XiaoMi-AI文件搜索系统
World File Search System检测算法
使用FPGA
摘要：机器人技术，自动驾驶，监视和更多字段依赖于对象检测，这是计算机视觉中的基本工作。由于其低延迟速度和并行处理功能，FPGA系统吸引了对实现对象检测算法的越来越兴趣，这很重要，因为实时处理变得越来越重要。这项工作提供了FPGA体系结构，优化和实时实现的对象检测的概要。建议的方法是选择一个适当的对象检测算法，例如著名的Yolo（您只看一次）或SSD（单镜头多伯克斯检测器），该对象以其速度和准确性比率而闻名。为了实现实时速度，该算法被映射到基于FPGA的硬件体系结构上，该架构利用其可重构性和并行性。基于FPGA的对象检测的重要组成部分是硬件体系结构的设计。优化数据途径，有效控制逻辑的构建以及将算法拆分为硬件友好型组件都是此过程的一部分。以最大程度地利用资源来实现最大化吞吐量的目标，使用了包括并行处理，循环展开和管道的技术。此外，对FPGA的优化需要调整算法和硬件设计，以充分利用目标FPGA设备的功能。减少延迟和增加的吞吐量需要优化数据传输，并行性和内存访问模式。修复错误，提高性能并添加新功能都需要定期维护和升级。使用FPGA的对象检测系统的另一个重要部分是它们与各种传感器或输入流集成的能力。获取用于实时处理的输入数据需要与各种传感器（例如相机和LIDAR设备）集成。由于它们的适应性，FPGA平台很容易被整合到各种应用程序情况下，这要归功于它们与不同传感器的接口。确保在FPGA上构建的对象检测系统是准确，快速且有弹性的，请使用常见数据集和现实世界情景进行验证和测试。为了确保系统实现目标性能指标，对实时处理要求进行了彻底评估。一旦测试，基于FPGA的对象检测系统就可以将其放置在预期的设置中，作为独立设备或较大嵌入式系统的组件。关键字： - FPGA，对象检测，计算机视觉，实时处理，硬件优化，并行处理，嵌入式系统。简介自动驾驶汽车，监视系统，机器人和更多字段依赖于对象检测，这是计算机视觉中的基本工作。在许多领域的智能决策依赖于实时检测和定位事物的能力。即使它们起作用，传统的对象检测方法也不能总是处理实时处理的强烈需求，尤其是在带有移动场景的复杂设置和众多项目中。在开发对象检测系统时，使用FPGA而不是CPU或GPU有很多好处。因此，为了加快对象检测算法并获得实时性能，在使用专用硬件平台（例如现场可编程式门阵列（FPGA））的使用方面一直在增加。首先，现场编程的门阵列（FPGA）非常适合并行化，这意味着可以有效地实现卷积神经网络（CNN）之类的对象识别技术
起落架结构健康监测 (SHM)
本文提供了有关起落架结构健康监测 (SHM) 系统开发的信息，该系统通过直接负载测量以及支柱维修检测算法提供预测/诊断 HUMS 功能。该系统通过将新传感器集成到起落架组件中来提供先进的监测技术。直接负载测量方法是当前跟踪机身起落架系统和机身支撑结构疲劳损伤方法的范式转变，这些方法依赖于 SHM 设备以各种采样率在机上记录的飞机参数数据收集。起落架 SHM 提供直接负载测量、重量/平衡计算以及对起落架组件执行基于条件的维护 (CBM) 的能力。NAVAIR 与 ES3 签订合同，通过小型企业创新研究 (SBIR) 计划（通过 N121-043 主题的第二阶段奖励）支持起落架 SHM 的开发。提议的解决方案将直接转移到其他海军、军用和商用飞机平台。本文将讨论 HUMS 和 CBM 领域的以下主题：(1) 用于直接负载测量的先进起落架传感器；(2) 将直接负载监测数据融合到疲劳寿命评估中；(3) 利用支柱维修检测算法实现飞机维护的范式转变；(4) 系统验证和确认；(5) 安全和维护效益。频谱开发和使用监测领域的先前工作通常侧重于飞机结构，将假设转化为起落架组件，而无需任何直接测量。使用监测的好处也可以用于起落架。直接载荷测量能够延长使用寿命、根据实际载荷移除部件、提高安全性、增加飞机可用性，并将 CBM 数据纳入维护实践，从而节省维护成本。本文通过对在高技术就绪水平 (TRL) 下适用于严酷起落架环境的传感器进行小型化，推动了最新技术的发展。
国防人工智能战略 - GOV.UK
为了应对这些挑战，国防必须优先考虑研究、开发和试验，通过利用创新概念和尖端技术进步保持战略优势——人工智能是国防现代化必不可少的技术之一。想象一下，一名士兵在前线接受高度发达的合成环境中训练，由便携式指挥和控制设备指导，分析和推荐不同的行动方案，由数据库捕获和处理数百架小型无人机拍摄数千小时的最新信息。想象一下，自主补给系统和战斗车辆，在不危及人民的情况下更有效地运送补给和物资。想象一下，最新的定向能武器使用闪电般的目标检测算法来保护我们的船只，而支持这一切的数字主干使用人工智能来识别和防御网络威胁。
使用 3D 飞行时间 (ToF) 进行人数统计以进行需求控制通风参考设计 (Rev. A)
使用 3D ToF 进行按需控制通风的人数统计参考设计是一个子系统解决方案，它使用 TI 的 3D ToF 图像传感器结合跟踪和检测算法，以高分辨率和高精度计算给定区域中的人员数量。传感器技术采用标准 CMO 开发，使系统能够以低成本实现非常高的集成度。由于 ToF 图像传感器以三维方式处理视觉数据，因此该传感器可以检测人体的精确形状以及跟踪运动并以前所未有的精度定位人员，包括细微的运动变化。因此，与传统监控摄像头和视频分析相比，ToF 摄像头可能能够更有效地执行实时人数统计和人员跟踪功能。
使用计算机视觉方法对简单摆的振动分析
计算机视觉（CV）的目标是使计算设备能够识别数字图像中的对象或人员。在这项研究中，CV被用于自动识别振动对象的运动和频率。移动相机用于记录简单摆的视频，因为它以固有频率自由振荡。图像是从视频中获得的，该视频将进一步分析以研究摆的运动。通过图像在感兴趣的区域（ROI）应用角度检测算法。绘制了摆bob随时间的函数的位移，并进行了FFT以获得固有频率。可以在三个不同的字符串长度上检测到高达1 Hz的固有频率，记录为〜240 fps。提出的方法是检测振动对象频率的非接触式方法之一。
请引用已发表的版本Zhang，Y，Liu，B，Bunting ...
方法：本文旨在使用基于深层神经网络和整体学习的拟议管道方法自动准确地量化LVEF。在管道中，首先训练一个非常卷积神经网络（ACNN），以分割左心室（LV），然后使用基于椭圆形单平面模型的面积配方来计算LVEF值。这种配方所需的LV区域的输入，该输入是使用改进的Jeffrey方法和LV长度衍生而成的，该分段来自新型的集合学习模型。为了进一步提高管道的准确性，使用了一种自动峰检测算法来识别末期舒张和终端节奏帧，从而避免了人为错误的问题。随后，在所有心脏周期中平均单击LVEF值以获得最终的LVEF。
抗噪声且可解释的癫痫发作检测
摘要 — 深度卷积神经网络最近已成为检测癫痫发作的先进工具。此类模型能够提取脑电图 (EEG) 信号的复杂非线性表示，与依赖手工制作特征的方法相比，其准确性更高。然而，神经网络容易受到脑电图信号中常见的混杂伪影的影响，并且难以解释。在这项工作中，我们提出了一种基于神经网络的癫痫发作检测算法，该算法利用信息论的最新进展来构建信号表示，其中包含区分癫痫发作和正常大脑活动所需的最少信息。我们展示了我们的方法自动学习忽略常见信号伪影并从原始信号中编码医学相关信息的表示。
美国海军生物海洋资源计划 FY23 需求主题
海军已经审查了从移动船只探测海洋哺乳动物的各种技术，并且主要对红外摄像机系统感兴趣。红外摄像机系统有可能在所有光照条件下（低光或夜间）观察水面上的海洋哺乳动物。红外系统通常由红外摄像机、用于船上操作的摄像机万向节稳定器和检测算法组成。红外摄像机技术已在悬崖上的观察点和船只上得到演示，并且该系统检测鲸鱼喷水和水面身体的性能已与人类视觉观察者进行了比较（Zitterbart 等人 2013 年、Zitterbart 等人 2020 年、Baille 和 Zitterbart 2021 年）。已经开发了基于代理的模型来探索基于表面的鲸鱼检测方法对缓解船只撞击的有效性。然而，这
用于人工智能和机器学习的微控制器
人工智能是一套硬件和软件技术，可以为计算单元提供在人类观察者看来与人类智力相似的功能。人工智能的基本定义是机器人完成通常由人类完成的任务的能力。当数学或传统建模无效时，AI使用一组自然影响的计算机方法来解决复杂的实时问题。AI是从模式检测算法发展而来的。在传统的多核计算机上，人工神经网络（ANN）通常在模拟中运行。最终，目标是使用人工神经元网络在硬件中实现ANN，这些神经元通过定时电脉冲相互通信，就像大脑一样。人工神经网络（ANN）在解码大量数据方面非常出色
碳纤维复合材料飞机部件超声波检查的自动缺陷检测
开发了基于商业软件 Ultis ® 的自动化任务序列，结合新的预处理和后处理工具，以实现对从大型复杂 CFRP 组件获得的超声波数据的全自动分析。在包含各种人工缺陷的参考面板上，结果 90/95 为 6.8 毫米。新工具包括 C 扫描投影优化器，可最大限度地减少 3D 到 2D 转换期间的缺陷变形，一种有效的分割方法，可解决具有挑战性的特征（共固化纵梁、层脱落、多种厚度变化），以及一种能够自动从 A 扫描集合中提取指示的新型缺陷检测算法。结果表明，该方法满足检测要求，同时显著缩短了分析时间。