XiaoMi-AI文件搜索系统
World File Search System无源的
基于EEG的视觉识别的无源主题适应
摘要 - 本文重点介绍了基于脑电图的视觉识别的主题适应。它旨在通过从源主题的丰富数据中传输知识来构建针对脑电图样本受到限制的目标主题定制的视觉刺激识别系统。现有的方法考虑了在培训期间可以访问源主题样本的情况。但是，由于隐私问题，访问诸如EEG信号之类的个人生物学数据通常是不可行的，并且有问题。在本文中，我们介绍了一种新颖而实用的问题设置，即无源的受试者适应，其中源主题数据不可用，并且仅提供预先训练的模型参数以进行对象适应。为了解决这一具有挑战性的问题，我们提出了基于分类的数据生成，以使用分类响应来模拟来自源对象的脑电图样本。使用生成的样本和目标主题数据，我们执行主题独立的特征学习来利用跨不同主题共享的常识。值得注意的是，我们的框架是可以推广的，并且可以采用任何独立于主题的学习方法。在EEG-IMAGENET40基准的实验中，我们的模型都会带来一致的改进，而不论其无关学习的选择如何。此外，我们的方法显示出有希望的性能，即使在不依赖源数据的情况下，在5-Shot设置下将TOP-1测试精度记录为74.6％。我们的代码可以在https://github.com/deepbci/deep-bci上找到。索引术语 - 脑计算机界面，脑电图，基于脑电图的视觉识别，无源的主题适应，深度学习
RFID 入门 - Falken Secure Networks
Mario Cardullo 于 1973 年申请的美国专利 3,713,148 是现代 RFID 的第一个真正祖先；一种带内存的无源无线电转发器。最初的设备是无源的，由询问信号供电，并于 1971 年向纽约港务局和其他潜在用户进行了演示，它由一个带 16 位内存的转发器组成，可用作收费设备。Cardullo 的基本专利涵盖使用 RF、声音和光作为传输介质。1969 年向投资者提交的原始商业计划展示了其在交通运输（汽车车辆识别、自动收费系统、电子车牌、电子清单、车辆路线、车辆性能监控）、银行（电子支票簿、电子信用卡）、安全（人员识别、自动门、监视）和医疗（身份识别、患者病史）领域的应用。
低能耗唤醒无线电技术概述
物联网 (IoT) 目前已用于许多无线传感器网络 (WSN) 应用中。传统上，WSN 的能耗被视为主要问题之一。能耗主要来自传感、数据处理、通信和其他浪费的能量，例如空闲监听、碰撞和偷听。这些传感器节点通常由外部电源供电，因此使用寿命较短。幸运的是，无线能量收集 (WEH) 的不同方法已经得到改进。因此，唤醒无线电 (WuR) 成为 WEH 的补救措施，它提供有源、无源和半无源电路消耗和其他协议。例如，最常用、最令人信服和最有效的是无源 WuR，它可以通过减少不必要的空闲监听来显著增加传感器网络 (SN) 中的网络寿命。最后，本文提出了有源、半无源的最新技术，主要以无源 WuR 为中心，并涵盖了应用领域。然后，概述了与物理层、介质访问控制 (MAC) 和路由层相关的 WuR。最后，本文强调了唤醒技术在未来 IoT 应用中的潜在研究机会。
再次介绍了Schr'odinger的“ Aperiodic Crystal”
Erwin Schr odinger著名地创造了有意的悖论术语“ Aperiodic Crystal”，以描述我们现在所知道的DNA，RNA和蛋白质生物学聚合物中各种单体单位的序列[1]。这些序列是遗传控制的，因此是“多态”的，但通常不会改变生物聚合物的热运动或通常的动力学，类似于“晶体”。在最近的时间，尤其是在蛋白质折叠研究的背景下，吸引了很多关注的想法，即这些序列与猝灭障碍的特定实现非常相似（请参阅评论中的参考文献列表[2]）。因此，具有淬火序列的杂聚物的问题绝不是新的，它一直在各种领域重新出现 - 而且我认为仍在等待更深入的见解。在这里，我想引起对这两篇完全无关的论文的关注 - 但是，这两个论文都在处理这个问题，尽管在非常不同的情况下。dino osmanovi´c在第一篇推荐论文中考虑了某些单体“活跃”的聚合物链的动力学，而另一些单体则是“被动”。这意味着，被动单体是由常规的热三角相关的兰格文噪声驱动的，而活性单体则受到随机非热力的影响，幅度与热能无关，可能与某些非零相关时间无关。该模型的主要动机是染色质 - 细胞中DNA的功能形式。出于在每个特定细胞中，染色质的某些部分（称为白染色质）涉及积极转录的基因，因此与能量消耗（ATP依赖）工作酶相互作用，例如RNA聚合酶，而染色质（称为异染色质）的其他部分是无源的。