XiaoMi-AI文件搜索系统
World File Search System性能比较
轻量级且可解释的 Deepfakes 检测框架
摘要 — 近期所谓的深度伪造的现实创作和传播对社会生活、公民休息和法律构成了严重威胁。名人诽谤、选举操纵和深度伪造作为法庭证据只是深度伪造的一些潜在后果。基于 PyTorch 或 TensorFlow 等现代框架、FaceApp 和 REFACE 等视频处理应用程序以及经济的计算基础设施的开源训练模型的可用性简化了深度伪造的创作。大多数现有检测器专注于检测换脸、口型同步或木偶大师深度伪造，但几乎没有探索用于检测所有三种类型深度伪造的统一框架。本文提出了一个统一的框架，利用混合面部标志和我们新颖的心率特征的融合功能来检测所有类型的深度伪造。我们提出了新颖的心率特征，并将它们与面部标志特征融合，以更好地提取假视频的面部伪影和原始视频中的自然变化。我们利用这些特征训练了一个轻量级的 XGBoost，以对 deepfake 和真实视频进行分类。我们在包含所有类型 deepfake 的世界领袖数据集 (WLDR) 上评估了我们框架的性能。实验结果表明，与比较 deepfake 检测方法相比，所提出的框架具有更优异的检测性能。将我们的框架与深度学习模型候选模型 LSTM-FCN 进行性能比较，结果表明，所提出的模型取得了类似的结果，但它更具可解释性。索引术语 —Deepfakes、多媒体取证、随机森林集成、树提升、XGBoost、Faceswap、Lip sync、Puppet Master。
癫痫皮层脑电图检测仪的小型化...
摘要 — 癫痫是一种神经系统疾病，其特征是由大脑异常电活动引起的突发和反复发作。反应性神经刺激 (RNS) 为药物难治性癫痫患者提供了一种有希望的治疗选择。反应性神经刺激 (RNS) 是一种采用闭环系统的植入式设备。它通过皮层脑电图 (ECoG) 记录持续监测大脑活动。当系统检测到癫痫发作活动时，它会向大脑发送直接电刺激以抑制癫痫发作。癫痫发作检测算法需要针对患者进行优化，这导致近年来人们对深度学习方法的兴趣日益浓厚。虽然更深的网络架构通常可以提高检测准确性，但它们在植入式设备中的实现受到硬件资源有限和可用于 ECoG 监测的电极通道数量有限的限制。为了确保 RNS 的实际可行性，系统地最小化患者特定深度学习模型的计算成本和连接的 ECoG 电极数量至关重要。本研究通过分析在 3D ECoG 数据上训练的 3D 卷积神经网络 (3D CNN) 的第一个卷积层学习到的时空核，系统地减少了癫痫检测模型中的电极通道数量和计算成本。这种方法充分利用了网络学习网格电极之间的空间关系和 ECoG 信号的时间动态的能力。缩小后的癫痫检测 CNN 模型与原始 CNN 模型之间的性能比较表明，至少对于某些患者，可以在减小模型尺寸的同时保持推理性能。
设计用于检查隧道施工环境的自主无人机原型
摘要 - 本文解决了不典型的域适应性（UDA）中的两个重要挑战，重点是利用视觉培训预训练（VLP）模型的力量。首先，UDA主要依赖于ImageNet预训练的模型。但是，UDA中VLP模型的潜力在很大程度上尚未探索。VLP模型的丰富表示形式具有增强UDA任务的信号。为了解决这个问题，我们提出了一种称为跨模式知识蒸馏（CMKD）的新颖方法，利用VLP模型作为教师模型来指导目标领域的学习过程，从而导致了最新的表现。其次，当前的UDA范式涉及为每个任务培训单独的模型，从而导致大量存储开销和不切实际的模型部署，随着转移任务的增加。为了克服这一挑战，我们引入了剩余的稀疏训练（RST），利用了VLP广泛的预训练所带来的好处，该技术需要最小的调整（约0.1％〜0.5％）的VLP模型参数，以实现性能比较与罚款。结合了CMKD和RST，我们提出了一个综合解决方案，该解决方案有效地利用VLP模型来实现UDA任务，同时减少存储开销用于模型部署。此外，CMKD可以与其他方法一起用作基线，例如FixMatch，增强UDA的性能。我们提出的方法在标准基准测试上优于现有技术。我们的代码将在以下网址提供：https：//github.com/wenlve-zhou/vlp-uda。
CityUHK-EE x Mathworks 联合实验室活动
摘要 人工智能 (AI) 通过感知环境、做出决策和采取行动来模拟人类的智能行为。本次研讨会将深入探讨 AI 与工作流程的集成，重点关注数据准备、建模、系统设计和部署。您将了解 MATLAB 如何通过生成代码的交互式应用程序简化 AI 实施。您还将了解 AI 如何增强各种信号（包括音频、生物医学、雷达和无线）的信号处理系统。我们还将解决使用 MATLAB 和 Simulink 管理大型数据集、预处理、特征提取、模型创建、性能比较、微调和部署等挑战 演讲者 徐岳毅，MathWorks 教育客户成功工程师 徐岳毅是 MathWorks 的教育客户成功工程师。她主要负责大学合作以及支持教师进行教学和研究。岳毅拥有大连理工大学化学工程学士学位和美国德克萨斯理工大学化学工程博士学位，在校期间从事分子动力学模拟相关研究。Nikita Pinto，MathWorks AI 学术联络员 Nikita Pinto 是 MathWorks 亚太区人工智能学术联络员。她对了解 AI 技术并将其应用于科学和工程问题很感兴趣。她与教育工作者、研究人员和学生合作，帮助他们将 AI 与他们的领域专业知识结合起来。她在印度理工学院马德拉斯分校获得海洋工程硕士学位，在校期间致力于将统计信号处理应用于水下声学。她曾与国际合作者、政府研究实验室和独立研究人员合作开展跨学科项目。注册 请于 2025 年 1 月 3 日或之前在此注册
博士SHARNAPPA JOLADARASHI - 机械工程
磁流变 (MR) 阻尼器”，振动工程与技术杂志 (IF 0.35)，第 9 卷，第 161-176 页，2021 年，https://doi.org/10.1007/s42417-020-00218-1。30. Vishwas Mahesh、Sharnappa Joladarashi 和 Satyabodh M Kulkarni。（2021 年）。“天然纤维增强弹性体基生物复合材料在牺牲结构应用中的损伤力学和能量吸收能力”，国防技术，17 (1)，161-176，DOI：https://doi.org/10.1016/j.dt.2020.02.013（SCIE 索引，IF：2.637）。 31. C. Durga Prasad、Sharnappa Joladarashi、MR Ramesh、MS Srinath 和 BH Channabasappa。 “沉积在钛基体、硅上的 HVOF 涂层和微波处理的 CoMoCrSi-WC + CrC + Ni 和 CoMoCrSi-WC + 12Co 复合涂层的微观结构和滑动磨损性能比较 (2020)。https://doi.org/10.1007/s12633-020-00398-1。32. Vishwas Mahesh、Sharnappa Joladarashi 和 Satyabodh M Kulkarni。(2019)“黄麻/橡胶基柔性‘绿色’复合材料的附着力、柔韧性、层间剪切强度和损伤机理的实验研究”，热塑性复合材料杂志，DOI：10.1177/0892705719882074（SCIE 索引，IF：1.59 和 Scopus 索引）。 https://doi.org/10.1177/0892705719882074 33. Srikumar Biradar、Sharnappa Joladarashi 和 SM Kulkarni。(2020)，“纤维缠绕玻璃/环氧复合材料吸水后的机械行为研究以及使用田口方法的摩擦学研究”，爱思唯尔材料今日论文集。 https://doi.org/10.1016/j.matpr.2020.02.834 34. Srikumar Biradar、Sharnappa Joladarashi 和 SM Kulkarni。(2019)“纤维缠绕玻璃/环氧复合材料的摩擦机械和物理特性”。材料研究快报（IF 1.44），（2019），DOI：10.1088 / 2053-1591 / ab3685。
癌细胞系中药物敏感性的两步多词建模，以识别驾驶机制
人类癌细胞系的药物敏感性预测模型构成了在临床前环境中识别潜在反应性因素的重要工具。整合从一系列异质数据中得出的信息至关重要，但仍然是不平凡的，因为数据结构的差异可能会阻碍拟合算法将足够的权重分配给不同的OMIC数据中包含的互补信息。为了抵消这种效果，该效果倾向于仅导致一种数据类型主导所谓的多摩斯模型，我们开发了一种新颖的工具，使用户能够在第一步中分别训练单摩尼斯模型，并在第二步中将它们集成到多摩s模型中。进行了广泛的消融研究，以促进对奇异数据类型及其组合的各自贡献的深入评估，从而有效地识别它们之间的冗余和相互依赖性。此外，单词模型的集成通过一系列不同的分类算法实现，从而可以进行性能比较。被发现与药物敏感性显着转移相关的分子事件和组织类型集可以返回，以促进对药物反应性潜在驱动因素的全面而直接的分析。我们的两步方法产生了一组实际的多媒体泛 - 批处理分类模型，这些模型对GDSC数据库中的大多数药物具有很高的预测。在具有特定作用模式的有针对性药物的背景下，其预测性能与将多词数据合并到简单的一步方法中的分类模型相比。此外，案例研究表明，它在正确识别已知的特定药物化合物的关键驱动因素以及为其他候选者提供其他药物敏感性因素方面取得了成功。
审查最新的绿色单息剂
摘要：当前的研究趋势已在各种空间任务中大规模地使用了“绿色推进剂”的使用；主要出于环境可持续性和安全问题。小型卫星，尤其是微型和纳米卫星，从被动行星孔发展到能够执行可能需要高推动冲动能力的主动轨道操作。因此，需要在船上和辅助推进系统上执行此类轨道操作。初级推进系统设计中的新颖性要求特别关注微型化，这可以通过上述轨道传递能力来实现，通过使用绿色单核剂，由于其相对的高性能以及与气态和二线化剂相比，尤其是用于微型型系统的相比，它们的相对高性能以及更好的可保持性。由于绿色 - 普罗普尔领域正在进行的快速研究活动，有必要广泛研究和收集各种绿色单opelt剂性能和绩效的数据，这些数据将进一步帮助分析师和设计师进行液体推进系统的研究和开发。这篇评论追溯了绿色单opello剂的历史和起源，以及经过深入研究此类推进剂的理化特性后，可以将绿色单opel剂分类为三个主要类别：能量离子液体（EILS），液体NOX NOX单核纤维素和氢过氧化物溶液（HPAS）。通过不同的推进系统配置讨论了绿色单opell剂的某些应用，例如：多模式，二模式和化学 - 电动推进。此外，列表的数据和性能比较将在使用分析工具（例如：火箭推进分析（RPA）和NASA CEA）方面为工程师和科学家提供有关化学推进系统分析和设计的工程师和科学家。尽管在许多空间应用中广泛提出和使用了空间（即AF-M315E和LMP-103S）（即AF-M315E和LMP-103S），但调查的调查表明，NOX燃料混合物具有最高的性能，而HPA的HPAS也会产生最低的性能。
放射学人工智能：方法的系统评价和评估 (RAISE)
摘要 目的 目前，人工智能 (AI) 应用于临床放射学的研究已非常丰富。然而，这些研究的设计和质量各不相同，而且缺乏对整个领域的系统评价。本系统评价旨在确定所有使用深度学习进行放射学研究的论文，以调查文献并评估其方法。我们旨在确定文献中正在解决的关键问题，并确定所采用的最有效方法。方法 我们遵循 PRISMA 指南，对 2015 年至 2019 年发表的放射学人工智能研究进行了系统评价。我们发表的方案是前瞻性注册的。结果 我们的搜索产生了 11,083 个结果。审查了 767 篇全文，纳入了 535 篇文章。98% 是回顾性队列研究。纳入的患者中位数为 460。大多数研究涉及 MRI（37%）。神经放射学是最常见的亚专科。88% 的研究使用了监督学习。大多数研究进行了分割任务（39%）。37% 的研究使用最先进的模型进行性能比较。最常用的既定架构是 UNet（14%）。最常用的评估指标的中位性能为 Dice 0.89（范围 .49 – .99）、AUC 0.903（范围 1.00 – 0.61）和准确度 89.4（范围 70.2 – 100）。在 77 项对其结果进行了外部验证并允许直接比较的研究中，外部验证后的性能平均下降了 6%（范围从增加 4% 到下降 44%）。结论 本系统评价调查了 AI 在临床放射学中的重大进展。要点 • 虽然有许多论文报告了使用深度学习在放射学中取得的专家级结果，但大多数论文仅将狭窄范围的技术应用于狭窄的用例选择。• 文献以回顾性队列研究为主，外部验证有限，存在很高的偏见可能性。• 最近出现的 AI 扩展系统报告指南和前瞻性试验注册以及对外部验证和解释的关注表明，AI 的炒作有可能从代码转化为临床。
2014 年第 37 届国际信息与... 会议
2014 年第 37 届信息和通信技术、电子学和微电子学国际大会（MIPRO） 微电子学、电子学和电子技术纳米技术，从近代历史到（不）可预测的未来 - 特邀论文 1 J. Turkovic 基于低温（α）和高温（β）GeS 2 晶相的簇共存的光谱证据，位于玻璃状二硫化锗基质中 7 V. Mitsa、R. Holomb、G. Lovas、M. Veres、M. Ivanda、T. Kovach 银胶体纳米粒子的合成和表征及其在表面增强拉曼光谱中的应用 11 L. Mikac、M. Ivanda、M. Gotic、T. Mihelj 碲酸盐玻璃的拉曼光谱 15 H. Gebavi、D. Ristic、V. Djerek、L. Mikec、M. Ivanda、D.用于尖端光子学应用的米兰涂层球形微谐振器 18 D. Ristic、M. Mazzola、A. Chiappini、C. Armellini、A. Rasoloniaina、P. Féron、R. Ramponi、G.N.Conti、S. Pelli、G.C.Righini、G. Cibiel、M. Ivanda、M. Ferrari 使用 THz 时域光谱检查硅材料特性 22 B. Pejcinovic 微带宽度和退火时间对微尺度石墨烯 FET 特性的影响 27 M. Poljak、M. Wang、S. Zonja、V. Djerek、M. Ivanda、K.L.Wang, T. Suligoj 具有优化发射极和电介质的石墨烯基晶体管 33 S. Venica, F. Driussi, P. Palestri, L. Selmi 厚度低于 20 nm 的双栅极锗 MOSFET 中受声子限制的空穴迁移率 39 V. Ivanic, M. Poljak, T. Suligoj 20 nm 栅极体和 SOI FinFET 之间的 RF 性能比较 45 S. Krivec, H. Prgic, M. Poljak, T. Suligoj CMOS 二进制加法器老化的模拟研究 51 T. An, C. Hao, L. Alves de Barros Naviner 多故障下并发检查电路可靠性评估的分析方法 56 T. An, K. Liu, L. Alves de Barros Naviner CMOS 乘法器结构的合成使用多功能电路 60 C. Popa
CoreData、Realm 和 GRDB 之间的性能差距
轻量级存储：CoreData、Realm 和 GRDB 之间的性能差距 Amit Gupta 加利福尼亚州圣何塞 电子邮件 ID：gupta25@gmail.com 摘要 在 Apple 应用程序开发领域，选择正确的数据库管理系统对于实现最佳性能和效率至关重要。本文对三个主要选项进行了彻底的比较分析：CoreData、Realm 和 GRDB。评估围绕关键性能指标进行，包括写入、读取、删除和模式创建功能。通过结合现有研究、实证测试和基准数据，该分析旨在全面了解每个系统的优势和劣势。通过阐明这些数据库的细微性能属性，开发人员可以根据其特定项目要求和约束做出明智的决策。 关键词 移动应用程序、Apple 应用程序、数据库、CoreData、Realm、GRDB、性能、性能比较、基准测试、性能分析、性能评估、存储性能 简介 选择合适的数据库管理系统对于塑造 Apple 生态系统中应用程序的性能和响应能力至关重要。 CoreData、Realm 和 GRDB 是开发人员的首选，它们各自都具有独特的功能和性能属性，可满足不同的应用需求。认识到这些系统发挥的关键作用，本文致力于提供详细的比较，深入探讨 CoreData、Realm 和 GRDB 的细微差别。通过揭示它们各自的优缺点，本分析旨在为开发人员提供必要的洞察力，以驾驭复杂的数据库选择环境，使他们能够根据项目要求和目标做出明智的决策。方法论本研究采用的方法融合了从广泛的文献综述和严格的实证基准测试工作中获得的洞察力。基准测试是利用性质相似的数据集和精心选择的统一硬件配置精心进行的，以在整个评估过程中保持一致性。对一系列关键性能指标进行了细致的评估，包括对模式创建、写入、获取、更新和删除操作的全面分析，从而确保对所审查的数据库管理系统进行全面而稳健的检查。文献综述已经进行了多项研究和基准测试来评估 CoreData、Realm 和 GRDB 的性能。根据 Smith 等人 (2019) 的一项研究，Realm 在写入和读取操作方面优于 CoreData，因为它具有优化的存储引擎和高效的数据结构。同样，Johnson 的基准测试