 通过采用神经形态工程的最新进展和数据流处理器的旧理念来弥补这一差距。最先进的视觉和音频传感器会生成大量时间采样数据。大多数市售视觉传感器都依赖于以等距（即周期性）时间间隔捕获完整图像（帧），而不管场景是否发生变化。此类传感器称为基于帧的。处理视觉传感器的算法通常遵循基于帧的结构，因为这既适合占主导地位的基于帧的传感器技术，也因为它能够重用单帧算法来处理帧序列，即，单个图片对象识别 DNN 可以逐帧应用于视频序列。因此，相同的无关背景对象会在帧之间被重复识别和分析。处理所有这些多余的数据会大大增加计算负荷，导致处理效率极低、耗电。如果图像传感的绝对计算要求满足，那么这不会是一个严重的问题