XiaoMi-AI文件搜索系统
World File Search System混合网络
TC – radar：用于毫米波雷达对象检测的变压器– CNN混合网络
摘要：在智能运输中，辅助驾驶取决于来自各种传感器的数据集成，尤其是LiDAR和相机。但是，它们的光学性能会在不利的天气条件下降低，并可能损害车辆安全性。毫米波雷达可以更经济地克服这些问题，并得到了重新评估。尽管如此，由于噪声干扰严重和语义信息有限，开发准确的检测模型是具有挑战性的。为了应对这些实际挑战，本文提出了TC – radar模型，这是一种新颖的方法，该方法协同整合了变压器的优势和卷积神经网络（CNN），以优化智能运输系统中毫米波雷达的传感潜力。这种集成的基本原理在于CNN的互补性质，该性质擅长捕获局部空间特征和变形金刚，这些特征在数据中擅长建模长距离依赖性和数据中的全局上下文。这种混合方法允许对雷达信号的更强大和准确的表示，从而提高了检测性能。我们方法的关键创新是引入交叉注意（CA）模块，该模块有助于网络的编码器和解码器阶段之间的高效和动态信息交换。此CA机制可确保准确捕获和传输关键特征，从而显着提高整体网络性能。此外，该模型还包含密集的信息融合块（DIFB），以通过整合不同的高频局部特征来进一步丰富特征表示。此集成过程确保了关键数据点的彻底合并。在Cruw和Carrada数据集上进行的广泛测试验证了该方法的优势，模型的平均精度（AP）为83.99％，平均相交（MIOU）的平均交点为45.2％，表明了鲁棒的雷达感应功能。
hyneter：用于多个计算机视觉任务的混合网络变压器
摘要 - 在本文中，我们指出，基于卷积神经网络（CNN）基于变压器的检测器之间的基本差异，这些检测器在基于变压器的方法中导致小对象的性能较差，是局部信息与全局依赖性在特征提取和传播中的差距。为了使这些差异打扮，我们提出了一种新的视觉变速器，称为Hybrid Network Transformer（Hyneter），此前表明差距导致基于CNN的基于CNN的方法和基于变压器的方法，以增加尺寸不同的对象的结果。不同于以前方法中的分裂策略，Hyneters由混合网络骨干（HNB）和双切换（DS）模块组成，这些模块集成了本地信息和全局，并同时转移它们。基于平衡策略，HNB通过将卷积层嵌入并联中的变压器块中扩展了局部信息的范围，并且DS调整了对斑块外部全局依赖性的过度依赖。消融研究表明，Hyneters通过 + 2的巨大边缘实现了最先进的表现。1〜13。2 AP在可可和 + 3上。 1〜6。 5 miou在visdrone上具有较轻的型号大小和对象检测的计算成本较低。 此外，Hyneters在多个计算机视觉任务上实现了最新的结果，例如对象检测（60。 1 AP在可可和46上。 1 AP在Visdrone上），语义segmentation（54。 3 AP上的ADE20K）和实例分段（48。 可可上的5个ap掩码），并超过以前的最佳方法。2 AP在可可和 + 3上。1〜6。5 miou在visdrone上具有较轻的型号大小和对象检测的计算成本较低。此外，Hyneters在多个计算机视觉任务上实现了最新的结果，例如对象检测（60。1 AP在可可和46上。1 AP在Visdrone上），语义segmentation（54。3 AP上的ADE20K）和实例分段（48。可可上的5个ap掩码），并超过以前的最佳方法。该代码将在以后公开可用。
ConTraNet：用于 EEG 的单一端到端混合网络……
目标：脑电图 (EEG) 和肌电图 (EMG) 是两种非侵入性生物信号，广泛应用于人机界面 (HMI) 技术（EEG-HMI 和 EMG-HMI 范式），用于肢体残疾人的康复。成功将 EEG 和 EMG 信号解码为相应的控制命令是康复过程中的关键步骤。最近，提出了几种基于卷积神经网络 (CNN) 的架构，将原始时间序列（EEG 和 EMG 信号）直接映射到决策空间（用户的预期动作）。由于 CNN 是端到端学习算法，因此有意义的特征提取和分类过程是同时进行的。然而，这些网络是为学习给定生物信号的预期特征而定制的。从今以后，这些算法的含义通常仅限于单个 HMI 范式。在这项工作中，我们解决了这样一个问题：我们能否构建一个能够从不同的 HMI 范式中学习不同特征并仍能成功对其进行分类的单一架构。方法：在这项工作中，我们引入了一个称为 ConTraNet 的单一混合模型，该模型基于 CNN 和 Transformer 架构，对 EEG-HMI 和 EMG-HMI 范式同样有用。ConTraNet 使用 CNN 模块在模型中引入归纳偏差并学习局部依赖关系，而 Transformer 模块使用自注意机制来学习信号中的长距离或全局依赖关系，这对于 EEG 和 EMG 信号的分类至关重要。主要结果：我们在三个公开可用的数据集（BCI 竞赛 IV 数据集 2b、Physionet MI-EEG 数据集、Mendeley sEMG 数据集）上评估并将 ConTraNet 与最新方法进行了比较，这三个数据集属于 EEG-HMI 和 EMG-HMI 范式。ConTraNet 在所有不同类别任务（2 类、3 类、4 类和 10 类解码任务）中均优于其同行。意义：大多数 HMI 研究引入了针对其预期生物信号特征量身定制的算法，并在仅属于单一范式的数据集上验证其结果。相反，我们引入了 ConTraNet，并在两个不同的 HMI 范式上验证了结果，这两个范式包含 2、3、4 和 10 个类的数据。此外，ConTraNet 的泛化质量对于这两个范式都同样好，这表明 ConTraNet 能够从不同的 HMI 范式中学习不同的特征，并且与当前最先进的算法相比具有良好的泛化能力。
电动机的基于频道注意的MLP混合网络...
抽象的卷积神经网络（CNN）及其变体已成功应用于基于脑电图（EEG）的运动图像（MI）解码任务。但是，这些基于CNN的算法通常在感知脑电图信号的全球时间依赖性方面存在局限性。此外，他们还忽略了不同脑电图渠道对分类任务的各种贡献。为了解决此类问题，提出了基于脑电图的MI解码的新型基于渠道注意的MLP混合网络（CAMLP-NET）。具体来说，基于MLP的体系结构在此网络中应用于捕获时间和空间信息。注意机制进一步嵌入了MLP混合物中，以适应不同的EEG通道的重要性。因此，提出的CAMLP-NET可以有效地学习更多的全球时间和空间信息。新构建的MI-2数据集的实验结果表明，我们提出的CAMLP-NET比所有比较算法实现了优越的分类性能。
实时、虚拟、建设性混合网络战靶场 (HI-CYBER)
近期，在所有物理环境和信息空间中同时出现的混合战争 (HW) 威胁旨在针对民用和军用决策过程以及人类和社会行为，以实现 (地理) 战略目标。保护支持决策支持系统 (DSS)（如数字化指挥和控制系统 (C2)）的通信和网络至关重要。本文介绍了实时、虚拟和建设性混合网络战靶场 (Hi-Cyber) 的概念，以支持 NMSG ET-043 混合战争概念开发活动，重点关注 HW 场景中其他威胁中的网络方面。因此，本文阐述了 Hi-Cyber 概念和作为系统联合开发的总体架构，例如网络攻击模拟器、混合战争场景生成器和动画器 (HW-SGA)、C2 系统、实时、虚拟和建设性工具。此外，还利用异构技术，通过系统在环 (SITL)、高级架构 (HLA) 运行时基础设施 (RTI) 和不同通信协议之间的网关。总之，Hi-Cyber 架构旨在展示并提供一个基于模拟的集成通信和网络环境，在该环境中可以调查安全问题，评估通信和网络的保护、弹性和反应性水平。此外，还可以在混合环境中测试针对目标的网络攻击对策