XiaoMi-AI文件搜索系统
World File Search System混合网络
通过事件增强多模态实现图像去遮挡...
摘要：透过密集遮挡重建场景图像是一项重要但具有挑战性的任务。传统的基于帧的图像去遮挡方法在面对极其密集的遮挡时可能会导致致命的错误，因为有限的输入遮挡帧中缺乏有效的信息。事件相机是受生物启发的视觉传感器，它以高时间分辨率异步记录每个像素的亮度变化。然而，仅从事件流合成图像是不适当的，因为事件流中只记录了亮度变化，而初始亮度是未知的。在本文中，我们提出了一种事件增强的多模态融合混合网络用于图像去遮挡，它使用事件流提供完整的场景信息，使用帧提供颜色和纹理信息。提出了一种基于脉冲神经网络（SNN）的事件流编码器，以有效地对事件流进行编码和去噪。提出了比较损失以生成更清晰的结果。在基于事件和基于帧的大规模图像去遮挡数据集上的实验结果表明，我们提出的方法达到了最先进的性能。
拥抱零信任安全模型
当今的 IT 环境由一个互联的世界所驱动，由于其连通性、用户多样性、丰富的设备以及全球分布的应用程序和服务，这个世界更容易受到恶意活动的攻击。系统和用户需要简单而安全的方法来连接和与组织资源交互，同时还要阻止恶意行为者。当前和新兴的云、多云和混合网络环境日益复杂，再加上对手威胁的快速升级和演变性质，暴露了传统网络安全防御缺乏有效性。传统的基于边界的网络防御具有多层脱节的安全技术，由于当前的威胁环境，它们已被证明无法满足网络安全需求。从网络罪犯到民族国家行为者，当代威胁行为者变得更加持久、更加隐秘和更加狡猾；因此，他们表现出定期渗透网络边界防御的能力。这些威胁行为者以及内部威胁行为者已成功利用其访问权限危害和损害国家和经济安全。即使是最熟练的网络安全专业人员在保护分散的企业网络免受越来越复杂的网络威胁时也面临挑战。组织需要一种更好的方法来保护其基础设施，并为数据、服务、应用程序和基础设施提供统一而细粒度的访问控制。
先进科学 - 2024 年
基于MXene的热隐身材料由于其较低的发射率而受到越来越多的关注，然而较差的抗氧化性能限制了其在复杂环境下的潜在应用。为了克服这一问题，人们开发了各种改性方法和策略，例如添加抗氧化分子和填料，但利用综合性能优异的MXene网络（涂层）实现长期、可靠的热隐身仍然是一个巨大的挑战。在这里，设计并制备了一种基于MXene的混合网络，其与透明质酸（HA）和超支化聚硅氧烷（HSi）分子混合。值得注意的是，HA分子的存在限制了MXene片材的氧化而不改变红外隐身性能，优于其他水溶性聚合物；而HSi分子可以作为有效的交联剂，在MXene片材和HA分子之间产生强相互作用。优化后的 MXene/HA/HSi 复合材料具有优异的机械柔韧性（可折叠成起重机结构）、良好的耐水性/耐溶剂性以及长期稳定的热伪装能力（红外发射率低至 ≈ 0.29）。在各种户外天气条件下的长期热伪装可靠性（≈ 8 个月）以及 MXene 涂层纺织品的可扩展涂层能力使其能够在复杂环境中伪装各种目标的红外信号，表明所实现的材料在热伪装、红外隐身和反监视方面具有巨大的前景。
智能SOP体系结构和电力控制型直流铁路与LV分销网络之间的管理
软开放点（SOP）（SOP），也称为软点，通常是电源电子转换器，用于电源分配网络中，与传统的正常开放点（NOP）和正常截断点（NCP）相比，可以实质上改善对功率流的控制，如图1所示。径向（通常打开）和网格（通常关闭的）分销网络都有几个优点和缺点。径向网络很简单，但不是很可靠。相反，网格网络提供一定程度的冗余，以在发生故障时继续电源，但需要更复杂的保护安排[1-2]。因此，SOP是设计混合网络的最佳候选者，在该网络中可以根据实际的网络条件实际切换到radial层转换为网状，反之亦然。SOP可以控制主动和反应幂的流动，并调节分布网络不同节点之间的电压。它们也可以用于更改网络的配置，以提供由故障隔离的负载，或者在网络中的一个进料器上隔离不良和故障，而不是减轻对其他馈线的故障。以前的技术文献已经彻底介绍了中型电压发电网络的SOP的不同结构和控制方法，并证明了网络操作的改进[3-5]。但是，到目前为止，尚未对铁路和分销网络之间的SOP技术应用。此外，电气铁路这两个网络都将受益于更集成的设计，特别是：i）减少功率损失，ii）在场景中保存电网稳定性，其局部可再生能源（RES）高渗透率，iii）电动汽车（EVS）的充电站（EVS），电气能源和优先人。
基于混合神经网络的运动想象信号分类数据增强
摘要：运动想象作为自发性脑机接口的重要范式，被广泛应用于神经康复、机器人控制等领域。近年来，研究者提出了多种基于运动想象信号的特征提取和分类方法，其中基于深度神经网络（DNN）的解码模型在运动想象信号处理领域引起了广泛关注。由于对受试者和实验环境的严格要求，收集大规模高质量的脑电图（EEG）数据非常困难，而深度学习模型的性能直接取决于数据集的大小。因此，基于DNN的MI-EEG信号解码在实践中被证明是非常具有挑战性的。基于此，我们研究了不同的数据增强（DA）方法在使用DNN对运动想象数据进行分类的性能。首先，我们使用短时傅里叶变换（STFT）将时间序列信号转换为频谱图像。然后，我们评估并比较了不同 DA 方法对该频谱图数据的性能。接下来，我们开发了一个卷积神经网络（CNN）来对 MI 信号进行分类，并比较了 DA 后的分类性能。使用 Frechet 初始距离（FID）评估生成数据（GD）的质量和分类准确率，使用平均 kappa 值探索最佳的 CNN-DA 方法。此外，使用方差分析（ANOVA）和配对 t 检验来评估结果的显著性。结果表明，深度卷积生成对抗网络（DCGAN）比传统 DA 方法：几何变换（GT）、自动编码器（AE）和变分自动编码器（VAE）提供了更好的增强性能（p < 0.01）。使用 BCI 竞赛 IV（数据集 1 和 2b）的公共数据集来验证分类性能。经过 DA 后，两个数据集的分类准确率分别提高了 17% 和 21%（p < 0.01）。此外，混合网络 CNN-DCGAN 的表现优于其他分类方法，两个数据集的平均 kappa 值分别为 0.564 和 0.677。
NEBULA：一种用于 SNN 和 ANN 的基于神经形态自旋的超低功耗架构
摘要 — 迄今为止，脑启发式认知计算主要有两种方法：一种是使用多层人工神经网络 (ANN) 执行模式识别相关任务，另一种是使用脉冲神经网络 (SNN) 模拟生物神经元，以期达到与大脑一样高效和容错的效果。前者由于结合了有效的训练算法和加速平台而取得了长足的进步，而后者由于缺乏两者而仍处于起步阶段。与 ANN 相比，SNN 具有明显的优势，因为它们能够以事件驱动的方式运行，因此功耗非常低。最近的几项研究提出了各种 SNN 硬件设计方案，然而，这些设计仍然会产生相当大的能源开销。在此背景下，本文提出了一种涵盖设备、电路、架构和算法级别的综合设计，以构建用于 SNN 和 ANN 推理的超低功耗架构。为此，我们使用基于自旋电子学的磁隧道结 (MTJ) 设备，这种设备已被证明既可用作神经突触交叉开关，又可用作阈值神经元，并且可以在超低电压和电流水平下工作。使用这种基于 MTJ 的神经元模型和突触连接，我们设计了一种低功耗芯片，该芯片具有部署灵活性，可用于推理 SNN、ANN 以及 SNN-ANN 混合网络的组合——与之前的研究相比，这是一个明显的优势。我们在一系列工作负载上展示了 SNN 和混合模型的竞争性能和能源效率。我们的评估表明，在 ANN 模式下，所提出的设计 NEBULA 的能源效率比最先进的设计 ISAAC 高达 7.9 倍。在 SNN 模式下，我们的设计比当代 SNN 架构 INXS 的能源效率高出约 45 倍。 NEBULA ANN 和 SNN 模式之间的功率比较表明，对于观察到的基准，后者的功率效率至少高出 6.25 倍。索引术语 — 神经网络、低功耗设计、领域特定架构、内存技术