XiaoMi-AI文件搜索系统
World File Search System检测性能
在医疗保健应用中使用人工智能和网络安全
摘要：医疗保健领域已大量使用网络安全系统，在许多医疗保健情况下为患者提供出色的安全保障。随着危险的增加以及黑客不知疲倦地逃避执法，网络安全已成为过去十年中新闻中迅速扩张的领域。尽管进行网络攻击的最初动机随着时间的推移基本保持不变，但黑客已经改进了他们的方法。使用传统的网络安全工具识别和阻止不断演变的威胁变得越来越困难。人工智能方法的发展为网络安全专业人员抵御攻击者不断演变的威胁带来了希望。因此，本文介绍了一种基于人工智能的卷积神经网络 (CNN)，其中网络攻击的检测性能更出色。本文介绍了使用基于蚁群优化的卷积神经网络 (ACO-CNN) 机制的独特条件。该模型是与包含网络攻击样本的数据集协作构建和提供的，用于检测医疗保健领域的网络攻击。结果表明，通过更准确地检测网络攻击，所创建的框架比现代技术表现更好。
绘制人类表现的边界
摘要。在 Horizon 2020 资助的未来天空安全计划中，人类表现包络线项目通过增加压力和工作量并降低情境意识，将航空公司飞行员推向实时驾驶舱模拟中表现的极限。目的是找出这些因素如何相互作用，并检测人类表现的极限，在这些极限处应采用某种形式的自动化支持以确保安全持续飞行。采用了一系列措施，从行为到生理（例如心率、眼动追踪和瞳孔扩张），以实时监测飞行员的表现。心率、心率变异性、眼动追踪、认知演练和人机界面 (HMI) 可用性分析等几种措施被证明是有用且相对可靠的，可以检测性能下降，并确定在哪些地方需要改变信息呈现以更好地支持飞行员在具有挑战性的情况下的表现。这些结果导致了对未来驾驶舱人机界面原型的拟议更改，随后在最终模拟中进行了验证。研究结果还为“智能背心”的开发提供了参考，飞行员可以穿着它来监测与性能相关的一系列信号。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。
数字信号处理
在无线传感器网络中，多级量化是必要的，以便在最小化传感器功耗和最大化融合中心 (FC) 的检测性能之间找到一个折衷点。以前的方法一直在这种量化中使用距离度量，例如 J 散度和 Bhattacharyya 距离。这项工作提出了一种不同的方法，该方法基于两种假设下的传感器输出的最大平均熵，并在基于 Neyman-Pearson 标准的分布式检测方案中利用该方法检测点源。当传感器输出在 FC 上无误差可用时，以及当使用非相干 M 元频移键控通信通过瑞利衰落信道传输基于 MAE 的多级量化传感器输出时，都对所提出的最大平均熵 (MAE) 方法在量化传感器输出方面的接收器操作特性进行了评估。模拟研究表明，在无误差融合和已纳入无线信道影响的情况下，MAE 都是成功的。正如预期的那样，性能随着量化级别的提高而提高，并且六级量化接近非量化数据传输的性能。
cib-se-yolov8
摘要 - 安全设备是确保在施工地点安全的关键组成部分，头盔对于减少伤害和死亡尤为重要。传统方法，例如负责人和项目经理的手动检查，效率低下且劳动力密集，通常无法防止与缺乏安全装备有关的事件。为了解决这个问题，利用实时检测技术，特别是Yolo，已经开发了一种新的方法来利用计算机视觉和深度学习。本研究利用公开可用的SHEL5K数据集用于头盔检测任务。所提出的CIB-SE-YOLOV8模型通过结合了注意机制并用C2FCIB块替换某些C2F块来建立在Yolov8n上。与Yolov8n相比，我们的模型获得了88.4％的MAP50，占3.2％的提高。它还表明精度增加了0.5％，召回率增加了3.9％，从而显着提高了头盔检测性能。此外，与Yolov8n的300万参数和8.1 GFLOPS相比，具有268万参数和7.6 GFLOPS的拟议模型在实时检测任务方面具有更高的效率，从而使其成为改善施工现场安全的更有效解决方案。
绘制人类表现的边界
摘要。在 Horizon 2020 资助的未来天空安全计划中，人类表现包络线项目通过增加压力和工作量并降低情境意识，将航空公司飞行员推向实时驾驶舱模拟中表现的极限。目的是找出这些因素如何相互作用，并检测人类表现的极限，在这些极限处应采用某种形式的自动化支持以确保安全持续飞行。使用了一系列措施，从行为到生理（例如心率、眼动追踪和瞳孔扩张），以实时监测飞行员的表现。几种措施 - 例如心率、心率变异性、眼动追踪、认知演练和人机界面 (HMI) 可用性分析 - 被证明在检测性能下降以及确定信息呈现需要改变的地方以更好地支持飞行员在具有挑战性的情况下的表现方面是有用且相对可靠的。这些结果促成了未来驾驶舱人机界面原型的拟议变更，随后在最终模拟中进行了验证。这些结果还为飞行员可以穿戴“智能背心”的开发提供了参考，它可以监测与性能相关的一系列信号。
监视比较指导材料... - ICAO
优势 o PSR 不需要在飞机上安装或操作应答器，从而可以检测和管理未装备/故障的飞机或不合作的飞机 1 o 如果需要显示天气，可以提供天气通道输出。 o 非常适合机场地面监视 弱点 o PSR 不提供身份 o 不提供高度 2 o 位置基于斜距测量而不是真实距离（这给多雷达跟踪系统带来一些困难） o 经常会报告假目标（地面车辆、天气、鸟类等） o 在存在地面和天气杂波的情况下检测性能较差，特别是对于与雷达切向的飞行 o 与二次监视雷达 (SSR) 相比价格昂贵 o 更新率在 4 到 12 秒之间（比典型的多点定位或 ADS-B 长） o 长距离性能需要高发射机功率 - 带来干扰和环境问题 o 系统的安装和维护成本非常高 o 系统需要最佳位置，视野开阔，雷达可见的地面杂波最少 o 由于方位角分辨率性能差，无法分辨相同范围内相似位置的两架飞机。
一项关于水库计算及其跨学科应用的调查以外的传统机器学习基于网络攻击检测的过滤方法的特征选择技术的调查
摘要：网络攻击检测技术今天起着至关重要的作用，因为网络攻击一直对组织和个人造成巨大伤害和损失。功能选择是许多网络攻击系统的必要步骤，因为它可以降低培训成本，提高检测性能并使检测系统轻量级。已经提出了与网络攻击检测特征选择相关的许多技术，并且每种技术都有优点和缺点。确定应该选择哪种技术对于许多研究人员和系统开发人员来说是一个具有挑战性的问题，尽管在网络安全领域中有几篇有关特征选择技术的调查论文，但其中大多数人试图成为无所不包的问题，并且过于笼统，并且太普遍了，这使得读者很难掌握该方法的混合和全面图像。在本文中，我们第一次详细介绍了基于过滤器的特征选择技术。基于过滤器的技术是一种流行的特征选择技术，并且在研究和应用中广泛使用。除了对这种方法的一般描述外，我们还详细解释了搜索算法和相关性措施，这是基于滤波器的技术中常用的两个必要的技术元素。
学习小对象检测的区分功能...
总结要解决诸如小目标大小，目标特征模糊以及在小物体检测中区分目标和背景的困难之类的挑战，我们提出了一种基于多尺度图像降级的方法，结合了对比度学习模型。通过利用对比度学习技术，我们的方法旨在赋予准确区分对象和背景所需的判别特征。要专门针对小物体，我们将目标样本靶向各种多尺度图像降解模式，然后才能将它们置于对比度学习模型中。然后将增强技术应用于这些退化的样品，以促进有效的对比特征学习。因此，该模型可以更好地揭示小目标和背景之间的差异，从而提高小物体检测性能。此外，考虑到空间域特征对图像的局部变化敏感，而频域特征对全球结构变化敏感，我们的方法涉及空间和频域中的对比度学习模型，旨在为小对象检测获得更强大的功能。在MS可可数据集和Visdrone2019数据集上进行的广泛实验验证了我们提出的方法在显着提高小物体检测准确性方面的有效性。关键词：小对象检测，对比度学习，双域网络，多尺度图像退化
Sidbench：可靠评估合成图像检测方法的Python框架
生成的AI技术提供了越来越多的工具来生成完全合成的图像，这些图像越来越与真实的图像。与改变图像的部分的方法不同，完全合成图像的创建提出了一个独特的挑战，最近似乎似乎已经对其进行了解决。然而，基准数据集的实验结果与野外方法的性能之间通常存在很大的差距。为了更好地满足SID的评估需求并帮助缩小差距，本文介绍了一个基准测试框架，该框架集成了几种最新的SID模型。我们选择集成模型的选择是基于各种输入功能和不同网络体系结构的利用，旨在涵盖广泛的技术。该框架利用了最新的数据集，这些数据集具有多种生成模型，高水平的照片现实主义和分辨率，这反映了图像合成技术的快速改进。此外，该框架还可以研究图像转换如何在在线共享的资产中（例如JPEG压缩）影响检测性能。sidbench可在github.com/mever- team/sidbench上获得，并以模块化的方式设计，以便于包含新的数据集和SID模型。