XiaoMi-AI文件搜索系统
World File Search System排序算法
用riesz内核切成薄片的MMD流量
最大平均差异（MMD）流在大规模计算中遭受高计算成本的影响。在本文中，我们表明MMD用Riesz内核K（x，y）= −∥ x -y∥r，r∈（0，2）具有出色的属性，可以有效地计算。我们证明，Riesz内核的MMD（也称为Energy距离）与其切片版本的MMD相吻合。因此，可以在一维设置中执行MMD梯度的计算。在此，对于r = 1，可以应用一种简单的排序算法，以减少O（Mn + N 2）到O（（M + N）log（M + N））的复杂性，以使用M和N支持点进行两个测量。作为另一个有趣的后续结果，可以通过Wasserstein-1距离从上和下估算紧凑型措施的MMD。对于实现，我们仅使用有限的切片p，近似切片MMD的梯度。我们表明结果误差具有复杂性o（p
加州拉丁裔的经济状况*
BSP 受 UnidosUS 委托，对 25 岁及以上的拉丁裔进行一项研究，重点关注银行业务和信贷获取，特别关注中低收入家庭。为了进一步了解低收入家庭的态度，对年收入低于 40,000 美元的家庭进行了过度抽样。这项民意调查于 2024 年 4 月 8 日至 22 日进行，包括亚利桑那州、加利福尼亚州和德克萨斯州的 1,200 次访谈（每个州 400 次）。整体样本的误差幅度 (MoE) 为 +/- 2.8%，每个州样本的误差幅度为 +/- 4.9%。调查提供英语或西班牙语版本，由每位受访者选择。参与者通过现场电话随机联系（25%），并通过文本到网络的自填和在线小组随机联系（75%）。使用事后估计排序算法，对每个州的最终数据进行加权，以匹配最近获得的拉丁裔人口普查估计值。
深度学习的对象检测，智能轮椅医疗保健移动性的本地化和跟踪
摘要：本文介绍了智能电动轮椅的高级驾驶员援助系统（ADA）的开发，以提高残疾人的自主权。我们的用例基于正式的临床研究，基于轮椅室内环境中物体的检测，深度估计，定位和跟踪，即：门和门把手。这项工作的目的是为轮椅提供一个感知层，使以这种方式检测这些关键点在其直接周围的周围，并构建了短期寿命语义图。首先，我们将Yolov3对象检测算法的改编对我们的用例进行了改编。然后，我们使用Intel Realsense相机介绍我们的深度估计方法。最后，作为方法的第三步也是最后一步，我们根据排序算法介绍了3D对象跟踪方法。为了验证所有发展，我们在受控的室内环境中进行了不同的实验。使用我们自己的数据集对检测，距离估计和对象跟踪进行实验，其中包括门和门把手。
自适应流量监控：整合ML和远景
车辆速度和数板检测系统旨在监视车辆速度并自动确定超过速度限制的车辆，从而使罚款向罪犯发行。该系统使用Yolov8预训练的模型（Yolov8n）从视频或图像中检测车辆，而排序算法则在每个检测到的车辆跨相机的视野中移动时跟踪每个检测到的车辆。使用公式（v = d/t \）计算车辆的速度，其中将时间（t）测量为车辆越过两个平行线，并使用欧几里得距离公式计算线之间的距离（d）。当发现车辆超速行驶时，该系统会使用车牌探测器来捕获车辆的注册号，该号码用于识别所有者以发出罚款或“ Challan”。该项目的代码在speed_detection.ipynb文件中实现，测试视频数据存储在视频文件夹中。
保存的实验研究/ ... div>
在本文中，我们介绍了有关电动轮椅高级驾驶员援助系统的开发的工作。我们的项目旨在提高流动性降低的人的自主权。进行临床研究后，我们确定了几个用例。在本文中，我们在室内环境中介绍了椅子周围环境中兴趣点的检测，本地化和跟踪，即：门，手柄，照明开关等。目的不仅是为了提高椅子周围的看法，而且还可以使半自治的驾驶朝向这些目标。首先，我们将对象检测算法的Yolov3的重新应用于我们的用例。然后，我们显示了对Intel Realsense相机的使用，以进行深度估计。最后，我们描述了对跟踪3D兴趣点的排序算法的适应。为了验证我们的方法，我们在受控的室内环境中实现了一些实验。使用我们的自定义数据集测试了检测，距离估计和跟踪管道。这包括走廊，门，手柄和开关。研究的一个方案之一是为了验证所提出的平台，不仅包括对物体的检测和跟踪，还包括轮椅向其中一个感兴趣的一个点。
SpikeDeep-classifier：一种基于深度学习的全自动离线脉冲分类算法
摘要 目的。电极设计的进步已导致微电极阵列具有数百个通道，可用于单细胞记录。在由此产生的电生理记录中，每个植入电极可以记录一个或多个神经元的尖峰活动 (SA) 以及背景活动 (BA)。本研究的目的是分离每个神经源的 SA。此过程称为尖峰排序或尖峰分类。高级尖峰排序算法非常耗时，因为在流程的各个阶段都需要人工干预。当前方法缺乏泛化能力，因为超参数的值并不固定，即使对于同一受试者的多个记录会话也是如此。在本研究中，提出了一种称为“SpikeDeep-Classifier”的全自动尖峰排序算法。所有评估数据的超参数值都保持不变。方法。提出的方法基于我们之前的研究 (SpikeDeeptector) 和一种新颖的背景活动拒绝器 (BAR)，它们都是监督学习算法和无监督学习算法 (K-means)。 SpikeDeeptector 和 BAR 分别用于提取有意义的通道并从提取的有意义的通道中去除 BA。一旦从数据中完全去除 BA，聚类过程就会变得简单。然后，对仅来自神经源的剩余数据应用具有预定义最大聚类数的 K 均值。最后，使用基于相似性的标准和阈值来保留不同的聚类并合并看起来相似的聚类。所提出的方法称为聚类接受或合并 (CAOM)，它只有两个超参数（最大聚类数和相似性阈值），在调整后对于所有评估数据保持不变。主要结果。我们将算法的结果与真实标签进行了比较。该算法在人类患者数据和公开可用的标记非人类灵长类动物 (NHP) 数据集上进行了评估。BAR 在人类患者数据集上的平均准确率为 92.3%，在 (K-means + CAOM) 之后进一步降低到 88.03%。此外，BAR 在公开可用的 NHP 标记数据集上的平均准确率为 95.40%，经过 (K-mean + CAOM) 后降至 86.95%。最后，我们将 SpikeDeep-Classifier 的性能与两位人类专家进行了比较，其中 SpikeDeep-Classifier 产生了可比的结果。意义。SpikeDeep-Classifier 在不同物种、不同大脑区域的多个记录会话的数据集上进行了评估
用代码基准和生成ai
摘要本文探讨了代码基准测定技术及其与先进的生成人工智能（AI）模型的集成，从而强调了在数据驱动的行业中进行连续性能优化的需求。基准测试对于评估和比较硬件和软件性能，识别瓶颈和制定改进策略至关重要。该研究回顾了基准的理论和实践，详细介绍了研究人员和从业者的关键参数，步骤，挑战和解决方案。它检查了各种排序算法的基准，突出了对算法选择和实现的影响。创新，研究使用了诸如GPT-3.5-Turbo和Gemini 1.5 Pro之类的AI模型来分析算法基准，对效率进行分类和重新定义性能评估。使用F-SCORE指标评估了这种方法的有效性，从而提供了对AI模型性能的见解。研究表明，将基准测定技术与生成AI集成的潜力，标志着自动代码分析的显着进步，并为软件开发和AI应用程序提供了宝贵的影响。
神经形态算法的计算复杂性
神经形态计算具有多种特性，使其成为后摩尔计算中极具吸引力的计算范式。这些特性包括内在并行性、固有可扩展性、共置处理和内存以及事件驱动计算。虽然这些特性为神经形态系统带来了能源效率，但它们也带来了一系列挑战。神经形态计算的最大挑战之一是建立神经形态算法计算复杂性的理论基础。在本文中，我们迈出了定义神经形态算法的空间和时间复杂性的第一步。具体来说，我们描述了一种神经形态计算模型，并陈述了控制神经形态算法计算复杂性的假设。接下来，我们提出了一个理论框架来定义神经形态算法的计算复杂性。我们根据我们的神经形态计算模型，明确定义了神经形态算法中的空间和时间复杂性。最后，我们利用我们的方法并定义了六种神经形态算法的计算复杂性：常量函数、后继函数、前驱函数、投影函数、神经形态排序算法和邻域子图提取算法。
![arXiv:2111.08154v1 [cs.HC] 2021 年 11 月 16 日](/simg/g:\will\search\icon\source\a\a3db6c388ab3c9660f6d87ba0a937b1ee45cbc6c.webp)
arXiv:2111.08154v1 [cs.HC] 2021 年 11 月 16 日
本文研究了心理任务分类——基于脑机接口 (BCI)，因为这是 BCI 的主要研究领域，而且这些系统可以改善严重残疾的人的生活，因此备受关注。BCI 模型的性能主要取决于特征向量的大小，该向量通过多个通道获得。在心理任务分类的情况下，特征的训练样本可用性极低。通常，特征选择用于通过去除不相关和多余的特征来提高心理任务分类的比率。本文提出了一种选择相关和非冗余光谱特征进行心理任务分类的方法。这可以通过使用四种非常知名的多变量特征选择方法来实现，即 Bhattacharya 距离、散点矩阵比、线性回归和最小冗余与最大相关性。这项工作还涉及心理任务分类的多变量和单变量特征选择的比较分析。应用上述方法后，研究结果表明，学习模型在心理任务分类方面的性能得到了显著改善。此外，通过执行稳健的排序算法和弗里德曼统计测试来找到最佳组合并比较功率谱密度和特征选择方法的不同组合，证明了所提出方法的有效性。
使用Yolo
针对传统的车牌识别方法精确和速度的缺陷所带来的挑战，已经引入了一种新颖的端到端深度学习模型。该模型在实际情况下采用Yolo-NAS的准确检测和识别。采用Yolo-NAS模型，我们的车牌识别方法涉及对各种数据集的全面培训，涵盖小规模，中和大尺度，以实现最佳的准确性。Yolo-Nas引入了一种创新的量化基本块，从而减轻了早期Yolo模型的关键限制。通过结合高级训练方法和训练后量化技术，进一步提高了性能。结合使用，Yolov8将车辆分类为特定类型，例如汽车或自行车。该排序算法为车辆分配了不同的身份号码，从而促进了无缝连接的相应检测到的车牌。此关联数据系统地存储在CSV文件中以供参考。为了可视化，EasyORC将部署以识别车牌上的字母数字字符。此识别输出在视觉上表示为已确定车辆上方的盒子。利用Yolo-NAS进行车牌检测，不仅可以确保卓越的准确性，而且还通过量化支持和战略准确的胶粘度权衡来优化性能，从而有助于更加精致，更有效的识别系统。我们为Yolo-NAS（小）模型获得的准确性为90.2％。使用Yolo-NAS进行车牌检测，我们能够开发一种将高速与精度相结合的模型。