XiaoMi-AI文件搜索系统
World File Search System测试时间
医学图像分割的实时测试时间自适应
在测试时将源模型调整到目标数据分布是解决数据移位问题的有效方法。以前的方法通过使用熵最小化或正则化等技术使模型适应目标分布来解决此问题。在这些方法中，模型仍然通过对完整测试数据分布使用无监督损失的反向传播进行更新。在现实世界的临床环境中，由于隐私问题和部署时缺乏计算资源，动态地将模型调整到新的测试图像并避免在推理过程中更新模型更有意义。为此，我们提出了一种新的设置 - 动态自适应，它是零样本和偶发的（即，模型一次适应单个图像，并且在测试时不执行任何反向传播）。为了实现这一点，我们提出了一个名为 Adaptive UNet 的新框架，其中每个卷积块都配备了一个自适应批量归一化层，以根据域代码调整特征。域代码是使用专门针对医学图像进行训练的域先验生成器生成的。在测试时，模型仅接收新的测试图像并生成域代码以根据测试数据实例调整源模型的特征。我们验证了 2D 和 3D 数据分布偏移的性能，与以前的测试时自适应方法相比，我们在测试时不执行反向传播的情况下获得了更好的性能。关键词：测试时自适应、医学图像分割。
无需校准的在线测试时间自适应脑电图运动意象解码
摘要 — 脑机接口 (BCI) 为连接人脑和外部设备提供了一条有前途的途径，其解码能力取得了显著进步，这主要得益于日益复杂的技术，尤其是深度学习。然而，由于会话和受试者之间的分布变化，在现实场景中实现高精度仍然是一个挑战。在本文中，我们将探讨在线测试时间自适应 (OTTA) 的概念，以在推理时间内以无监督的方式持续调整模型。我们的方法通过消除在自适应过程中访问源数据的要求来保证隐私的保护。此外，OTTA 通过不需要任何会话或受试者特定的数据来实现无校准操作。我们将使用轻量级架构以及不同的 OTTA 技术（如对齐、自适应批量归一化和熵最小化）来研究脑电图 (EEG) 运动意象解码任务。我们检查了两个数据集和三个不同的数据设置以进行全面分析。我们的适应方法产生了最先进的结果，有可能促使 BCI 解码的迁移学习转向在线适应。索引术语 —BCI、深度学习、跨学科、迁移学习、运动意象、EEG、测试时间适应
低速设施中风洞流质量测量和评估的现代框架 随着测试的复杂性增加，对风洞测试测量精度的要求也越来越严格。在风洞测试时间减少和测试成本增加的环境下，重要的是在较长时间内建立、维护和统计控制风洞设施中测量链所有组件的精确校准和验证。本文介绍了在贝尔格莱德军事技术学院的 T-35 4.4 m × 3.2 m 低速风洞中建立和维护测量质量控制系统所做的努力。该设施测量质量的保证基于确保三个主要组成部分的质量：风洞测试部分的校准、所用仪器的校准以及标准风洞模型的定期测试。本文介绍了相关风洞校准测试的样本结果，并将其与其他设施的结果进行了比较。测试证实了该设施的整体质量良好，并且必须保持、定期检查和系统记录所达到的质量水平。关键词：风洞流动质量；低速风洞；标准校准模型；AGARD-B；ONERA M4。1. 简介 风洞测试
低速设施中风洞流质量测量和评估的现代框架 随着测试的复杂性增加，对风洞测试测量精度的要求也越来越严格。在风洞测试时间减少和测试成本增加的环境下，重要的是在较长时间内建立、维护和统计控制风洞设施中测量链所有组件的精确校准和验证。本文介绍了在贝尔格莱德军事技术学院的 T-35 4.4 m × 3.2 m 低速风洞中建立和维护测量质量控制系统所做的努力。该设施测量质量的保证基于确保三个主要组成部分的质量：风洞测试部分的校准、所用仪器的校准以及标准风洞模型的定期测试。介绍了相关风洞校准测试的样本结果，并将其与其他设施的结果进行了比较。测试证实了该设施的整体质量良好，并且必须保持、定期检查和系统地记录所达到的质量水平。关键词：风洞流动质量；低速风洞；标准校准模型；AGARD-B；ONERA M4。1.简介 风洞测试是任何飞机设计和开发的重要组成部分。预测未来飞行物体的空气动力学行为和特性的通常做法是进行相对小规模模型的风洞测试。为了确保对风洞数据进行有意义的解释，必须了解和纠正影响结果的影响因素；修正后的数据应与来自不同风洞或自由空气情况的数据具有可比性，[1]-[9]。此外，最好采用或多或少标准的校准和测试程序，以使来自不同风洞的数据尽可能接近可比性。在测试模型的风洞结果可用于预测未来飞行物体的气动特性之前，必须确定模型支撑系统和非均匀气流条件的影响随着风洞试验对测量精度的要求越来越严格，试验的复杂性也随之增加，并且在风洞试验时间减少、试验成本不断上升的环境下，重要的是对风洞设施中测量链的所有组件进行准确的校准和验证，更重要的是，在较长时间内保持和统计控制 [10]。